一种用于网约车需求估计的数据融合方法：带抽样与内生性修正的离散选择模型

由 Uber 和滴滴等公司提供的网约车服务在过去十年中快速增长。理解这些服务的需求对于规划和管理现代交通系统至关重要。由于数据可用性有限，现有研究在聚合层面上建立网约车需求估计的统计模型。这些模型缺乏微观经济理论基础，忽略了网约车与其他出行方式之间的竞争，并且无法无缝集成到现有的个体层面（非聚合）基于活动的模型中，以评估网约车服务的系统级影响。在本文中，我们提出并应用了一种利用离散选择模型和多源数据在离散个体层面估计网约车需求的方法。我们首先通过用公开可用的网约车和出租车行程记录丰富家庭出行调查，在美国芝加哥构建了一个基于行程的出行方式选择样本。然后，我们构建了一个基于多元极值离散选择并带有抽样和内生性修正的模型，以考虑从多源数据构建估计样本以及网约车系统中供给侧约束和动态加价机制引起的内生性偏差。我们对所构建数据集的分析揭示了各种社会经济、土地利用和建成环境特征对网约车需求的影响。我们还推导了网约车需求相对于出行成本和时间的弹性。最后，我们展示了所开发的模型如何用于量化网约车政策和规制（如终止某些类型的服务以及引入网约车税）的福利影响。