预测联网和自动化车辆对能源使用的影响

在等式（3）中，$567是总旅行时间，$是良好%的消费时间，$8是花在有薪工作上的时间，$是总可用时间。总收入是8美元的产品和挣到的工资（：/：4；$89：。类似地，$567；<567“\\$和$-；<-”，其中<567和<是两种商品单位消费所需的时间输入。Taiebat等。Applied Energy 247（2019）297-308在平衡状态下，两个预算约束将具有约束力。我们将等式（3）改写为8美元；$=<567“\\$==<-”（4），并将此表达式替换为等式（2），以生成一个预算约束：。012<5679：/“#$2。>2<9：/%；$9：（5）这一单一约束源于这样一个事实，即时间可以通过赌博转换为金钱。换句话说，花费在消费上的时间的机会成本是一个人为了消费而放弃的收入。等式（5）以美元表示时间：<5679：花费在“#$”上的时间的美元价值，<-9：是%的类似价值，9美元：是一个人如果把所有可用的时间都用在工作上就会得到的收入。家庭将其“可实现”的总收入直接用于商品支出，或间接用于消费而非工作。为了导出VMT选择的可估计方程，我们必须指定一个显式效用函数。家庭的真正效用函数是不可知的；因此，我们遵循Linn（2013）[17]——谁来估计乘用车的能量反弹效应——并定义效用如下：？。\"#$,%/;=.\"#$@A/B2C%（6），其中DCEF是一个效用参数，是住户已知但计量经济学家未观察到的车辆质量。因此，效用增加了“#$”和车辆质量。所选的函数形式是一类效用函数的一部分，产生恒定的需求价格弹性，如下所示。

虽然持续需求响应是一种特殊情况，在现实中不太可能成立，但在这里清楚地说明燃料和时间成本如何影响VMT需求是有用的。“#$和%的最佳选择满足一阶条件：GC？CGC”#$=DA。“#$@A/BHI2GC%CGC”#$；F（7）Taiebat et al.Applied Energy 247（2019）297-308使用预算约束（方程式（5）），我们可以将%表示为“#$和参数的函数。将此表达式替换为方程式（7），重新排列项，并采用双方的对数得出：JKL。”#$/；M> >=DJKL=D/2D>=DJKL。A/2>>=DJKL>2<-9：OP=>>=DJKL。Q567/（8），其中我们定义了Q567；01207;012<5679：作为旅行的含时边际成本（或价格）。自CECDEF起，方程（8）意味着“#$随着Q567的升高而降低。该方程的对数形式使得Q567上的系数（HIIHB）可以解释为“#$相对于Q567的弹性的一阶近似值。通过567表示这种弹性，并收集方程（8）的前三项，我们得到：JKL。“#$/；R567JKL.Q567/2STUV<WU<（9）利用VMT、燃油经济性、汽油价格和旅行时间成本的数据，我们可以拟合此方程并估计关键的兴趣参数R567。我们从全国家庭旅行调查（NHTS）[25]中获得VMT价格和数量的数据。这项全国性的代表性调查由联邦高速公路管理局（FHWA）进行以帮助决策者和交通规划师了解出行行为及其随时间的变化。我们的主要来源是2017年的NHTS，但我们也测试了我们的结果是否适用于2009年的NHTS。在这两项调查中，家庭提交一天的旅行日志，其中包括每辆车的VMT和驾驶时间。FHWA然后使用重量调整从这些dailynumbers中估算年度总数。

受访者还报告了每辆车的品牌和型号，以及报告当天的零售汽油价格。除了提供TidingTaiebat等人的《应用能源》247（2019）297-308这些车辆数据外，NHTS还记录了住宅的一些社会经济和人口特征。完整样本包括129696个观察结果；我们的分析样本由114923户家庭组成，关键分析变量的值不缺失。在所有分析中，我们使用NHTS中提供的抽样权重，并等于选择概率的倒数，以使样本具有全国代表性。表1总结了我们用于构建分析的家庭层面NHTS变量。我们将总体和五个特定收入群体的平均值和标准差制成表格。虽然2017年NHTS中的税前家庭收入以11个不同的区间进行报告，但我们遵循Wadud（2017）[26]的方法，将区间划分为五个收入组，家庭数量大致相同。样本年平均VMT为16254英里，从第一个（即最低）收入组单调上升到第五个（最高）；后者的行驶里程是前者的2.5倍多。年度驾驶时间遵循类似的模式，但从第四收入组略微下降到第五收入组。据报道，收入组的汽油价格单调上涨，但从第一收入组到第五收入组的差别仅为每加仑5美分左右。

平均燃油经济性（按每户车辆行驶里程计算）与收入组呈倒U型关系。我们剔除了3.1%的未报告收入家庭和另外8.4%的报告VMT为零、无车辆所有权、1984年之前的车辆模型（未包含在EPA测试数据中）或未知车辆品牌和型号的家庭。没有权重的分析将产生我们感兴趣的参数的内部有效估计，但不会具有全国代表性。Taiebat等人，《应用能源》247（2019）297-308表1。2017年NHTS（非详尽的变量列表）变量的汇总统计数据u。S

平均第一收入组第二收入组第三收入组第四收入组第五收入组收入区间为24999美元25000美元至49999美元50000美元至74999美元75000美元至1249999美元，超过125000美元平均收入+70237美元19447美元40976美元64563美元106173美元180674美元年VMT（英里）162548592141461758058922055（20166）（14447）（17818）（20528）（21879）（22870）年驾驶时间（小时）482.18269.73434.27521.69615.38601.67（496.11）（302.21）（455.73）（537.89）（622.23）（598.75）报告天然气价格（$/加仑）2.3922.37472.3842.39022.40132.4225（0.2066）（0.2018）（0.2026）（0.2061）（0.2076）（0.212）加权平均燃油经济性（MPG）X23.6923.1124.9025.3024.4123.16（10.99）（10.41）（12.21（11.10）（10.95）（13.11）家庭规模（人）2.5142.1462.2732.5322.7762.987（1.380）（1.451）（1.325）（1.363）（1.324）（1.233）成人计数1.9251.6231.8041.9592.1012.215（0.821）（0.843）（0.807）（0.799）（0.767）（0.733）驾驶员计数1.7621.2051.6231.8422.0492.210（0.882）（0.852）（0.790）（0.804）（0.796）（0.783）车辆计数1.9351.1301.7272.0782.3572.545（1.255）（0.970）（1.067）（1.169）（0）1.237）（1.306）城市地区指标（1=城市；0=农村）0.808（0.378）0.834（0.363）0.817（0.385）0.801（0.394）0.818（0.385）0.857（0.348）人口普查地块人口密度（每平方英里人口数）564763145388534052736005（7345）（7816）（6897）（7180）（7084）（7772）人口普查地块住房密度（每平方英里住房数）304233862850280928123452（5465）（5529）（4978）（5115）（5369）（6461）N114923229592579321452600519531括号内报告了标准偏差。

使用NHTS中提供的样本权重对所有观察值进行加权。+收入组内的平均收入根据2016年消费者支出调查计算。XFuel economy源自EPA车辆燃油经济性测试数据【33】。为了得出每个家庭的VMT（美元/英里）燃油价格，我们将其报告的每加仑燃油价格乘以其加权平均燃油经济性：Taiebat et al.Applied Energy 247（2019）297-30801；YCZ“\\$[\\]^I\\U C”\\$[\\\\\\[\\\\[^I（10）其中，UCI是家庭使用的车辆数量，“\\$AA和\\$0”分别是第四辆车的里程数和燃油经济性（英里/加仑），也是汽油价格（美元/加仑）。与2009年NHTS不同，2017年NHTS本身并不报告车辆燃油经济性；因此，我们获得了综合MPG（45%的城市，55%的公路）根据EPA对样本中所有车辆的燃油经济性测试数据【33】。旅行边际成本（）的时间成分，我们称之为旅行时间成本（TTC），在NHTS数据中无法直接观察到，也无法在我们关注的任何其他数据集中观察到。为了解决这一数据问题，我们遵循经济学文献和美国交通部（US DOT）2016年指南，修订了旅行时间值[34]，并将TTC参数化为工资的函数。NHTS只报告每个家庭的年度收入水平；我们通过将2016年消费者支出调查中的家庭平均收入除以2080个工作小时来计算每个家庭的“等效”小时工资。与Chen等人（2016年）一样，我们将所有调查报告的旅行归类为“工作相关”或“非工作”，后者包括购物、家庭/个人差事、学校/教堂访问、社交/娱乐旅行等[35]。

根据美国运输部的指导方针，我们将与工作相关的旅行按小时工资的100%计算，非工作旅行按小时工资的50%计算。最后，我们使用每种出行类型的时间份额作为权重，计算这些出行值的加权平均值：07；CbcdC9e2>fcgd9ehiZ$567Z“#$（11）这里，Cd是用于工作相关旅行的总旅行时间的份额，cgdis是非工作旅行的相应份额，e是估算的小时工资，Z$567是用于所有旅行的总时间。虽然我们的重点是每英里的旅行时间成本，但我们也绘制了每小时的时间成本。尽管众所周知，EPA的燃油效率数据夸大了车辆的燃油经济性，但它是可用的最全面的数据集。在附录中，我们展示了鲁棒性检查的结果，其中我们使用了行程时间成本的替代定义。Taiebat等人，《附录中的应用能源》247（2019）297-308（图A1）。在我们的样本中，每小时旅行的平均时间成本为19.56美元/小时，与美国运输部建议的旅行时间值（18美元/小时）相当[34]。图1显示了按收入组划分的燃料、时间和总边际成本。VMT（Q567）的总边际成本随着收入组的增加而急剧单调上升，时间成本部分也是如此（）。燃料成分（）与收入组呈浅U型关系。时间成本通常占燃料成本的主导地位，这与之前强调旅行时间成本相对重要性的研究一致【7,26,29】。在我们的样本中，收入组的时间成本和每英里总成本的增长速度都快于线性增长。事实上，高收入群体的旅行时间成本是低收入群体的近7倍，是总旅行边际成本的3倍以上。图1：。按收入组划分的每个收入组平均家庭的每辆车行驶英里的边际价格（VMT）。

方程式10和11用于推导每英里行驶的燃油成本和时间成本。这是将时间成本定义为与收入成比例的结果，也是收入中值和我们选择的收入分组之间的非线性关系的结果。0.00 0.20 0.40 0.60 0.80 1.00 1.2012345美元/mileIncome组家庭时间成本燃料成本的VMT边际价格（“#$%”）Taiebat et al.Applied Energy 247（2019）297-308利用上述数据，我们拟合方程（9）的各种规格，以估计VMT的需求价格弹性。我们选择四个密切相关的计量模型：模型1:JKL。“#$]/；jk2jIJKLN01，]O2clm]2n]（12）型号2：JKL。“#$]/；jk2joJKLN07，]O2clm]2n]（13）型号3：JKL。”#$]/；jk2jIJKLN01，]O2joJKLN07，]O2clm]2n]（14）型号4：JKL。“#$]/；jk2jpJKLNQ567，]O2clm]2n]（15）认购人为一个家庭编制指数。”#$q、 01、]、07、]和Q567、]如第2节所述。lm]是直接从NHTS获取的家庭特征向量。该向量的一个子集涉及家庭成员，包括家庭规模、成年人和司机数量、受访者种族指标和家庭年龄分布指标。第二个子集包含社会经济指标，包括收入群体和住房拥有率指标以及家庭车辆数量。第三个涉及位置，包括人口普查区块组人口密度和住房密度、城市（相对于农村）地区和大都会统计区（MSA）指标、MSA规模以及人口普查司定义的类别变量值指标，无论MSA的人口是否超过100万，以及MSA是否有地铁系统。第四个（也是最后一个）子部分包括调查月份和调查周的指标。

我们选择这些控制变量以尽可能接近Linn（2013）和Su（2012）[17,18]。最后，NQI是一个错误术语，用于捕捉未观察到的VMT驱动因素的影响。我们使用NHTS提供的抽样权重，通过广义最小二乘回归估计每个模型。我们根据MSA对标准错误进行聚类，以考虑每个MSA中单个错误的相关性。log-log函数形式有三个优点：它直接受我们在第2节中的模型驱动；它给出了JKLNQ567的系数，其他家庭年龄分布指标的解释包括，例如，“两个或两个以上的成年人，最小的孩子16-21”。Taiebat等人，《应用能源》247（2019）297-308《VMT需求的价格弹性》；而且，在我们特定的经验背景下，它产生了正态分布的模型残差，这意味着异方差是最不受关注的。模型1规定VMT仅是VMT价格的燃料成分的函数（即，不是相应的时间成分）。该规范在能源效率反弹的经济学文献中是典型的，并得出了关于VMT燃料价格的VMT弹性估计值（jrI；Rs）。然而，如果价格中省略的时间成分与包含的燃料成分相关，则容易受到忽略的变量偏差的影响。模型2是模型1的时间成本模拟；就VMT的时间成本（jro；Rs）而言，它产生了VMT弹性，并且具有相同的忽略变量偏差的风险。模型3和4通过将燃料成本和时间成本作为解释变量来缓解这一风险。模型3允许联合测试燃油价格和时间成本弹性，RsandRs。

该模型的参数估计值可与模型1和2的参数估计值进行比较，以量化后者的偏差。模型4是VMT的规范，它直接而准确地遵循了我们在第2节中选择VMT的经济模型。拟合该模型可以估计出VMT的平均综合、燃料和时间价格弹性，Rs。该综合弹性与TorsandRs相关，但不一定是两者的线性函数。IfRs1tRs，则本质上取决于和中变化的相对大小。在按相同比例变化的特殊情况下，Rs567；Rs12Rs；但在成本变化比例不相等的一般情况下，Rs可能大于或小于Rs之和。收入在决定出行行为和交通公平方面起着特别重要的作用。正如我们的理论模型所示，VMT需求通过收入预算约束（即可用于支付VMT的资金）和时间预算约束（即时间机会成本，取决于工资）受到收入的影响。因此，我们将模型1-4按收入组进行了估算，并将价格变量Staiebat et al.Applied Energy 247（2019）297-308与收入组指标相互作用。在所有情况下，我们都忽略了价格与lowestincome组指标的相互作用，因此（未分割）价格水平上的点估计可以解释为对应于该底部组的弹性。我们的理论模型和实证策略非常适合利用家庭层面的驱动数据来估计需求弹性，但它们从驱动决策的几个定性重要方面抽象出来。首先，我们不对车辆采购的资本决策建模。