动态停车预约收费条件下的出行行为选择研究

贺康康，任 刚

动态停车预约收费条件下的出行行为选择研究

贺康康，任 刚

（东南大学，交通学院，南京 210096）

近年来, 停车预约动态收费发展迅速, 但是现有文献缺乏对动态停车预约收费条件下的出行行为选择的影响因素和影响机理的研究。本文基于宁波市动态定价停车预约意愿问卷数据, 综合考察了驾驶人的个人属性、出行特性、停车特征和建成环境, 建立了预约、不预约、转移到其他停车场、转移到其他交通方式4种行为选择的巢式Logit模型, 并对相关变量进行了显著性分析和弹性分析。结果表明: 年龄、家庭年收入、出行目的、出发时刻、出行距离、停车时长、排队时间、预约费用、目的地停车场数量以及出发地和目的地是否有轨道站点影响显著, 高收入、通勤、高峰小时出行和长时间停车的人群更倾向于选择预约停车。模型拟合结果显示, 考虑出发地和目的地建成环境的巢式Logit模型能够在一定程度上提高出行行为选择预测的精准度。

预约停车；动态定价；巢式Logit模型；出行行为选择

0 引 言

近年来，随着城市化和机动化的快速发展，我国机动车保有量迅速增长。而与此同时，我国城市交通建设、运营和管理的重心长年集中在动态交通，对城市停车静态交通重视不足。根据国务院公布的数据显示，我国大城市小汽车与停车位的平均比例约为1：0.8，中小城市约为1：0.5，而发达国家的水平约为1：1.3，我国停车位缺口超过5000万个[1]。为缓解日益严重的停车问题，动态定价和预约停车越来越受到管理者的青睐。动态定价机制是典型的面向市场的分配模式，通过价格调整将资源分配给具有高支付意愿（在一定程度上具有高需求）的用户。相比之下，预约机制是一种非市场分配模式，可确保资源分配的公平性。这两种机制也广泛用于其他资源的分配，例如限牌城市的车牌分配。动态定价机制和预约机制在车位分配上的有机结合，被认为是提高停车场收益、减少寻找车位巡游行为、优化出行结构的有效方式[2]。

目前，国内外对动态定价预约停车的研究较为丰富，主要集中在定价模型和定价政策方面[3-5]。Qiong等人[6]考虑了停车需求的价格敏感性和随机性，提出了基于收益管理方法的动态定价预约停车政策，研究证明动态定价预约停车在最大化停车管理者收入和节省驾驶员巡航成本方面成效显著。Tsai等人[7]以空余车位作为随机变量，通过期权定价的方法建立停车预约的动态定价模型。Lei等人[8]开发了多期非合作双层模型，分析了停车场和驾驶员之间复杂的相互作用，研究认为基于动态规划的停车定价政策优于传统静态收费政策，在处理停车需求时空变化时具有较高的可靠性。Mei等人[2]在考虑现状驾驶人停车行为和巡游行为特征的基础上，建立了基于代理的预约停车仿真模型，研究发现预约停车对于改善收费较低的热门停车场的停车问题具有显著效果。黄玮琪[9]结合收益管理的理念研究盈利性停车场预约系统的动态定价策略，通过分析不同提前时段确定不同出行需求的驾驶人对停车预约价格的敏感度，制定各预约时段合适的预约价格。

综上可知，相关研究主要集中在预约停车定价策略和仿真模型，对动态停车预约收费条件下的出行者出行行为选择的影响因素和行为偏好研究较少。本文综合考察驾驶人的个人属性、出行特性、停车特征和建成环境特征四个大类下的24个可能影响出行行为选择的自变量，考虑到不同排队时间和不同预约费用情况下会产生预约、不预约、转移到其他停车场和转移到其他交通方式4种行为选择，建立了基于巢式Logit的选择模型，定量化分析了个人属性、出行特性、停车特征和建成环境对出行行为选择的影响。

1 巢式Logit模型

考虑到预约停车政策下产生的预约、不预约、转移到其他停车场和转移到其他交通方式4种行为选择是典型的多项分类，因此基于随机效用最大化的离散选择（Logit）模型是停车行为选择研究中最常用的分析方法[10,11]，其中，多项Logit（MNL）模型应用最为广泛。然而，MNL模型的理论基础建立在不相关变量独立性（IIA）的假设之上，即认为选择一种方式与选择另外一种方式无关，但在实际的停车方式选择中，备选方式中的某2种或2种以上方式之间可能存在密切的相关性。克服 IIA 假设的有效方法是建立巢式选择模型，即把预约停车方式相似或相关的变量纳入到一个“巢”中，建立多层次的巢式选择决策模型[17]。

巢式Logit模型是MNL模型的改进，考虑了各选择肢之间的相关性，将各选择肢之间的关系描述为树状结构，树的节点分叉处又可看作是一个独立的MNL模型。根据预约停车、不预约停车、转移到其他停车场和转移到其他交通方式之间的相关性，本文建立了三层巢式Logit选择决策模型结构，如图1所示。

图1 巢式Logit选择决策模型结构

其中为logit 模型包容值，不同虚拟选择肢下的值不同。

对于第一层虚拟选择肢来说，选择肢的选择概率为：

λ为第一层的模型参数，由概率论可知，第二层选择肢的概率为：

同理，可推出第三层选择肢效用函数和选择概率模型。

2 数据获取与描述

文本数据主要通过问卷调查获得，调查于2019年3月16~20日在宁波市进行。为了减少调查个体的相关性，分别选取居住区、商业区、教育区及娱乐购物区对小汽车出行者进行随机问卷调查，共发放800份问卷，收回问卷746份，其中有效问卷633份。

问卷数据主要包括3个方面的变量：①个体特征，包括出行者的性别、年龄、学历、职业、家庭年收入、家庭拥有车辆数量、对预约停车和预约费用的态度；②出行特性和停车特征，包括出行目的、是否带老人或小孩、出发时刻、出行距离、出行时间、出行费用、步行距离、寻找停车位时间、停车时长、停车费用；③预约意愿，该部分为SP（Stated Preference）调查，预约停车的出行者无需排队可直接进入停车场，但停车费用会有一定程度的上涨，不预约的出行者支付原来的停车费用，但在高峰时期进入停车场需要排队。根据可容忍最长排队停车时间和可接受最高停车费用上涨的预调查结果，设计排队时间为10min、20min、30min三种情景，停车费用上涨为20%、50%、100%三种情景，采用正交法生成SP（Stated Preference）问卷[9,13,14]，在通勤出行和非通勤出行两种场景下，获取小汽车出行者在不同排队时间和不同预约停车费用上涨幅度情景下的预约停车意愿。

建成环境变量包括出发地和目的地的路网密度、周边500m半径内的停车场数量和公交站点数量以及800m半径内是否有轨道站点。建成环境数据通过问卷中的“出发地点”和“目的地点”问题，结合百度地图获取。相关变量统计性描述见表1。

表1 相关变量统计性描述

Tab.1 Descriptive statistics of related variables

3 结果分析

3.1 预约选择特征分析

基于有效样本，统计动态定价情景下的停车预约意向。分析发现，81.42%的调查者愿意提前预约停车，74.76%的调查者愿意为预约停车支付额外费用，64.73%的调查者认同停车费应该在停车难的时段有一定的上涨，但还有18.50%的人不同意此项措施。调查者对于可接受停车费上涨幅度差别较大，如图2所示，可接受预约停车费上涨幅度比例最高的是20%，占24.80%，其次是50%和100%，接受比例分别为15.54%和9.56%。由此可见，预约停车动态收费的实施和推广具有较大的可行性，但不同的人群对于停车费上涨幅度的态度不同，因此研究动态定价情景下停车预约意向的影响因素和影响机理是有必要的。

图2 可接受最高上涨幅度分布图

在SP调查的9种情景中，情景七（排队时间3min，预约停车费用上涨20%）的预约比例最高，达到70.80%，情景三（排队时间10min，预约停车费用上涨100%）的预约比例最低，为9.64%。如图3所示，整体预约停车意向分布随着排队时间的增长而增长，随着预约停车费用上涨幅度的增长而下降。排队时间10min的平均预约意愿为18.38%，20min的平均预约意愿为38.46%，30min的意愿则达到62.10%；预约停车费用上涨幅度为20%的平均预约意愿为51.98%，上涨幅度为50%的意愿为38.87%，上涨幅度为100%的意愿则下降到28.29%。

3.2 参数标定结果及分析

基于调查得到的633份样本数据，本文选取2/3的数据作为训练集，1/3的数据集作为验证集，利用R3.4.3软件中mlogit package建立考虑建成环境和不考虑建成环境的两个巢式Logit模型。表2给出了两个巢式Logit模型结果，所有参数估计取显著性水平值0.05，也就是置信度达到了95%，即概率小于0.05时，说明影响因素与目标函数之间存在显著性关系[15]。表3给出了利用验证集数据得到两个巢式Logit模型的验证结果。

图3 不同情景下预约停车比例

表2 基于巢式Logit的出行行为选择模型标定结果

续表2

注：“／”表示该变量的显著性水平在95%以下（p>0.05）；“—”表示该变量未代入到模型中。

动态停车预约收费条件下出行行为选择的巢式Logit模型的参数估计结果表明，在不考虑建成环境模型中，年龄、家庭年收入、出行目的、出发时刻、出行距离、停车时长、排队时间和预约费用具有显著影响；在考虑建成环境模型中，除了以上8个因素之外，出发地轨道站点数量、目的地停车场数量和目的地轨道站点数量也影响显著。可以看出，高收入、通勤、高峰小时出行和长时间停车的人群更倾向于选择预约停车；年龄较大、短距离出行和短时间停车的出行者，倾向于不预约；低收入、通勤、长距离出行和长时间停车的出行者倾向于转移到其他停车场；而低收入、短距离出行和长时间停车的出行者，倾向于转移到其他交通方式。出发地和目的地有轨道站点的出行更容易转移到其他交通方式，目的地停车场数量越高，则越容易转移到其他停车场。

Nest-Logit模型评价模型拟合度的常用指标有Estrella值和Mc Fadden法似然数比指数，这2个指标值越接近0，说明模型的拟合度越差；越接近1，说明模型的拟合度越好[17]。对比2个模型的Estrella值和Mc Fadden法似然数比指数发现，考虑建成环境的巢式Logit模型拟合结果略优于不考虑建成环境的模型。表3显示的两个巢式Logit模型的验证结果也表明，在转移到其他停车场和转移到其他交通方式这两个选择肢的预测中，考虑建成环境的模型明显优于不考虑建成环境的模型，而在预约和不预约这两个选择肢的预测中，两个模型的预测结果较为接近。

表3 基于巢式Logit的动态预约收费停车选择模型验证结果

3.3 弹性分析

在估计不同选择的效用模型之后，通过分析和比较每个模型中变量的弹性，以找出每个选择最重要的影响因素。根据定义，弹性显示的是外生变量增加1%时，内生变量变化的百分比。对于离散选择模型，它表示当选择方案效用函数中的连续变量增加1%时，选择概率变化的百分比[16]。

如表4所见，排队时间是弹性最大的因素，排队时间上涨1%，预约停车的概率上涨6.489%，转移到其他停车场的概率上涨4.421%，转移到其他交通方式的概率上涨3.005%，而不预约的概率下降4.320%。随着排队时间的上涨，预约和转移到其他停车场对不预约行为有着明显的替代作用。家庭年收入是影响不预约停车的第二大因素，收入上涨1%，不预约的比例会下降1.756%。预约费用是影响预约和转移到其他交通方式的第二大因素，预约费用上浮1%，预约停车的概率减少4.453%，转移到其他交通方式的概率增加1.649%。目的地停车场数量是影响转移到其他停车场的第二大因素，目的地停车场数量上浮1%，转移到其他停车场的概率增加2.578%。

表4 变量弹性分析

Tab.4 Elasticity analysis of variables

4 结 论

本文以宁波市问卷调查数据为基础，构建了预约、不预约、转移到其他停车场、转移到其他交通方式4种行为选择的巢式Logit模型以研究考虑停车预约动态收费情景下的出行行为选择，对出行者个人属性、出行特性、停车特征和建成环境的相关变量进行了显著性分析和弹性分析，所得结论总结如下：

（1）年龄、家庭年收入、出行目的、出发时刻、出行距离、停车时长、排队时间、预约费用、出发地轨道站点数量、目的地停车场数量和目的地轨道站点数量影响显著。高收入、通勤、高峰小时出行和长时间停车的人群更倾向于选择预约停车；出发地和目的地有轨道站点的出行更容易转移到其他交通方式，而目的地停车场数量越多，则越容易转移到其他停车场。

（2）考虑出发地和目的地建成环境的巢式Logit模型具有更优的模型拟合度。相比于不考虑建成环境的模型，将出发地和目的地的建成环境代入到停车预约动态收费情景下的出行行为选择模型中能够在一定程度上提高出行行为选择预测的精准度。

（3）排队时间、预约费用、目的地停车场数量是对4类选择影响程度最大的因素，在进行动态停车预约费用设计时，需要根据停车场实时排队时间、排队长度以及周边交通设施情况，设计最优定价策略，以达到提高停车场收益、缓解道路拥堵、优化出行结构的效果。

本文的不足之处在于数据样本量偏少，仅考虑出行者个人属性、出行特性、停车特征和建成环境四类因素，缺乏对出行者心理因素的调查和分析，可能会对结果产生误差，后续可增加样本数据量、扩充问卷内容进行分析。

[1] 中华人民共和国国务院新闻办公室. 国新办举行推进城市停车场和电动汽车充电基础设施建设政策吹风会[EB/OL]. http: //www. mohurd. gov. cn/jsbfld/201509/t 20150925_225054. html. 2015-09-25.

[2] ZHENYU M, CHI F, Wenchao D, Lihui h, Dianhai W . Better lucky than rich? Comparative analysis of parking reservation and parking charge [J]. Transport Policy, 2019, 75: 47-56.

[3] MACKOWSKI D, BAI Y, Ouyang Y. Parking space management via dynamic performance-based pricing [J]. Transportation Research Part C: Emerging Technologies, 2015, 59: 66-91.

[4] LIU W., YANG H., YIN Y. Expirable parking reservations for managing morning commute with parking space constraints [J]. Transportation Research Part C: Emerging Technologies 2014, 44 (1): 185-201.

[5] HE F, YIN Y, CHEN Z, et al. Pricing of parking games with atomic players [J]. Transportation Research Part B: Methodological, 2015, 73 (73): 1-12.

[6] QIONG T, LI Y, CHENLAN W, Hai-Jun H. Dynamic pricing for reservation-based parking system: A revenue management method [J]. Transport Policy, 2018, 71: 36-44.

[7] Tsai M T, Chu C P . Evaluating parking reservation policy in urban areas: An environmental perspective [J]. Transportation Research Part D: Transport and Environment, 2012, 17 (2): 145-148.

[8] LEI C, Ouyang Y . Dynamic pricing and reservation for intelligent urban parking management [J]. Transportation Research Part C: Emerging Technologies, 2017, 77: 226-244.

[9] 黄玮琪. 基于预约的停车系统动态定价研究[D]. 广州：华南理工大学, 2018.

[10] HAAN P, UHLENDORFF A. Estimation of multinomial logit models with unobserved heterogeneity using maximum simulated likelihood [J]. Stata Journal, 2006, 6 (2): 229-245.

[11] 陈先龙. 交通方式划分离散选择模型的比较研究[J]. 交通运输工程与信息学报, 2014 (2): 28-35.

[12] 刘志明, 邓卫, 郭唐仪. 基于RP/SP调查的非集计模型在交通方式分担率预测的应用[J]. 交通运输工程与信息学报, 2008, 6 (3): 59-64.

[13] 胡万欣. 市场化条件下城市中心区机动车停车收费定价策略研究[D]. 成都：西南交通大学, 2014.

[14] 方开泰. 正交与均匀试验设计[M]. 北京：科学出版社, 2001.

[15] 陈兰祥, 蒋凤瑛. 应用概率论[M]. 上海：同济大学出版社, 1999.

[16] SUN B, ERMAGUN A, DAN B . Built environmental impacts on commuting mode choice and distance: Evidence from Shanghai [J]. Transportation Research Part D: Transport and Environment, 2017, 52: 441-453.

[17] BROWNSTONE D, SMALL K A . Efficient Estimation of Nested Logit models [J]. Journal of Business & Economic Statistics, 1989, 7 (1): 67-74.

Travel Behavior Choice under the Condition of Dynamic Reservation Parking Pricing

HE Kang-kang，REN Gang

（School of Transportation, Southeast University, Nanjing 210096, China）

Reservation-based parking with dynamic pricing has developed rapidly in recent years, but there is a lack of research on the influencing factors and mechanism of travel choice under dynamic reservation parking pricing. Based on the Ningbo questionnaire data, this paper comprehensively examined the driver’s socioeconomic, travel characteristics, parking characteristics and built environment, and established Nested Logit Model with four kinds of behavior choices: reservation, no reservation, transfer to other parking lots, and transfer to other travel modes. The results show that age, income, travel purpose, departure time, travel distance, parking time, queuing time, reservation charge, number of parking lots in the destination, and whether there is a public rail station have a significant positive impact on the travel behavior option. High income travelers, those who commute, travel during peak hours, and use long-term parking are more inclined to make a reservation for parking. The model results show that the Nested Logit model considering the built environment can improve the accuracy of travel behavior selection prediction to some extent.

parking reservation; dynamic pricing; nested Logit model; travel behavior choice

U491.1；U12

A

10.3969/j.issn.1672-4747.2020.01.007

1672-4747（2020）01-0053-08

2019-05-06

国家自然科学基金面上项目（51578149）

贺康康（1987—），女，东南大学博士生，主要研究方向：交通规划与管理，E-mail：hekangkang@nbut.edu.cn

任刚（1976—），男，东南大学教授、博导，主要研究方向：交通规划与管理、交通系统仿真与优化，E-mail：rengang@seu.edu.cn

贺康康，任刚. 基于动态停车预约收费条件下的出行行为选择研究[J]. 交通运输工程与信息学报，2020，18（1）：53-60.

（责任编辑：刘娉婷）