[论文解读] Impacts of Covid-19 mode shift on road traffic

Yue Hu, William Barbour+4 more|arXiv (Cornell University)|May 4, 2020

Urban Transport and Accessibility参考文献 7被引用 20

一句话总结

本研究利用6至9年美国社区调查（ACS）数据，开发了一种贝叶斯线性回归模型，以估算从公共交通和拼车向单人驾驶车辆（SOVs）的转变对118个美国大都市区通勤时间的影响。研究发现，在纽约和旧金山等拥堵城市，若25%的通勤者从公共交通和拼车转为SOVs，往返通勤时间将增加12至20分钟，导致通勤者每年损失约1,065至1,601美元的时间成本，而通过增加远程工作可避免这些影响。

ABSTRACT

This work considers the sensitivity of commute travel times in US metro areas due to potential changes in commute patterns, for example caused by events such as pandemics. Permanent shifts away from transit and carpooling can add vehicles to congested road networks, increasing travel times. Growth in the number of workers who avoid commuting and work from home instead can offset travel time increases. To estimate these potential impacts, 6-9 years of American Community Survey commute data for 118 metropolitan statistical areas are investigated. For 74 of the metro areas, the average commute travel time is shown to be explainable using only the number of passenger vehicles used for commuting. A universal Bureau of Public Roads model characterizes the sensitivity of each metro area with respect to additional vehicles. The resulting models are then used to determine the change in average travel time for each metro area in scenarios when 25\% or 50\% of transit and carpool users switch to single occupancy vehicles. Under a 25\% mode shift, areas such as San Francisco and New York that are already congested and have high transit ridership may experience round trip travel time increases of 12 minutes (New York) to 20 minutes (San Francisco), costing individual commuters \$1065 and \$1601 annually in lost time. The travel time increases and corresponding costs can be avoided with an increase in working from home. The main contribution of this work is to provide a model to quantify the potential increase in commute travel times under various behavior changes, that can aid policy making for more efficient commuting.

研究动机与目标

• 量化通勤时间对通勤模式变化的敏感性，特别是从公共交通和拼车向单人驾驶车辆（SOVs）转变的影响。
• 利用历史通勤和车辆数据，建模此类模式转变如何影响美国主要大都市区的拥堵水平。
• 评估远程工作在多大程度上可抵消因模式转变导致的拥堵加剧和通勤时间成本上升。
• 为每个大都市区校准一个通用的公共道路局（BPR）模型，以预测不同车辆流量情景下的通勤时间变化。
• 通过提供可量化的框架，支持政策制定，评估行为改变对城市道路网络的长期影响。

提出的方法

• 利用118个美国大都市统计区（MSAs）的6至9年美国社区调查（ACS）数据，提取通勤模式和车辆流量统计数据。
• 应用贝叶斯线性回归模型，将单程通勤时间表示为车辆数量四次方与路网容量比值的函数。
• 采用通用的公共道路局（BPR）模型，统一表示所有MSA中相对于自由流条件的通勤时间比值。
• 使用具有高斯先验的分层贝叶斯框架，对回归权重和噪声精度进行建模，实现预测的不确定性量化。
• 应用经验贝叶斯方法，通过最大化边际似然来设定超参数，确保模型校准的稳健性。
• 利用后验预测分布，预测在模式转变情景（如25%或50%的公共交通/拼车用户转为SOVs）下的未来通勤时间。

实验结果

研究问题

• RQ1 通勤模式的变化——特别是从公共交通和拼车向单人驾驶车辆的转变——如何影响美国大都市区的平均通勤时间？
• RQ2 通用的公共道路局（BPR）模型在多大程度上能够描述不同大都市区车辆流量对通勤时间敏感性的变化？
• RQ3 在从公共交通和拼车向SOVs转移25%的情景下，往返通勤时间的预估增加量及相应的经济成本是多少？
• RQ4 需要多少比例的远程工作才能完全抵消此类模式转变带来的拥堵和时间成本增加？
• RQ5 历史ACS数据是否能有效用于预测长期通勤行为改变下的未来拥堵影响？

主要发现

• 在纽约，若25%的通勤者从公共交通和拼车转为单人驾驶车辆（SOVs），往返通勤时间平均将增加12分钟；在旧金山则增加20分钟。
• 基于每小时19.14美元的中位工资，此类通勤时间增加导致的时间成本损失，纽约地区为每位通勤者每年约1,065美元，旧金山地区为1,601美元。
• 受影响大都市区的每日总时间成本从250万美元到2400万美元不等，具体取决于城市的拥堵水平和人口规模。
• 如果3%至17%的通勤者改为在家工作而非通勤，这些与拥堵相关的时间成本可被完全避免。
• 本研究成功校准了一个通用BPR模型，仅使用车辆流量和路网容量数据，即可解释118个美国大都市区的通勤时间比值。
• 贝叶斯回归模型提供了预测不确定性估计，且当预测中的车辆数量超过历史水平时，预测方差随之增加。