预测联网和自动化车辆对能源使用的影响

一个静态的两阶段经济模型，第一阶段捕获车辆购买情况，表明购买新车会收紧预算约束，从而推动VMT下降[31,36]。这反过来表明，我们的弹性估计值将向上偏移。另一方面，在动态模型中，前瞻性消费者可能不会根据新车的（计划和预期）费用调整VMT。一般来说，CAV使用的前期成本将取决于CAV生产技术的未来创新以及共享CAV模式的普及。在任何情况下，由于我们通过比较边际成本的变化来估计弹性，这些估计的外部有效性随着CAV使用的前期成本的降低而提高。我们还注意到，我们对成本的衡量包括燃料和时间，但不包括折旧、维护、保险或拥堵。我们之所以忽略折旧、维护和保险成本，是因为缺乏有关这些成本构成的数据，并且对CAV技术沿这些维度传播可能发生的变化几乎没有达成共识。然而，我们注意到，如果预测和保险成本的变化与燃料和时间成本的变化相关，则忽略这些变量的偏差只是一种风险。本文的主要目的是估计总体和收入群体的平均弹性。对于那些受益于更多分类预测的应用程序，机器学习和人工智能方法可能会在精度方面带来显著的提高。

例如，这些方法越来越多地被用于预测家庭层面的电力需求，作为可观察特征的函数【50–52】。Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308在我们的数据中同样无法观察到，在CAV占主导地位的流动性Paradigm中很难预测。每增加一次VMT，都会给其他司机带来我们无法衡量的外部拥堵成本。在CAV渗透率较低的情况下，拥堵成本可以忽略不计，但在较高的水平上，随着出行边际成本的大幅降低，拥堵可能是诱导出行的一个重要检查因素【37】。最后，我们的旅行时间成本指标是根据报告的收入数据估算的。因此，它会受到重大测量误差以及忽略变量偏差的风险的影响。我们将《我们的计算》（ourimputation）视为我们所能做的最好的估计时间花费旅行的机会成本的方法，该方法遵循了经济学和交通运输研究中一系列将机会成本与工资联系起来的文献。测量误差使估计值偏向于零；另一方面，如果驱动力更强的家庭出于收入以外的原因也更看重时间，那么忽略这些计划因素可能会使我们的估计偏离零。正是由于后一个原因，我们在回归中包含了一个很大的控制变量向量。最终，我们对估计的统计精度没有强烈的质疑；相反，我们认为，我们的实践说明了时间成本在当前出行决策中所起的巨大作用，以及在无人驾驶车辆的未来所起的作用。表2显示了我们对VMT价格不同组成部分的全样本需求弹性的估计。

从模型1获得的点估计值意味着燃料价格弹性约为-0.14；也就是说，燃料价格每VMT上涨（下跌）1%与VMT本身下跌（上涨）0.14%相关。该量级完全在现有文献[14,17-20]中提供的范围内，其中包括低至-0.06[18,19]和高至-0.28[20]的估计值。同时，模型2得出的时间成本弹性对应点估计值约为-0.45。虽然这远远大于我们对燃料价格弹性的估计，但如此大的差异与Taiebat等人的研究结果一致。应用能源247（2019）297-308《旅游需求文献》[10,11,13,38]。关于VMT相对于旅行时间成本的弹性，现有的估计很少，而且对其大小也没有一致意见。我们对模型1和模型2的估计容易受到忽略的变量偏差的影响，因为它们都是旅行边际成本的两个关键组成部分之一。事实上，我们的数据是正相关的（皮尔逊相关系数为0.37），这意味着我们对模型1和模型2的估计是向上的。我们的模型3结果证实了这一点：联合估计的燃料和时间价格弹性分别约为-0.10和-0.40，两者都小于各自估计的类似物。总之，我们使用模型1-3的结果表明，现有的旅游需求弹性估计可能会系统性地向上偏移。据我们所知，在弹性的实证测量中，没有研究联合考虑燃料价格和机会时间成本。这主要是由于缺乏关于时间价值的可用数据，这对我们和其他研究人员一样是一个挑战。

虽然我们不知道家庭对时间的真实估价，但人们普遍认为，旅行的机会成本会随着收入的增加而增加。只要VMT的燃料价格在收入上上涨，就像我们的情况一样，忽略一个成本组成部分或另一个成本组成部分将在弹性估计中产生向上的偏差。一个新古典主义经济模型会得出这样的预测：RS1；Rs.事实并非如此，这表明某些行为经济现象可能导致家庭对燃料成本变化的反应不同于对时间成本的美元等价变化的反应。Taiebat等人，《应用能源》247（2019）297-308表2。不同模型的弹性估计结果（主要解释变量）模型1模型2模型3模型4Rs1-0.1408***（0.028）-0.0989***（0.017）Rs7-0.4486***（0.042）-0.4007***（0.048）Rs567-0.3920***（0.049）伪uo0.2270.2610.2720.240因变量为JKL。“#$/。每列报告一个单独的回归。所有回归包括第3.2节中描述的固定效应和控制变量。观察值由家庭样本权重加权。星号表示1（***）、5（***）和10（*）百分比显著级别。与模型3一样，模型4考虑了燃料价格和时间价格；然而，它将需求参数化为仅依赖于两者的（对数）和，而不是分别依赖于两者。利用该模型，我们估计了大约-0.39的综合需求弹性（Rs）。由于模型3中的R和R明显不同，因此没有特别的理由相信R等于R和R之和。相反，这三个参数之间的关系取决于我们特定环境下价格的经验分布。在这种情况下，时间通道支配燃料通道，ASRSI与RS大致相同。

对我们来说，这一比较活动强调了在出行需求预测中使用单独的燃料和时间价格弹性的重要性。我们的综合价格弹性估计值在内部有效，但在燃料和时间相关的相对价格和价格变化不同的情况下，它不太可能在外部有效。我们估计的综合VMT弹性为-0.39，与现有文献中的其他估计值有显著差异。这种差异说明了实证分析在需求响应校准中的重要性。出行需求弹性是CAV出行和能源使用预测的关键输入；在向Taiebat et al.应用能源247（2019）297-308另一个不同的背景应用一种背景下的估计时，必须小心。使用现有的燃料价格弹性估计值（比我们的综合弹性低25-85%[14,17-20]）来预测能源反弹几乎肯定会低估汽车自动化对能源使用的影响。另一方面，使用之前公布的VMT弹性估计值（广义旅行成本比我们高60-400%[4,5]）很可能高估了CAV对能源使用的影响。不仅仅是价格变化的类型（燃料或特定时间）决定了需求响应的大小；家庭财富也很重要。表3显示了对模型3和模型4的修改版本进行估计的结果，这些模型考虑了财富谱中需求响应的差异。面板A包含我们的个别燃料和时间价格弹性，而面板B包含我们的组合价格弹性。图2以图形方式显示了相同的结果。

跨收入组的所有三个参数估计都存在显著的异质性。表3中的A组报告了模型3的结果，该组显示，在总体样本中，各个收入组之间的差距也存在。表3中的B组显示了财富与需求对VMT价格特定组成部分的响应之间的关系，B组报告了模型4的结果。财富的绝对值燃料价格弹性下降到最后一个收入组；相反，绝对价值时间成本弹性在财富中单调上升。这些研究结果表明，富裕家庭在燃料价格变化方面的弹性需求低于贫穷家庭，在时间成本变化方面的弹性需求更大。我们不试图在这里解释这些发现，但我们注意到，在现有的经济学文献中已经发现了需求弹性和财富之间的积极和消极关系【19,39–41】。一方面，较富裕的家庭可能比较贫穷的家庭参与更多的自由支配旅行，因此，他们对VMT的需求可能对价格更具弹性。另一方面，较富裕的家庭通常也比较贫穷的家庭对价格更不敏感，这可能会降低他们的需求弹性。我们使用模型4Taiebat et al.Applied Energy 247（2019）297-308（表3，面板B）得出的结果表明，总体而言，在我们的背景下，较富裕的家庭对VMT的需求相对更具弹性。对于所有四个模型，控制变量估计系数的符号和相对大小与经济直觉以及之前使用类似方法和数据集的研究结果一致【17,18】。表3：。

按收入组划分的弹性估计收入组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面板A：模型3Rs1-0.153***（0.026）-0.131***（0.012）-0.097***（0.019）-0.092***（0.015）-0.109***（0.017）Rs7-0.290***（0.063）-0.403***（0.055）-0.446***（0.049）-0.463***（0.038）-0.474***（0.048）面板B：模型4Rs567-0.256***（0.048）-0.351***（0.052）-0.401***（0.051）-0.444***（0.037）-0.421***（0.042）因变量为JKL。“#$/。这两种回归都包括第3.2节所述的固定效应和控制变量。观察值通过家庭样本权重进行加权。星号表示1（***）、5（***）和10（*）的显著性水平。A组的伪Rof回归为0.272，B组为0.240。图2。关于and（模型3）和Q567（模型4）的估计需求弹性. 聚集的标准错误显示为错误条。标准误差通过MSA进行聚类，观察值通过家庭样本权重进行加权-0.256-0.352-0.401-0.445-0.421-0.600-0.500-0.400-0.300-0.200-0.1000.0001 VMT模型需求弹性模型3燃料成本估算效率时间成本估算效率时间包含成本估算效率（“\\$%”）收入组Taiebat等人，《应用能源》247（2019）297-308我们进行了两组稳健性检查，以评估我们的结果对关键建模决策的敏感性。首先，我们比较了2017年NHTS和2009年NHTS的使用结果，同时尽可能保持相同的定义和参数化。附录表A1显示了我们的调查结果，包括样本范围和收入群体的具体估计。如第7栏所示，2009年所有三个样本范围弹性估计值的绝对值都略大于2017年。

在所有收入群体中，2009年数据和2017年数据中的收入趋势都是一致的，而在2009年数据中，这与收入的关系更为相似。由于基线收入、燃油价格和燃油经济性并非始终不变，因此预计两轮调查的估计值会有所不同。事实上，2009年的显著特征是大衰退的开始。2009年的弹性估计与我们基于2017年的主要估计在质量上相似，这一事实为我们的实证策略和结果提供了佐证。在第二次稳健性检查中，我们测试时间成本的定义如何影响估计结果。我们采用两种不同的旅行时间成本定义：第一，它等于所有旅行每小时工资的100%；第二，它等于所有旅行每小时工资的50%（附录图A2）。我们在附录表A2中报告了结果。机械地说，这些定义中的第一个导致估计时间和组合价格弹性相对于我们的首选估计下降，而第二个导致估计弹性上升。前者的影响比后者更为显著，可能是因为我们的数据中非工作Trip的比例很高，这使得我们的首选估计更接近备选定义2。同时，所有三个弹性参数估计值（未显示燃料价格）的趋势都很稳健。虽然我们的替代定义与我们的首选估计一样依赖于报告的收入，但这种稳健性检查确实意味着我们的定性发现不仅仅是对工作和非工作旅行进行不同定义的产物。2009年原始NHT中的家庭收入分组与2017年NHT中的家庭收入分组并不完全匹配。

我们对2009年数据中的收入群体进行汇总，以尽可能与2017年的数据相匹配。此外，我们还进行了一些稳健性检查，以评估结果对模型规范和参数化的敏感性。所有结果都在我们主要估计的合理范围内。Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308预测CAV的出行和能源影响的一种方法是估计需求对CAV技术可能导致的能效和出行时间成本变化的响应。这种分析的两个主要输入是出行需求弹性和价格变化。对于前者，我们使用第4节中的估计值，对于后者，我们使用基于现有CAV文献的一系列估计值。虽然人们普遍认为，自动化和连通性将在车辆层面实现一系列节油实践，但对相关燃油和时间成本变化幅度的估计很少，而且基本上是推测性的。研究总体表明，与传统车型相比，CAV的能效提高了5%-20%，这主要是由于优化了驾驶循环、生态路线、减少拥堵和改善了车辆的电气化属性[2–5,24,37]。预计与传统汽车相比，CAV的TTC降低的主要原因是注意力需求和驾驶相关压力的降低[5]，由此增加了参与替代车内活动的机会[42,43]，以及旅行速度的提高（通过改善安全和交通流量）[44]。Wadud（2017）比较了之前关于TTC在铁路旅行和汽车旅行中的研究，估计从传统的TOCAV转换将使TTC降低25-60%[26]。

Correia等人（2019）最近的调查结果表明，与传统汽车相比，配备办公室内饰的CAV可以减少26%的旅行时间成本【45】。在文献[4,5,22,30,42,44]中，60%一直被认为是可能的TTR降低的上限，因为车内注意力要求无法完全消除。虽然车辆电气化对净能耗的影响类似于燃油经济性的改善，但它可能对车辆尾气排放以及发电的上游排放产生不同的影响。例如，这些活动包括看电影、睡觉、吃饭、工作、查看电子邮件、浏览网络和社交媒体。一些研究认为，与骑士一起骑行并不能保证提高生产力。恐惧[53]或晕车可能会限制乘客从事其他活动的能力，或提高旅行的无用性[43,54]。短的平均行程时间可能无法为持续的生产力或睡眠提供充足的时间[53]。Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308在我们的预测工作中，我们分别按规则提高燃油经济性（#0\'）和旅行时间成本（v7），其中Lxyfzf{，Fzf |（或5-20%）和Wxyf，Fz}（或0-60%）。利益的直接结果是CAV成本变化引起的旅行需求占CAV前“一切照旧（BAU）”（~；）*+oEURo)*+‘EURf=>).