自动驾驶和居住位置偏好：来自

实施和数据收集声明选择调查使用Qualtrics软件平台实施，并于2017年7月分发给澳大利亚消费者小组。目标人群是澳大利亚悉尼大都会区的普通成年人口，但鉴于研究目标，对研究参与者施加了几个纳入标准：首先，受访者必须就业或学习；其次，受访者每周至少要通勤三次；第三，受访者必须租房，而当前的住房成本是为了增加样本的社会经济多样性。尽管做出了这些努力，但鉴于采用的招聘方法，无法保证样本相对于悉尼大都会普通成年人口的代表性。澳大利亚统计局，2019年）。3.2. 建模方法为了分析所述选择数据，我们开发了一个混合多项式logit（M-MNL）模型（Train，2009），该模型适应了未观察到的口味变化（McFadden和Train，2000）和灵活的替代模式（Brownstone和Train，1999）。模型建立如下：假设决策者是效用最大化者。在精选场景中∈ {，…Tn}，决策者n∈ {1，…N}从交替j导出效用un，t，j=V（Xn，t，j，βN）+εN，t，j（1）∈ Cn，t.HereV（）表示代表效用，Xn，t，jis是变量的行向量，βnis是味觉参数的集合，εn，t，jis是随机干扰。假设εn，t，j~ Gumbel（0,1）得出了多项式logit模型，因此决策者n选择备选方案j的概率∈ Cn，tin情景t由p（yn，t=j | Xn，t，βn）=exp给出V（Xn，t，j，βn）Pj公司∈Cn、texpV（Xn，t，j，βn）, （2） 式中，t∈ Cn，t选择观察到的选项。

选择概率可以在选项场景上迭代，以获得观察决策者选择序列的概率yn:P（yn | Xn，βn）=TnYt=1P（yn，t=j | Xn，t，βn）。（3） 假设βnare是由参数θ描述的分布D实现的，即βn~ D（θ），n=1，N、 式中，fDenotes为d的密度。解释决策者的品味决策者选择序列的可能性：P（yn | Xn，θ）=ZP（yn | Xn，βn）f（βn |θ）dβn（4）M-MNL模型的函数：L（y | X，θ）=NYn=1P（yn | Xn，θ）。（5） 目前的应用要求我们认识到，我们分析中考虑的因变量是一个选择，即住房选择和通勤出行选择的组合。换句话说，每个是一个元组（k，l），其中k∈ {，}索引两个未标记的住房选项，其中∈ {，，}对常规汽车、自驾汽车和公共交通三种交通方式进行了指数化。然后指定每个元组j=（k，l）的效用函数为，t，（k，l）=Xn，t，kβH，n+Xn，t，lβM，n+ηn，l+εn，t，（k，l）（6），其中β被划分为随机味道参数βH，n与住房选项的属性相关，随机味道参数βM，n与出行选项的属性相关。在βn中，rβnψrof一个辅助正态随机参数αn，r（见Train和Sonnier，2005），即βn，r=ψr（αn，r）for n=1，Nandr=1，R、 其中αn~ N（u，∑）对于N=1，N、 ψrβ1的函数形式：N、r分布味觉和指数化导致对数正态分布味觉。此外，ηn，极大误差分量，通过在运输模式的三个巢穴ηn，l内诱导替代品效用的相关性，允许灵活的替代模式~ N（0，τηl），N=1，N、 l=1，3，其中τηl，l=1，3是标度参数。

由于我们依赖面板数据进行模型估计，因此识别了所有异方差误差分量的尺度参数（见Walkeret al.，2007）。对于模型估计，我们采用最大模拟似然法（例如Train，2009），我们通过编写自己的MATLAB代码来实现。使用10244模拟选择概率。结果4.1。样本描述经济特征如表2所示。由于每位受访者完成了八项选择任务，共观察到4096个案例。27.2%的病例选择了出行选择自驾汽车；在35.4%和37.3%的案例中，分别选择了常规汽车和公共交通。

56.6%的被调查者选择了出行方式，在选定属性和备选方案的选定和未选定备选方案中选择了自驾游。附录中的表7和表8中报告了收集的所述选择数据的其他描述性统计数据。特征值样本分布社会人口特征[18-29岁、30-49岁、50-64岁、65岁或以上][17.2%、53.3%、24.6%、3.7%]性别[女性、男性、其他][47.1%、52.5%、0.4%]每周家庭收入[澳元]2499，2500人或以上][14.9%，28.8%，31.2%，25.2%]最高学历[大专或以下，学士学位或以上][43.4%，56.6%]家庭中有儿童[是，否][33.8%，66.2%]流动性属性持有驾驶执照[是，否][91.4%，8.6%]共享服务用户[是，否][58.4%，41.6%]住房安排类型[出租，抵押拥有][44.9%，55.1%]住房成本[澳元][299或以下，300-429，430-599，600或以上][25.0%，25.0%，25.0%，25.0%，25.0%]住宅类型[独立住宅，联排别墅，单元][45.9%，15.0%，39.1%]家庭布局[工作室，1-2间卧室，3间卧室，4间卧室，5间卧室或以上][8.4%，13.6%，27.1%，27.5%，23.3%]邻里类型[市中心，内郊，远郊，农村][14.6%，42.2%，41.2%，2.0%]通勤干道E模式[作为司机的汽车、作为乘客的汽车、公共交通、自行车、步行][55.1%、3.7%、35.0%、1.4%、4.9%]持续时间（单程）[分钟][19或更少，20-29，30-49，50-150][25.0%，25.0%，25.0%，25.0%]表2：受访者特征总结统计（N=512）相关。条件和事件频率。即使选择自动驾驶汽车作为通勤的机动选项。尽管有一个快速旅行选项可用于相同的住房选项，但自动驾驶汽车的选择频率是多少？0.41 1116. . .

即使对于相同的住房选项，传统汽车速度更快，自动驾驶汽车的选择频率是多少？0.26 1116. . . 尽管公共交通对于相同的住房选择速度更快，但自动驾驶汽车的选择频率是多少？0.26 1116如果选择自动驾驶汽车作为通勤的出行选择。尽管同一住房选项的免费旅行选项较少，但自动驾驶汽车的选择频率是多少？0.39 1116. . . 尽管对于相同的住房选择，传统汽车的价格较低，但自动驾驶汽车的选择频率是多少？0.27 1116. . . 尽管公共交通对于相同的住房选择成本较低，但自动驾驶汽车的选择频率是多少？0.26 1116如果选择传统汽车作为通勤的出行选择。传统汽车与低保住房选择相结合的频率有多高？0.41 1452选择自动驾驶汽车作为通勤的出行选择。自动驾驶汽车与低养老金住房选择相结合的频率有多高？0.36 1116考虑到公共交通作为通勤交通的出行选择。公共交通与较便宜的住房选择相结合的频率有多高？0.43 1528表3：观察选项说明4.2。最终型号规格最终型号规格是广泛规格搜索的产物。在最终模型规范中，为了节省成本，为了更好地解释，对某些属性的敏感性被视为固定参数。特别是，对成本的敏感性被视为固定参数，以便于推导支付意愿分配。

为确保成本敏感性为严格负，并确保确定支付意愿分配参数的标准误差，在进入效用函数之前，将相应的味觉参数指数化并乘以负一（Carson和Czajkowski，2018）。我们也允许收入增加，以便对住房成本的敏感性成为家庭每周收入的函数。所有随机味觉参数均服从正态分布，但对连续旅行条件的敏感性除外。为了确保对拥挤出行条件的敏感性是严格负性的，假设与属性负相关的味觉参数遵循所述选择实验附带的问卷调查，收入信息使用十二种income进行调查。最高回答类别（“4000澳元/周或更高”）的顶部编码为1.3·4000澳元/周=5200澳元/周。个人可能对每日通勤的出行时间表现出正估值和负估值，因此不会限制对各自异质性分布的支持。我们还探讨了几个模型规范，其中对多元正态混合分布的协方差矩阵∑施加了不同的限制。为了节省开支和旅行时间。最后，我们注意到，最终车型规格包括旅行选项的截距，其中传统汽车选项被视为参考。我们通过将其参数化为其他固定参数和受访者的社会人口特征的函数，考虑到特定模式截取中的系统异质性。4.3.

整体模型评估：为了量化适应灵活替代模式和未观察到的口味变化的益处，标准条件多项式logit模型，既不适应灵活替代模式，也不适应未观察到的口味变化。第二个模型（EC-MNL）是一个错误成分多元logit模型，它允许灵活的替代模式，如第3.2节所述。第三个模型（M-MNL I）是一个混合多项式logit模型，它还解释了未观察到的味道变化，通过允许与旅行时间相关的随机味道参数之间的相关性，多元正态分布协方差矩阵的非对角元素。表4提供了估计模型的比较。可以看出，模型M-MNL II产生的ρ最高，表明M-MNL II是所有考虑的模型中最好的；似然比检验表明，M-MNLII在统计上显著优于每种竞争模型。C-MNL EC-MNL M-MNL I M-MNL IINo。参数29 34 40 43对数似然-6546.38-5382.93-5300.72-5246.34ρ0.09 0.25 0.26 0.27BIC 13317.34 11015.39 10900.88 10817.07似然比检验w.r.t.M-MNL IIχ2600.08 273.18 108.76d f 12 9 3p<0.001<0.001<0.001注：零对数似然为-.3、BIC按Ln（N T）P计算-表4：模型比较无统计学意义。为了节约成本，最终模型规格包括对旅行时间的一般但随机敏感性。4.4.

估计结果在所有模型中，对住房和出行选项属性的平均敏感性在统计上与零有显著差异，并具有预期的迹象。为了简洁起见，我们接下来的讨论和分析侧重于性能最佳的M-MNL II型。与属性“额外房间数”和“独立房屋与其他住宅类型”相关的口味参数会受到大量随机口味变化的影响，如各正态异质性分布的尺度参数估计所示。然而，大多数受访者要么不注意所讨论的属性，要么宁愿住在较小的住宅中。同样，大多数受访者更喜欢住在单独的房子里，而不是住在城镇的房子或单元里。我们还观察到，受访者通常更喜欢居住在以独栋住宅为主的住宅区，以及使用年限小于15年的住宅开发区。此外，受访者通常喜欢住在离当地服务设施很近的地方。通勤的出行选择。当旅行时间以货币单位表示时，对旅行时间的敏感性最好进行解释（见第4.5节）；尽管如此，我们在这一点上进行了以下观察：通过不同的出行方案对各自正态异质性分布的平均参数出行时间进行估计。可以进一步看出，大多数估计值都与拥挤的出行条件相反，而对各自属性的敏感性则受到可考虑的随机味觉变化的影响。受访者社会人口特征的线性函数，其中交通模式传统汽车被视为参考选项。

在受过高等教育的受访者和按需交通服务的当前用户中，自主驾驶的感知益处相对更大。可以看出，所有尺度参数的估计值都与零显著不同。总的来说，估计结果证实了假设的筑巢结构和替代模式。此外，可以看出，自主驾驶偏好仍然受到大量未观察到的偏好异质性的影响，尽管偏好的系统性差异是通过将各自的特定模式截距参数化为决策者的社会人口属性的函数来系统控制的。我们再次重申，与住房成本相关的品味参数以指数形式进入效用函数，以便于计算支付意愿衡量标准误差（见Carson和Czajkowski，2018）。根据传统的公用事业规范，估计的成本敏感性为负，与零有显著差异。4.5. 时间价值时间价值（VOT），即旅行时间和成本的边际替代率，是交通规划中的一个核心数量（Small，2012）。在目前的应用中，传统汽车、自驾汽车和公共交通上下班的VOT可以根据住房或travelVOT分布来定义，这也是正常的。表6列举了M-MNL I和II型VOT分布参数的点估计和置信区间。接下来，我们将更详细地讨论M-MNL II模型的结果。在19.0澳元/小时至25.3澳元/小时的范围内：普通汽车换乘的平均VOT最大（25.3澳元/小时），其次是自动驾驶汽车（24.0澳元/小时），公共交通换乘的平均VOT最小（19.0澳元/小时）。

然而，点估计值的差异在统计上并不显著，因为估计值的置信区间重叠。车内时间节约似乎是合理的：根据2008年在澳大利亚布里斯班收集的规定偏好数据，Hensher et al.（2011）建议传统汽车出行的通勤时间节约平均值为17.60澳元/小时。Ho和Mulley（2013）利用2007/08、2008/09和2009/10年悉尼家庭出行调查的数据，估计车内交通的价值，平日旅行的等待和步行时间分别为6.81澳元/小时、11.28澳元/小时和14.68澳元/小时（以2008年澳元计）。根据2014年悉尼收集的规定偏好数据，Ho等人（2016年）确定了由另一名乘客陪同的汽车驾驶员工作旅行的平均VOT为13.65澳元/小时，无人陪同的汽车驾驶员为8.30澳元/小时。澳大利亚政府的成本效益分析指南建议，普通汽车的旅行时间私人旅行应为14.99澳元/小时，商务旅行应为48.63澳元/小时；而公交车乘客的出行时间应为14.99澳元/小时（交通和基础设施委员会，2018年）。住房成本条款。回顾一下，对住房成本的敏感性在十年制和家庭收入方面存在系统性差异。由于成本属性的成本高于收入规定，因此对住房成本的敏感性由适当固定成本参数估计值与家庭收入的比率给出。在表6中，我们报告了业主和租客平均收入水平下通勤旅行时间值的平均值和标准差。这一点估计表明，平均而言，业主比租客更看重通勤旅行时间的节约。然而，与零相比，在统计上没有显著差异。第三，我们比较了VOT在旅行和住房成本方面的估计。