运用基于代理的建模方法研究交通行为干预对出行方式转变的影响:都柏林的交通行为模拟

《Sustainable Cities and Society》:Using agent-based modelling for investigating the impact of travel behaviour interventions on mode shift: A travel behaviour simulation in Dublin

【字体: 大 中 小 】 时间:2026年08月03日 来源:Sustainable Cities and Society 13.3

编辑推荐:

  摘要本研究采用基于代理的建模方法,探讨了各种策略性干预措施对都柏林市人们从使用私家车转向可持续出行方式的行为变化的影响。研究重点关注软性政策(如骑行推广活动和出行反馈计划)与硬性政策(如汽车税和燃油价格上调)的作用。通过分析爱尔兰国家家庭出行调查数据,我们研究了在不同政策情景下出

  

摘要

本研究采用基于代理的建模方法,探讨了各种策略性干预措施对都柏林市人们从使用私家车转向可持续出行方式的行为变化的影响。研究重点关注软性政策(如骑行推广活动和出行反馈计划)与硬性政策(如汽车税和燃油价格上调)的作用。通过分析爱尔兰国家家庭出行调查数据,我们研究了在不同政策情景下出行方式比例、行为阶段变化以及二氧化碳排放量的变化情况。研究结果表明,诸如骑行推广活动和出行反馈计划之类的软性干预措施在减少汽车使用、推动行为阶段提升(从前期准备阶段到实际行动阶段)以及降低二氧化碳排放方面具有显著效果,而这些效果在与汽车税和燃油价格措施结合使用时更为明显。此外,研究还指出,采用多种评估指标能够更全面地了解政策干预的效果,这为政策制定者和决策者评估不同的交通政策干预提供了有力支持。

引言

在爱尔兰,大约四分之三的人每天选择开车出行,这种出行习惯与该国降低温室气体排放的目标不符。该国的目标是在2030年前将交通领域的排放量减少50%(OECD,2022)。要实现这一目标,不仅需要大幅减少私家车的使用,还需要有充分的证据表明哪些政策干预措施最能有效推动并维持行为改变。交通政策可以通过塑造交通体系并推广可持续的替代出行方式,来促进这一出行方式的转变。
这些政策措施大致可分为两类(Semenescu等人,2020):一类是针对物理基础设施的“硬性”干预措施,如拥堵收费、汽车税上调以及建设新的自行车道等;另一类则是针对个人行为心理层面的“软性”干预措施,如出行反馈计划、出行挑战活动、宣传普及活动以及电动自行车试用等(Zarabi等人,2024)。硬性措施旨在改变社会环境和结构,而软性措施则着眼于影响个人的认知、信念、态度、价值观和规范(Semenescu等人,2020),并通过各种引导手段改变人们做决策的方式,从而影响其行为(Kormos等人,2021)。虽然从性质上来看,软性干预措施在政治上更容易实施,也更有可能得到民众的接受(Eriksson等人,2008),但研究表明,它们对改变出行行为的效果相对有限(例如Arnott等人,2014)。尽管存在这些局限,但如果与硬性措施相结合,软性干预措施仍有可能推动出行方式的转变(Clarke,2012;Ding等人,2018)。
虽然实地实验能够为我们提供有关交通政策综合效果的见解(Piras等人,2022),但这类实验存在诸多难题,包括成本高昂、时间限制、后勤及伦理问题,以及难以准确区分政策本身的影响(Murphy等人,2020;T?rnblad等人,2014)。正因为如此,人们开始关注其他替代方法,比如基于代理的建模技术,用以评估各类政策及行为干预措施的效果。基于代理的建模方法已成为替代实地实验的常用手段,它能够让研究人员在模拟环境中测试各种政策,从而更准确地把握复杂的个体行为和社会动态,尤其是在交通领域(Mehdizadeh等人,2022)。目前,许多关于交通领域的基于代理的建模研究主要聚焦于与基础设施和价格相关的干预措施,比如拓展公共交通网络、调整燃油税或停车费,以及完善步行和骑行等主动出行相关的基础设施(Aziz等人,2018;Carroll等人,2021;Lemoine等人,2016)。这些研究普遍认为,对汽车使用设置惩罚性措施以及改善基础设施,是推动人们改变出行方式的最有效手段。不过,在基于代理的建模研究中,诸如宣传普及活动和提高公众意识策略之类的软性干预措施却鲜有涉及,尽管已有少数重要研究为将这类措施纳入模型奠定了基础。
Natalini和Bravo(2014)提出了Mobility-USA(MUSA)框架,用于分析美国境内预政策对人们通勤行为的影响。Maggi和Vallino(2021)也采用了同样的框架来研究意大利瓦雷泽地区的政策对通勤行为的影响。不过,他们的研究主要侧重于较为宽泛的政策工具(基于价格和基于偏好的政策),而且对行为动态的理论支撑不足。该模型仅考虑了三种出行方式:汽车、公交车和自行车。此外,该模型既没有依据真实的出行调查数据来反映个人的出行模式,也没有在模拟过程中纳入行为主体的社会人口学特征。另一个局限性在于,该模型仅通过整体出行方式比例的变化来衡量行为变化,而没有考虑到人们会按照某种变化理论所描述的那样,逐步经历不同的行为阶段。这些理论认为,行为变化是一个包含多个阶段的渐进过程,最终才能实现真正的变化(Meloni等人,2013)。这些限制使得该模型难以准确反映现实中人们出行选择的多样性以及行为转变的复杂过程。
为克服上述局限性,本研究对Maggi和Vallino(2021)所使用的基于代理的建模方法进行了调整和扩展,将其应用到爱尔兰都柏林市的实际情况中。该模型既包含了软性干预措施(如骑行推广活动、出行反馈计划),也涵盖了硬性干预措施(如汽车税和燃油价格上调),同时还将出行方式的范围扩大到了步行、骑行、公共交通和私家车等多种形式。该模型使用了2016年爱尔兰国家家庭出行调查中获得的真实出行日记数据,并在个体层面模拟行为,同时结合社会人口学信息以及行为阶段变化理论,从而更全面地呈现出行方式的转变过程。
本研究的主要贡献如下。首先,它通过增加所考虑的出行方式种类、测试不同类型的软性和硬性干预措施,以及将行为阶段作为评估指标,改进了以往的模型。其次,它通过根据实际数据校准得到的分布来为影响出行满意度的因素确定权重,并引入记忆参数来体现人们在出行方式选择上的习惯性行为,从而提升了模型对行为动态的刻画能力。最后,该研究分析了软性干预措施和硬性干预措施的共同作用,帮助人们了解在不同的行为场景下,哪种组合方式最为有效。
本文的其余部分结构如下:第2节简要回顾了基于代理的建模框架的相关文献。第3节则简述了本研究所采用的基于代理的建模框架。第4节展示了该模型的输出结果,随后第5节为讨论部分,第6节为结论部分。

章节摘录

文献综述

交通领域是全球温室气体排放的重要来源。因此,减少碳排放已成为各国政府及地方当局的重点工作(Jamali等人,2025;Shen等人,2026)。在城市出行方面,减少排放同样至关重要,而目前人们过度依赖私家机动车仍是这一领域面临的主要挑战(Huang等人,2026)。正因如此,推动人们将汽车出行转变为公共交通或主动出行方式,便成了相关管理部门的核心任务。

模型概述

本研究使用NetLogo(Wilensky,1999)构建了一个建模框架,用于模拟5000个行为主体(代表通勤者)每天的出行方式选择,这些出行方式包括私家车、私家自行车、步行和公共交通。该模型包含两个主要阶段:设置阶段和决策阶段。在设置阶段,需要确定行为主体的社会人口学信息、出行相关数据、他们的社交网络结构、各类出行方式的特点以及所实施的各项政策。而在决策阶段,则

研究结果

在确定了各参数的数值后,我们首先在无政策干预的情景下运行了该模型。之后,又在不同的政策干预情景下对该模型进行了测试。由于该模型允许调整政策的强度(详见第2.5节),我们首先在较低强度(20%)下测试了干预效果,然后在较高强度(80%)下进行了测试。在每种强度水平下,我们都让模型运行10次,以此观察输出结果的变化情况。

讨论

本研究的主要目的是利用基于代理的建模方法,探究各种干预措施(如骑行推广活动、出行反馈计划、汽车税上调以及燃油价格上调等)对都柏林市人们行为变化的相对影响。我们构建的基于代理的建模框架整合了行为主体的社会人口学特征,根据真实的调查数据来调整人们的出行偏好,同时还能够追踪行为发展的不同阶段。通过引入真实世界的数据,

结论

总体而言,本研究的结果表明,无论是软性干预措施还是硬性干预措施,都具有影响人们出行行为的潜力,只不过两者的效果存在差异。研究结果显示,高强度的软性干预措施,比如个性化的推广活动和出行反馈计划,能够在减少汽车使用、推动人们逐步进入更高的行为阶段以及降低二氧化碳排放方面发挥重要作用。相比之下,汽车税和燃油价格上调等硬性干预措施,

未引用参考文献

Hansen和Tummers,2020;Kristal和Whillans,2020;Thigpen等人,2019

CRediT作者贡献说明

Warnakulasooriya Umesh Ashen Lowe:撰写原始稿件、负责可视化处理、方法设计、研究实施、正式分析、数据整理以及概念构建工作。Páraic Carroll:负责审稿与编辑、可视化处理、资源协调以及概念构建工作。Leonhard Lades:负责审稿与编辑、可视化处理、资源协调以及概念构建工作。Beatriz Martinez-Pastor:负责审稿与编辑、可视化处理以及资源协调工作。

利益冲突声明

作者声明自己不存在任何利益冲突。

致谢

本研究是由爱尔兰研究机构(SFI)以及相关合作方共同资助的,资助项目编号为21/SPP/3756,资金来自NexSys战略合作伙伴计划。
Warnakulasooriya Umesh Ashen Lowe|Páraic Carroll|Leonhard Lades|Beatriz Martinez-Pastor
爱尔兰都柏林大学学院土木工程学院
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号