网约车行程中的拼车行为：一种机器学习推断方法
机器学习
2022-02-23 v1 计算机与社会
计量经济学
摘要
网约车正在迅速改变城市和个人交通。拼车或合乘对于缓解网约车负外部性（如拥堵加剧和环境影响）十分重要。然而，关于网约车中行程层面拼车行为受何种因素影响的实证证据仍然缺乏。利用2019年芝加哥所有网约车行程的新颖数据集，我们表明乘客请求拼车的意愿在全年从27.0%单调下降至12.8%，而行程量和里程在统计上保持不变。我们发现拼车偏好的下降是由于拼车行程每英里成本的增加以及较短行程转向单独乘车。使用集成机器学习模型，我们发现出行阻抗变量（行程成本、距离和时长）在决定行程是否被请求拼车以及是否成功拼车时，分别贡献了95%和91%的预测能力。在存在这些出行阻抗变量的情况下，空间和时间属性、社会人口、建成环境和公交供给变量在行程层面不具备预测能力。这意味着价格信号在鼓励乘客拼车方面最为有效。我们的发现揭示了网约车行程中的拼车行为，并有助于制定增加拼车网约车的策略，尤其是在需求从疫情中恢复之际。
引用
@article{arxiv.2201.12696,
title = {Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference Approach},
author = {Morteza Taiebat and Elham Amini and Ming Xu},
journal= {arXiv preprint arXiv:2201.12696},
year = {2022}
}