区分可靠性后，移动随需应变服务能否做得更好

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Can Mobility-on-Demand services do better after discerning reliability
  preferences of riders?》
---
作者：
Prateek Bansal, Yang Liu, Ricardo Daziano, Samitha Samaranayake
---
最新提交年份：
2019
---
英文摘要：
  We formalize one aspect of reliability in the context of Mobility-on-Demand (MoD) systems by acknowledging the uncertainty in the pick-up time of these services. This study answers two key questions: i) how the difference between the stated and actual pick-up times affect the propensity of a passenger to choose an MoD service? ii) how an MoD service provider can leverage this information to increase its ridership? We conduct a discrete choice experiment in New York to answer the former question and adopt a micro-simulation-based optimization method to answer the latter question. In our experiments, the ridership of an MoD service could be increased by up to 10\\% via displaying the predicted wait time strategically.
---
中文摘要：
我们通过承认这些服务提取时间的不确定性，正式确定了按需移动（MoD）系统中可靠性的一个方面。这项研究回答了两个关键问题：i）规定和实际接送时间之间的差异如何影响乘客选择MoD服务的倾向？ii）国防部服务提供商如何利用这些信息来增加其乘客量？我们在纽约进行了离散选择实验来回答前一个问题，并采用基于微观模拟的优化方法来回答后一个问题。在我们的实验中，通过战略性地显示预测的等待时间，MoD服务的乘客量可以增加10%。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Can_Mobility-on-Demand_services_do_better_after_discerning_reliability_preferenc.pdf (347.39 KB)

2022-6-14 12:35:01 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：可靠性 Optimization Contribution Quantitative reliability

在识别出乘客的可靠性偏好后，按需移动服务能否做得更好？Prateek Bansala、Yang Liua、Ricardo Daziano和Samitha SamaranayakeCornell University，Ithaca，USA*通讯作者电子邮件：pb422@cornell.eduaThese作者对这项工作作出了同样的贡献。摘要我们通过确认这些服务的提取时间的不确定性，将按需移动（Mobility on Demand，MoD）系统中可靠性的一个方面形式化。这项研究回答了两个关键问题：i）所述和实际点击次数之间的差异如何影响用户选择MoD服务的倾向？ii）国防部服务提供商如何利用这些信息来增加其乘客量？我们在纽约进行了一项离散选择实验来回答前一个问题，并采用基于微观模拟的优化方法来回答后一个问题。在我们的实验中，通过战略性地显示预测的等待时间，MoD服务的乘客人数最多可以增加10%。关键词：离散选择实验；可靠性按需移动；优化。1导言按需移动服务（MoD）的使用（也称为ridehailing、ridesourcing和运输网络公司或跨国公司）正在快速增长；2017年，国防部服务为26.1亿乘客提供了服务，比2016年增长了37%[1]。然而，这些新兴服务业对交通生态系统的系统性影响尚不清楚。一方面，这些服务为乘客提供了更多的出行选择，并有可能减少汽车保有量和污染。另一方面，这些积极影响可能是由于公交份额的潜在减少、便利性增加导致的出行需求增加以及车辆行驶里程的增加（导致交通拥堵加剧）。

例如，对美国七个城市的调查结果表明，49%-61%的MoD SERVIEDTRIPS根本不会进行，或者会通过公交/步行进行。为了评估上述MoD服务的系统级影响，了解影响乘客对这些服务偏好的因素至关重要。为此，一些状态偏好（SP）研究探索了导致使用MoD服务而非现有出行模式的因素。就社会人口特征而言，先前的研究表明，居住在大都市地区的年轻人和受过高等教育的人更有可能早期接受这些服务。为了了解服务水平对模式选择的影响，一些研究考虑了传统的替代性具体属性，如车内出行时间、出行成本、步行时间和等待时间【4、5、6】。国防部服务的可靠性可以说是一个重要属性，但在文献中很少受到关注。MoD客户在接送等待时间和接送后到达目的地的旅行时间方面都存在不确定性。虽然已经在车辆路线的背景下研究了快速道路网络的行程时间可靠性【7、8、9】，但本研究的重点是等待时间可靠性。当乘客使用TNC移动应用程序计划行程时，将立即显示总成本和预计到达时间。如果请求TRIP，则在车辆分配后会提供更多确定的等待时间信息。

在这一点上，乘客仍然可以在接下来的几分钟内免费取消行程。乘客接受或取消行程的决定通常取决于显示的等待时间和他们对可靠性的感知，这表明在之前的行程中，显示的取车时间与实际取车时间之间存在差异。跨国公司可以访问网络上旅行时间时空分布的丰富历史数据，了解指定车辆到达取车点的时间分布，并有机会通过战略性地显示等待时间来提高旅行接受率。然而，对于给定的乘客来说，要找到这样一个非最佳值并不容易。更具体地说，如果服务提供商显示的等待时间分布百分比较低，则由于快速取车，乘客可能会在当前行程中使用该服务；然而，实际提取可能会延迟，因此，由于预测不可靠，乘客将来再次选择服务的可能性可能会降低。相反，如果显示高百分比的等待时间分布，则MoDservice将被视为一种可靠的模式（因为车辆可能会准时接送乘客），但更高比例的乘客可能会因为等待时间过长而取消行程。本研究旨在回答以下问题：“MoD服务提供商如何通过战略性地向用户显示等待时间信息来最大限度地提高长期骑乘接受率？”据我们所知，这是第一项研究，旨在探讨显示的取车时间信息对乘客使用或不使用MoD服务偏好的影响，并探讨优化显示的取车时间的策略。我们采取双管齐下的方法。

首先，我们在纽约市进行陈述偏好实验，并估计选择模型，以得出乘客在选择接受或拒绝MoD服务时，如何评估预测等待时间的可靠性。为了量化乘客对可靠性的感知，分析员需要记录乘客在多次连续MoD行程中的体验。为了避免在这种动态实验环境中出现疲劳，我们进行了一次横截面选择实验，并使用平均拾取延迟作为可靠性的代表。其次，我们将选择模型估计值集成到微观模拟器中，以说明MoD服务提供商如何通过战略性地选择要显示给用户的等待时间分布的百分比来优化其接受率。论文的其余部分组织如下：第2节总结了SP研究的细节，并提供了来自估计选择模型的关键见解；第3节提出了一个优化显示信息的微观模拟框架，并讨论了案例研究的结果；结论和未来研究途径在第4.2节可靠性感知中进行了简要讨论。为了了解纽约人的出行方式偏好，我们在2017年进行了两次SP调查。第一次调查（N=978）包含一个离散选择实验（DCE），该实验评估了MoD服务的等待时间和可靠性对乘客使用它们的可能性的影响。在DCE中，受访者被要求从两种服务中选择一种MoD服务——服务1是一种假设的、完全可靠的服务，总是在显示的接送时间准确接送乘客，而服务2是一种常规的MoD服务，可能会迟到。在两种选择情况下，每个受访者根据显示的等待时间和这些服务的平均取车延迟做出选择。

该实验旨在确保MoD服务属性之间的合理权衡。最终设计有24个场景。属性级别和选择情况示例如表1所示。表1：离散选择实验（设计和示例）属性级别显示等待时间平均取车延迟服务1{5,10,15,20,25}分钟0分钟服务2{3,5,8,10,13,15,20}分钟{3,5,8,10,13}分钟选择情况示例显示等待时间平均取车延迟服务1 10分钟0分钟服务2 8分钟5分钟注：两种服务在旅行方面是等效的时间和成本。表2：二元logit估计（可靠性实验）估计t-valueservice 2：（截距）-1.55-15.60log（显示等待时间（分钟））-3.88-15.98exp（平均提取延迟/显示等待时间）-0.78-15.10Loglikelion-2343.6Bayesian信息准则4709.9McFadden R平方0.063样本大小（选择情况）978（1956）我们估计了具有各种线性和非线性（例如，多项式和对数变换）链接函数，并选择具有最低贝叶斯信息标准的函数（结果见表2）。由于parameterestimates无法直接解释，我们绘制了在不同等待时间百分比下使用常规MoDservice的预测概率（图1）。创建这些图所需的假设和计算如下所示。我们假设常规MoD服务的等待时间遵循平均值为1.5分钟的正态分布，其自然对数的标准偏差σ为{0.4、0.7、1.0}分钟。我们使用R计算常规MoD服务在等待时间分布的百分之十五的平均提取延迟∞dwf（w）·（w）- dw）dw，其中f（w）是等待时间w的概率密度函数，dw是显示的等待时间。

请注意，可靠服务的平均拾取延迟为零。可靠服务的等待时间在图1中设置为2.7分钟，这是常规MoD服务等待时间分布中的平均值（1.5分钟）加上一个标准偏差，假设σ=0.7。结果表明，最佳等待时间百分比（对应于最高选择概率的一个百分比）随σ的增加而增加。该趋势显示了所显示的等待时间和取车延迟之间的权衡——在等待时间不确定度较高的情况下，更高的百分比是有利的，因为它可以降低延迟的风险。如前所述，乘客对可靠性的感知可以通过记录多次连续行程中经历的接送延误来量化。虽然设计一个实验来模拟这种情况仍然是一个悬而未决的问题，但我们在另一个横断面SP研究中包括了一部分这样的实验（N=1512）。我们得出最近一次行程中的取车延迟是如何在分布的平均值根据【10】中使用纽约市出租车历史数据的模拟进行设置的。图1：选择常规MoDservice的预测概率。影响了纽约人在未来的旅行中选择“好的”服务的倾向。在本次调查中，受访者被赋予了一个假设的场景，即他们在高显示等待时间（超过12分钟）时选择MoD服务，而指定的车辆实际上会延迟。受访者显示的等待时间和实际接送延迟分别在[12、24]和[10、15]分钟的范围内变化。在这些情况下，58.4%的受访者表示他们倾向于在未来转向其他MOD服务。

我们估计了一个二进制选择模型，以更好地理解切换偏好，结果（表3中的模型1）表明，随着提取延迟百分比（提取延迟/显示等待时间）的增加，这种倾向增加。我们收集了一些态度见解。约20.8%的受访者认为，MoDservice提供商和司机都应对此类接送延误负责。然而，与MoD服务相比，更高比例的服务用户可能会让司机对此次延误负责（8.7%对1.7%）。这一统计数据表明，设计一系列实验可以更好地反映现实情况，因为与实验1中捕获的等待时间相比，MoD服务实际上有更多的机会优化显示的等待时间–MoD服务在这8.7%的情况下可以自由延迟，而不会影响公司的声誉。我们进一步估计了有序logit模型（表3中的模型2和3），以了解此类认知与MoD用户的社会人口特征之间的关联。参数估计表明，学士学位持有者和高收入乘客在同等条件下，更有可能对驾驶员和MoD服务造成延误。表3：乘客在取车延迟情况下的感知模型1：切换到其他MoD服务（二元逻辑回归）估计t值（截距）0.43 5.65log（百分比差异）0.31 1.63零对数可能性-1026.6模型对数可能性-1025.3模型2：驾驶负责（有序逻辑回归）估计t值百分比差异-0.73-3.03log（家庭年收入）-0.19-3.07log（年龄）0.92 5.96学士学位指标-0.33-3.03cuto ffs估计标准。

erroryes |可能为0.38 0.77可能为| no 2.63 0.78零对数似然-1422.8模型对数似然-1391.9模型3：MoD Service is responsible（ordered logistic回归）估计t值百分比差异-0.44-1.95log（家庭年收入）-0.12-2.14学士学位指标-0.27-2.64男性指标-0.21-2.07cuto ff s估计标准。erroryes |可能为-2.88 0.66可能为| no-0.88 0.65Null对数似然-1610.1模型对数似然-1596.9样本量1512百分比差异=实际取车延迟/显示的等待时间如果显示的等待时间很长（超过12分钟），还要求受访者报告取车延迟容忍度，以便他们不会责怪任何利益相关者。结果表明，62.5%的乘客的接送延误容忍度低于5分钟，这意味着如果显示的等待时间高于12分钟，国防部服务部门和司机需要确保准时，以在乘客中保持良好声誉。3供给侧优化我们使用纽约曼哈顿的出租车需求数据进行了数值实验，以说明如何使用FirstSurvey的可靠性偏好估计来优化MoD服务的乘客量。与表2中的模式选择模型一致，假设出租车需求由两项服务来满足，一项是始终按时接送乘客的虚拟可靠服务，另一项是需要优化显示等待时间的常规MoD服务，以最大限度地提高其行程接受率。我们假设曼哈顿交通网络中任意两个地点之间的旅行时间（4092个节点和9453条边）遵循对数正态分布【9】。

常规MoD服务所服务乘客的等待时间是指定车辆位置和乘客起点之间路径边缘的旅行时间之和。这在实践中是合理的，因为MoD服务提供商可以访问历史数据，从而可以获得每位乘客等待时间的经验分布。在某些情况下，如果没有此类信息，提供商将需要估计分布情况。我们使用【11】中给出的方法计算边缘行程时间的每日平均值，并使用它计算每个行程请求的等待时间分布的平均值。标准偏差σ从agiven范围内随机抽样，详情见下文。根据接送车辆在网络上的位置，我们可以在上述假设下获得特定乘客的等待时间分布。因此，可以通过列举所有候选等待时间百分位数，然后使用第2节中的估计选择模型计算选择常规MoD服务的概率，以枚举等待时间的实现，从而优化为乘客显示的等待时间。常规MoD服务的出行接受率是每位乘客选择服务的平均概率，但该概率取决于出行请求时指定车辆的位置。然而，在模拟中，车辆位置取决于复杂的供需动态。为了解决这一问题，我们将目标修改为选择常规MoD服务的预期概率，其中预期是指车辆在始发节点（此后为O节点）接送乘客所用路径的平均旅行时间。根据我们之前的假设，该平均行程时间与平均等待时间相同。具体而言，我们采用两步策略来计算上述预期概率。