交通运输研究 >

2023 , Vol. 9 >Issue 4: 84 - 92

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.04.008

理论与方法

考虑高速公路差异化收费的货车出行行为研究

  • 孔德学 , 1, 2 ,
  • 敖谷昌 , 3 ,
  • 徐威威 3 ,
  • 张惠玲 3
展开
  • 1 武汉理工大学 智能交通系统研究中心，湖北 武汉 430063
  • 2 武汉理工大学 交通与物流工程学院，湖北 武汉 430063
  • 3 重庆交通大学 交通运输学院，重庆 400074
敖谷昌（1976—），男，重庆荣昌人，博士，副教授，研究方向为交通规划与管理。E-mail:

孔德学（1996—），男，安徽六安人，博士研究生，研究方向为交通规划与管理。E-mail:

收稿日期: 2022-12-09

  网络出版日期: 2023-09-22

基金资助

重庆市自然科学基金项目(cstc2019jcyj-msxmX0786)

重庆市研究生导师团队建设项目(JDDSTD2018007)

收起

Truck Travel Behavior Considering Expressway Differentiated Charge

  • KONG Dexue , 1, 2 ,
  • AO Guchang , 3 ,
  • XU Weiwei 3 ,
  • ZHANG Huiling 3
Expand
  • 1 Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan 430063, China
  • 2 College of Transportation and Logistics Engineering, Wuhan University of Technology, Wuhan 430063, China
  • 3 College of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China

Received date: 2022-12-09

  Online published: 2023-09-22

Fold

摘要

为探究高速公路差异化收费对货车驾驶员出行行为的影响，选取付费方式、运输时间紧急性、选择重视因素和情境选择行为4个因素作为外显变量，在提高高峰期收费费率的场景下，构建货车驾驶员群体细分的潜在类别模型。基于重庆市584份高速公路货车出行行为问卷调查数据，对其进行类别划分，并对比分析了各类货车驾驶员的出行选择偏好。研究表明：①货车驾驶员群体可划分为灵活型、无奈型和忠诚型3类，且货物类型和运输成本对驾驶员的类别划分有显著影响；②随着高速公路月通行次数的减少，忠诚型选择重视里程的概率呈线性增长趋势，且会显著影响灵活型选择改变出行路径的概率；③当运输成本提高时，灵活型出行选择会更加看重通行费用的高低，而忠诚型则注重高速公路良好的行车体验；④无奈型迫于货物的运输时间要求，提高收费场景下的行为特征差异较小。因此，针对不同类型货车驾驶员群体应制定差异化的收费定价策略，以避免高速公路货运用户流失。

关键词： 交通工程; 高速公路; 潜在类别模型; 货车驾驶员; 差异化收费

本文引用格式

孔德学 , 敖谷昌 , 徐威威 , 张惠玲 . 考虑高速公路差异化收费的货车出行行为研究[J]. 交通运输研究, 2023 , 9(4) : 84 -92 . DOI: 10.16503/j.cnki.2095-9931.2023.04.008

Abstract

To investigate the impact of expressway differentiated charging on the travel behavior of truck drivers, the payment mode, transportation time urgency, choice factor, and situational choice behavior were selected as explicit variables. A latent class model of truck driver groups was established under the scenario of increasing charges during peak periods. Based on 584 questionnaire survey responses on expressway truck travel behavior in Chongqing, the drivers were classified and the travel preferences of various truck drivers were compared and analyzed. The results show that: ①the truck drivers can be classified into three categories: flexible drivers, helpless drivers, and loyal drivers, and cargo type and transportation cost have a significant impact on the classification; ②as the monthly usage frequency of expressway decreases, the probability of loyal drivers choosing to value mileage increases linearly, and it also will significantly affect the probability of flexible drivers changing their travel routes; ③when transportation costs increase, flexible drivers tend to place greater emphasis on the toll, while loyal drivers focus on having a good driving experience on the expressway; ④behavioral characteristics of helpless drivers under the increased charges situation have slight differences due to the transportation time requirements of cargo. Therefore, differentiated charging strategies should be formulated for different categories of truck drivers to avoid the loss of expressway freight users.

Key words： traffic engineering; expressway; latent class model; truck driver; differentiated charge

0 引言

交通运输部、国家发展改革委及财政部联合印发的《全面推广高速公路差异化收费实施方案》[1]提出“全面推广高速公路差异化收费，持续提升高速公路网通行效率，降低高速公路出行成本，促进物流业降本增效”的要求。在此背景下，借鉴国内外城市道路拥堵收费的成功经验，在我国高速公路货运市场引入差异化收费管理理念势在必行[2-3]。货运交通作为高速公路交通的主体，由于其重量、体积和车型等特征的多样性，驾驶员出行选择更易受到内外部环境的影响，科学精准制定货车差异化收费方案较为困难。因此，对高速公路货车出行行为进行研究是实现差异化收费管理的前提和关键。
针对高速公路货车差异化收费，国外的公路收费政策侧重于解决城市/城际交通拥堵和环境污染问题[4-5]，且主要针对总重量大于3.5 t的重型卡车。国内政策强调了物流业降本增效在差异化收费管理中的重要性，如陕西省高速公路基于ETC收费系统，针对本省籍和外省籍ETC货车制定差异化通行费优惠政策，促使通行费优惠回流本省运输企业和实体经济企业，以降低物流运输成本[6]。目前，国内关于差异化收费的研究尚处于初步阶段，缺乏对货车驾驶员出行异质性的考虑。现有文献通常采用潜在类别模型（Latent Class Model, LCM）分析不同群体出行行为的偏好特性，通过多种分类变量来解释各外显变量之间的关系，较好地弥补了传统聚类方法划分依据以连续变量为主的局限性[7]。基于此，诸多学者针对影响潜在类别划分的因素展开研究，探讨了出行者个人属性、社会经济属性以及心理因素等潜变量对出行行为的影响[8⇓-10]。在分类结果分析方面，较多集中于比较分析不同类型出行者的出行特征差异[4,11]。刘建荣等[12]在此基础上，提出了潜在类别回归的全路径分析框架，探讨了不同类型出行者行为特征影响因素的异同，为包含多种分类变量的出行者潜在类别分析提供了有效途径。
综上，现有文献大多针对城市公交、公路及铁路等客运细分市场展开研究[8-9,11 -12]，较少从潜在类别角度探讨差异化收费策略对高速公路货运市场的影响，且缺乏从出行者个人属性、货物属性等多个角度定量分析其对货车出行者类别划分和行为特征的影响。鉴于此，本文以重庆市高速公路货车驾驶员为研究样本，在高速公路高峰期提高收费费率的场景下对货车驾驶员出行选择偏好进行研究，选取付费方式、运输时间紧急性、选择重视因素和情境选择行为4个因素作为外显变量，应用潜在类别模型对货车驾驶员群体进行划分，最后通过对各个因素进行回归因子分析，揭示高速公路差异化收费对货车驾驶员群体出行特征的影响机制。

1 模型理论

本研究考虑高速公路高峰期提高收费费率（低峰期不变）的情景下货车驾驶员群体细分问题，目的在于对比分析不同类型货车驾驶员出行行为特征受到各类因素的影响异同。基于实地问卷调查数据，若采用传统的聚类分析方法不但无法解释各种因素对分类结果的影响，且无法保证信息的完整度。而潜在类别模型是建立在概率分布理论和对数线性模型基础之上的分类因子分析方法[13]，可较好弥补传统方法的不足。因此，本研究采用潜在类别模型对货车驾驶员群体进行细分。

1.1 模型定义与参数估计

潜在类别模型变量可分为外显变量和潜在变量两种，其中前者可通过观察、测量等手段获取，如性别、收入和出行频次等；后者通常不能直接得到，如心理期望、驾驶习惯等。潜在类别模型的基本原理就是将潜在变量的潜在类别概率和潜在类别中外显变量的条件概率转换为待定参数，即概率参数化。
举例来说，若选取驾驶员性别 A、年龄 B、驾龄 C等3个外显变量进行分析，每个变量分别有 i ( i = 1 ,   2 , ⋯ ,   I )、 j ( j = 1 ,   2 , ⋯ ,   J )、 k ( k = 1 ,   2 , ⋯ ,   K )个属性水平， π t X为潜在类别变量 X在潜在类别 t ( t = 1 ,   2 , ⋯ ,   T )中的非条件化概率，用于解释各外显变量之间的潜在关系[14]，共同构成联合概率公式。
π i j k A B C = ∑ t = 1 T π t X π i t A - X π j t B - X π k t C - X
式（1）中： π i j k A B C为驾驶员性别、年龄和驾龄3个外显变量的联合概率，表示驾驶员在 i ,   j ,   k水平组合下占全体样本的百分比； π i t A - X, π j t B - X, π k t C - X分别表示3个外显变量属于潜在类别 t的条件概率。
由于各潜在类别概率 π t X和外显变量条件概率的不同水平相互独立，因此各类别以及该类别下每个外显变量的概率总和都应为1[8]，即
∑ t = 1 T π t X = 1
∑ i π i t A - X = ∑ j π j t B - X = ∑ k π k t C - X = 1
针对以上模型概率参数迭代求解，潜在类别模型使用期望-最大化算法（Expectation-Maximization, EM）进行计算[15]，可得到样本划分结果。
π ^ i j k t A B C X = π ^ t X π ^ i t A - X π ^ j t B - X π ^ k t C - X
式（4）中： π ^ i j k t A B C X表示当驾驶员性别、年龄和驾龄水平组合为 i ,   j ,   k时被划分到潜在类别 t中的概率； π ^ t X表示类别概率值； π ^ i t A - X, π ^ j t B - X, π ^ k t C - X为外显变量条件概率的极大似然估计值。
如式（5）所示，当 t = 1时，推导可得 π ^ i j k t A B C X的最大化估计值，用于模型的潜在聚类分析。
π ^ i j k A B C X = ∑ t = 1 T π ^ i j k t A B C X = ∑ t = 1 T π ^ t X π ^ i t A - X π ^ j t B - X π ^ k t C ¯ X

1.2 模型拟合优度

为区别不同聚类数目下模型的拟合优度，需要对模型进行适配性检验，选择适配性较高且参数较少的模型。检验指标主要有最小信息准则（Akaike Information Criterion, AIC）、贝叶斯信息准则（Bayesian Information Criterion, BIC）、一致最小信息准则（Consistent Akaike Information Criterion, CAIC）和调整贝叶斯信息准则（Adjusted Bayesian Information Criterion, ABIC）。通常，指标值越小，模型的拟合度越高[16]。
R A I C = - 2 Λ + 2 d R B I C = - 2 Λ + d l o g n R C A I C = - 2 Λ + d ( l o g n + 1 ) R A B I C = - 2 Λ + d l o g [ ( n + 2 ) / 24 ]
式（6）中： Λ为模型最大对数似然值；d为待估参数个数；n为样本个数； R A I C, R B I C, R C A I C, R A B I C分别表示AIC, BIC, CAIC和ABIC等评价指标的值。
在样本量大、变量类型多、分类变量比例高以及样本数据缺失的情况下，CAIC, ABIC相对于其他指标，能够提供更为准确的分类结果，其中ABIC的表现能力最佳[17]。

2 货车驾驶员潜在类别模型构建

2.1 问卷设计与变量处理

为验证潜在类别模型的分析能力，本文设计了重庆市高速公路货车驾驶员出行特征调查问卷。问卷基于重庆市绕城高速货运交通流的实际分布规律，将计划选择高速公路高峰期（7:00—19:00）出行的货车驾驶员作为研究对象，选取收费费率作为场景特征属性，费率提高区间为10%~50%，受访者需在原计划出行、改变出发时间、改变出行路径等3种方式中选择。问卷共分为三部分：①个人属性：性别、年龄、驾龄、平均月收入、高速公路月通行次数；②货物属性：货物类型、付费方式、运输时间紧急性、运输成本；③行为态度：选择重视因素、情境选择行为。调查于2020年10月在重庆市进行，共获得584份有效问卷，有效回收率为95.4%，达到问卷样本量的基本要求。问卷调查的详细内容和各变量的分水平处理如表1所示。
表1 货车出行特征调查
分类 变量名称 符
号		 水平划分 定义
个人属性 性别 e1 2 1为男，2为女
年龄 e2 3 35岁及以下、36~55岁、
56岁及以上
驾龄 e3 3 3年及以下、4~10年、
11年及以上
平均月收入
/元		 e4 4 4 000元及以下、4 001~
7 000元、7 001~10 000元、
10 001元及以上
高速公路
月通行次数/次		 e5 4 5次及以下、6~10次、
11~15次、16次及以上
货物属性 货物类型 f1 2 1表示一般货物，
2表示紧急货物
付费方式 f2 2 1表示个人承担，
2表示单位报销
运输时间紧急性 f3 2 1表示是，2表示否
运输成本/元 f4 4 90元及以下、91~270元、
271~920元、921元及以上
行为态度 选择重视因素 g1 4 1~4分别表示：里程、通行费、道路是否平顺、道路是否拥堵
情境选择行为 g2 3 1~3分别表示：原计划出行、改变出发时间、改变出行路径
经过多次对比不同外显变量组合形式的模型拟合优度，发现将驾驶员个人属性和运输成本等变量纳入模型会使分类效果变差，且由于货物类型（分为一般货物与紧急货物）与运输时间紧急性的时间层信息类似，两者同时作为外显变量会使模型参数的解释能力倾向于时间需求，经综合考虑最终选取付费方式、运输时间紧急性、选择重视因素以及情境选择行为作为外显变量。

2.2 模型参数估计

为了确定模型的最佳聚类数目，假定样本可被划分为2~6个潜在类别，采用Mplus软件计算各模型适配性指标的检验值，见表2。
表2 模型拟合优度检验结果
类别数量 AIC BIC CAIC ABIC
2 3 424.499 3 490.048 3 450.996 3 442.428
3 3 392.128 3 492.636 3 423.755 3 419.619
4 3 389.898 3 525.365 3 444.657 3 426.951
5 3 395.632 3 566.058 3 464.522 3 442.248
6 3 409.125 3 614.510 3 661.510 3 480.346
从表2数据可以看出，将样本分为3个类别时CAIC与ABIC检验值取到最小值，模型分类准确度最高。因此，根据潜在变量回归结果得到各个类别的概率和每个外显变量的分水平条件概率，结果如表3所示。
表3 模型参数估计结果
外显
变量		 因子
载荷		 R2 水平 潜在类别
类别1 类别2 类别3
f2 0.518 2 0.268 5 1 0.908 0.966 0.450
2 0.092 0.034 0.550
f3 0.659 6 0.435 1 1 0.015 0.953 0.572
2 0.985 0.047 0.428
g1 0.564 8 0.319 0 1 0.030 0.121 0.274
2 0.846 0.584 0.000
3 0.055 0.123 0.285
4 0.069 0.172 0.441
g2 0.829 1 0.687 3 1 0.017 0.000 0.952
2 0.884 0.458 0.024
3 0.099 0.542 0.025
潜在类别概率 0.476 0 0.102 4 0.421 6
表3中潜在类别1的概率最大，为0.476 0；其次是潜在类别3的概率，为0.421 6；最小的是潜在类别2的概率，为0.102 4。从表3中的因子载荷数据可以看出，潜在变量与外显变量g2的关联性最强，因子载荷值最大，达到0.829 1，R2为0.687 3，表明潜在变量可以解释情境选择行为的信息比例为68.73%；其次是外显变量f3，R2为0.435 1。

3 不同类别货车驾驶员出行特征分析

3.1 分类结果横向对比

图1展示了各类别货车驾驶员的出行选择行为特征横向对比分析结果，结合表3中各类别外显变量的分布特征，对各潜在类别进行命名。
图1 各类别货车驾驶员出行特征分布
类别1的显著特征表现为选择重视通行费用的比例最高（占83.5%），以个人承担通行费为主，且仅低于类别2，在提高收费费率的情境下，驾驶员选择改变出发时间的比例最高，仅有1.4%的驾驶员会选择按照原计划出行。根据以上特征分析可将该类别定义为灵活型货车驾驶员。
类别2的显著特征表现为个人承担通行费的比例最高，以重视通行费用为主，但迫于高达95.3%的货物需要紧急送达，收费费率提高会导致其改变出发时间和出行路径，尽量避开高收费公路。根据以上特征分析可将该类别定义为无奈型货车驾驶员。
类别3的显著特征表现为以重视道路是否拥堵为主，重视通行费用的比例约为0%，付费方式以单位报销为主，运输紧急类货物居多，提高收费费率情形下该类驾驶员倾向于选择按照原计划出行。根据以上特征分析可将该类别定义为忠诚型货车驾驶员。

3.2 货车驾驶员类别划分影响因素

将个人属性及货物属性作为自变量，计算各变量对潜在类别划分的影响系数，如表4所示。在95%的置信水平下，表4中仅货物类型、运输成本会显著影响货车驾驶员的类别。
表4 货车驾驶员类别划分影响因素
影响因素 系数 Wald值 p值
灵活型 无奈型 忠诚型
e1 0.226 3 -0.751 8 0.525 5 2.591 7 0.270
e2 0.007 6 -0.168 8 0.161 2 0.885 2 0.930
e3 0.853 6 -1.343 4 0.489 9 8.415 0 0.078
e4 1.238 3 -2.709 4 1.471 1 9.869 9 0.130
e5 -0.003 5 -0.109 5 0.113 0 1.719 1 0.940
f1 -2.173 4 3.405 1 -1.231 7 32.541 0 0.000
f4 0.130 6 -1.072 8 0.942 2 29.479 6 0.048
截距 0.517 9 0.415 2 -0.933 1 14.978 3 0.000
图2和图3分别展示了在其他条件不变时货物类型、运输成本对货车驾驶员潜在类别划分的影响。由图2可知，当货物类型为紧急货物时，货车驾驶员属于灵活型的概率为6.3%；当为一般货物时，属于灵活型的概率为71.6%，但无奈型的概率从26.8%降至4.9%，忠诚型也从66.9%降至23.5%。图3中，随着运输成本的提高，货车驾驶员属于灵活型的比例逐渐增加，属于无奈型的变化较小，属于忠诚型的逐渐降低。在其他条件不变的情况下，运输成本为90元及以下时，属于忠诚型驾驶员的概率为51.0%；当运输成本为921元及以上时，仅为29.8%。
图2 货物类型对货车驾驶员类别的影响
图3 运输成本对货车驾驶员类别的影响

3.3 货车驾驶员行为影响因子分析

由于付费方式取决于货车的归属性质，不受其他属性的影响，且灵活型中货物运输时间紧急性f3为1（即需要紧急送达）的样本个数仅为9，样本量不足，不进行分析。因此本节只分析各属性变量对3类货车驾驶员选择重视因素g1、情境选择行为g2的影响。

3.3.1 选择重视因素的影响因素对比分析

货车驾驶员的选择重视因素与其个人属性、货物属性有关。对于灵活型、无奈型、忠诚型3类货车驾驶员，分别将选择重视因素g1与各个影响因素进行回归，得到分析结果如表5所示。从数据可以看出，对于无奈型，所有因素对选择重视因素g1的影响均不显著，其中由于货物类型仅有紧急货物，故在回归分析将其剔除；对于灵活型，仅运输成本f4的影响显著；对于忠诚型，仅高速公路月通行次数e5、货物类型f1、运输成本f4的影响显著。从数据来看，忠诚型的高速公路月通行次数e5和货物类型f1的系数均大于0，表明随着高速公路月通行次数的增加或当货物类型为一般货物时，货车驾驶员会更加倾向于关注高速公路是否有良好的行车条件。此外，灵活型和忠诚型运输成本f4的系数正负号相反，表明运输成本对两类货车驾驶员选择各重视因素的概率会有不同的影响。
表5 不同类别货车驾驶员的g1影响因子分析
影响因素 灵活型 无奈型 忠诚型
e1 -0.231(-1.47) 0.428(0.82) -0.397(0.99)
e2 0.046(0.50) -0.077(-0.23) -0.318(-1.76)
e3 -0.108(-1.51) 0.169(0.76) 0.072(0.50)
e4 0.053(1.07) 0.142(0.94) -0.016(-0.15)
e5 -0.003(-0.08) -0.119(-0.96) 0.211**(2.95)
f1 0.084(0.49) — 0.490**(2.95)
f2 0.082(0.63) -0.512(-0.69) 0.126(0.82)
f4 -0.075*(-2.09) -0.119(-1.02) 0.151*(2.07)
截距 2.380***(4.90) 2.289(1.61) 1.981**(2.63)

注：1. *表示p<0.05，**表示p<0.01，***表示p<0.001。

2. 括号内为t检验值。

图4展示了在保持其他条件不变时，忠诚型的高速公路月通行次数、货物类型对选择各重视因素概率的影响。从图中可以看出，当高速公路月通行次数由5次以下增加至16次以上时，忠诚型选择重视道路里程的概率从48.0%降至19.1%；但当货物类型由一般货物变为紧急货物时，此概率由12.4%增加至35.0%。
图4 忠诚型的e5、f1对选择重视因素概率的影响
图5所示为运输成本变化对灵活型与忠诚型选择各重视因素概率的影响。从图5中可以看出，随着运输成本的增加，灵活型选择重视道路是否平顺和是否拥堵的概率逐渐减小，选择重视通行费用的概率从71.6%增加到98.5%，而此时忠诚型的变化趋势与之相反。
图5 灵活型与忠诚型的f4对选择重视因素概率的影响

3.3.2 情境选择行为的影响因素对比分析

表6展示了情境选择行为g2分别与3类货车驾驶员各个影响因素之间的回归分析结果。从表6可以看出，所有因素对无奈型的影响均不显著。对于灵活型，仅高速公路月通行次数e5的影响显著，且回归系数估计值为正值，表明随着高速公路月通行次数的增加，改变出行方式的概率提高。而对于忠诚型，仅付费方式f2对其出行选择影响显著。
表6 不同类别货车驾驶员的g2影响因子分析
影响因素 灵活型 无奈型 忠诚型
e1 0.060(0.69) 0.504(1.87) -0.006(-0.07)
e2 0.083(1.64) -0.300(-1.71) 0.004(0.09)
e3 -0.016(-0.39) 0.212(1.85) 0.023(0.71)
e4 -0.025(-0.91) -0.009(-0.12) 0.030(1.23)
e5 0.050*(2.57) 0.015(0.23) -0.029(-1.83)
f1 0.068(0.72) — 0.016(0.43)
f2 -0.007(-0.10) -0.169(-0.44) 0.076*(2.17)
f4 -0.031(-1.58) -0.105(-1.74) -0.029(-1.76)
截距 1.816***(6.77) 2.426**(3.30) 0.893***(5.23)

注：1. *表示p<0.05，**表示p<0.01，***表示p<0.001。

2. 括号内为t检验值。

图6为在提高收费情形下灵活型货车驾驶员的高速公路月通行次数对出行方式选择概率的影响。从图6可以看出，当使用高速公路次数从每月5次以下逐渐增加至16次以上时，灵活型选择按照原计划出行和改变出发时间的概率逐渐降低，而选择改变出行路径的概率从14.7%增加至40.2%。
图6 灵活型的e5对出行方式选择概率的影响

3.4 结果分析与讨论

前文3.1~3.3三小节分析了不同类型货车驾驶员的出行行为特征，并对影响驾驶员类别划分的主要因素进行了探讨。在驾驶员类别划分的基础上，对于不同群体的货车驾驶员，对比分析影响选择重视因素、情境选择行为等的因素。根据研究，得到以下结论。
1）发现选取付费方式、运输时间紧急性、选择重视因素、情境选择行为作为潜在类别模型的外显变量时分类效果最佳，最终将货车驾驶员划分为灵活型、无奈型和忠诚型等3类，占比分别为47.78%, 10.96%, 41.26%。
2）货物类型、运输成本会显著影响货车驾驶员的潜在类别划分。货物类型分别为紧急货物、一般货物时，属于灵活型的概率分别为6.3%, 71.6%，属于忠诚型的概率分别为66.9%, 23.5%；随着运输成本的提高，货车驾驶员属于灵活型的概率逐渐从40.3%增加到58.6%，属于忠诚型的概率逐渐从51.0%降低到29.8%。
3）对于忠诚型货车驾驶员，选择重视里程的概率与高速公路月通行次数成负相关；且当货物类型由一般货物变为紧急货物时，选择概率增加了22.6%。
4）当货物运输成本提高至921元以上时，灵活型出行选择会更加看重通行费用的高低，而忠诚型则以重视道路是否平顺与是否拥堵为主。
5）提高收费场景下灵活型的高速公路月通行次数对出行行为具有显著影响。随着高速公路月通行次数的增加，选择改变出行路径的概率显著提升。
综上可知，灵活型和忠诚型货车驾驶员在提高收费场景下的出行行为特征存在显著差异。个人承担通行费用的灵活型对费率变化更为敏感，收费费率提高会导致该类用户流失，因此对于该类用户科学精准调整收费方案至关重要。而忠诚型偏好使用高速公路运输紧急类货物，更加注重高速公路的行车体验和运输效率，因此，对该类用户应着重提高高速公路的服务水平。对于无奈型，尽管其对收费费率较为敏感，但是迫于货物的运输时间要求，其行为特征方面的差异性较小。

4 结束语

为进一步推进高速公路差异化收费方案与营销策略的制定与实施，发挥高速公路在地区交通物流发展中的支撑作用，本文以重庆市高速公路货车出行行为调查问卷数据为基础，在提高高速公路高峰期收费费率的场景下，采用潜在类别模型将货车驾驶员群体划分为灵活型、无奈型和忠诚型3类，并从驾驶员个人属性、货物属性和行为态度等3个角度比较分析了不同类别货车驾驶员的出行选择行为差异。本研究论证了各类因素对高速公路货车出行行为的影响机制，但并未考虑不同差异化收费形式和收费费率对货车出行行为的影响，未来可从这两个方面深入研究货车驾驶员的出行选择偏好。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
交通运输部,国家发展改革委,财政部. 关于印发《全面推广高速公路差异化收费实施方案》的通知(交公路函〔2021〕228号)[EB/OL].(2021-06-02)[2023-04-21]. http://www.gov.cn/zhengce/zhengceku/2021-06/15/content_5617919.htm.

[2]
陈文强, 顾玉磊, 汪勇杰, 等. 基于博弈决策的道路通行费最优定价模型研究[J]. 公路交通科技, 2021, 38(5):152-158.

[3]
王林, 冯国帅, 吴双, 等. 汉宜高速公路分路段差异化收费费率研究[J]. 公路交通科技, 2022, 39(1):183-190.

[4]
FENG T, ARENTZE T, TIMMERMANS H. Capturing preference heterogeneity of truck drivers′ route choice behavior with context effects using a latent class model[J]. European Journal of Transport and Infrastructure Research, 2013, 13(4): 259-273.

[5]
GOMEZ J, VASSALLO J M. Has heavy vehicle tolling in Europe been effective in reducing road freight transport and promoting modal shift?[J]. Transportation, 2020, 47(2): 865-892.

[6]
闫晟煜, 詹振宇, 李艳红, 等. 外省籍货车对省域ETC差异化收费的影响分析[J]. 深圳大学学报(理工版), 2022, 39(5):608-614.

[7]
HECKMAN J J, SINGER B. Econometric duration analysis[J]. Journal of Econometrics, 1984, 24(1-2): 63-132.

[8]
乔珂, 赵鹏, 文佳星. 基于潜在类别模型的高铁旅客市场细分[J]. 交通运输系统工程与信息, 2017, 17(2):28-34.

[9]
戢晓峰, 李德林. 基于潜在类别的公路旅客群体细分模型[J]. 公路交通科技, 2019, 36(10):152-158.

[10]
ROMAN C, ARENCIBIA A I, FEO-VALERO M. A latent class model with attribute cut-offs to analyze modal choice for freight transport[J]. Transportation Research Part A: Policy and Practice, 2017, 102: 212-227.

[11]
RAFIQ R, MCNALLY M G. Heterogeneity in activity-travel patterns of public transit users: An application of latent class analysis[J]. Transportation Research Part A: Policy and Practice, 2021, 152: 1-18.

[12]
刘建荣, 刘志伟. 基于出行者潜在类别的公交出行行为研究[J]. 华南理工大学学报(自然科学版), 2019, 47(6):119-126.

[13]
BONADIO F T, TOMPSETT C. Who benefits from community mental health care? Using latent profile analysis to identify differential treatment outcomes for youth[J]. Journal of Youth and Adolescence, 2018, 47(11): 2320-2336.

[14]
邱皓政. 潜在类别模型的原理与技术[M]. 北京: 教育科学出版社, 2008:20-33.

[15]
ELDEEB G, MOHAMED M. Quantifying preference heterogeneity in transit service desired quality using a latent class choice model[J]. Transportation Research Part A: Policy and Practice, 2020, 139: 119-133.

[16]
FEMATT V L, GRIMM R P, NYLUND-GIBSON K, et al. Identifying transfer student subgroups by academic and social adjustment: A latent class analysis[J]. Community College Journal of Research and Practice, 2021, 45(3): 167-183.

[17]
SWANSON S A, LINDENBERG K, BAUER S, et al. A Monte Carlo investigation of factors influencing latent class analysis: An application to eating disorder research[J]. International Journal of Eating Disorders, 2012, 45(5): 677-684.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发