Cestovní chování a volba dopravního prostředku
Opatření se píší pro lidi, kteří dávají pozor. Většina cestujících ale jede na autopilota.
- Dvouprocesová volba s bránou
- Diskrétní a hybridní modely volby
- Logistická regrese
- SHAP a vysvětlitelná umělá inteligence
- MaaS ve čtyřech zemích
- Jízdní simulátor se sledováním pohledu
Opatření zasáhne jen ty, u nichž vyvolalo skutečné rozhodování
Když alternativu zrychlíte, zlevníte nebo zekologičtíte, zlepšili jste její atributy. Toto zlepšení ale zasáhne jen cestující, kteří možnosti skutečně zvažují. U většiny lidí na většině cest se volba k vědomému rozhodování vůbec nedostane – rozhodne ji zvyk dřív, než se na jakýkoli atribut podívají.
Nejde o psychologickou poznámku pod čarou. Je to rozdíl mezi opatřením, které funguje, a opatřením, které tiše vyjde naprázdno, a vysvětluje dvě věci, které praxe pozoruje, ale jen zřídka modeluje: proč měkká opatření zaostávají za svými podnikatelskými záměry a proč je narušení – uzavírka, stávka, nová linka – oknem, v němž lze chování skutečně změnit. Toto okno se zavírá, jakmile se nový vzorec stane zvykem.
Druhým důvodem existence tohoto pilíře je prognózování. Mobility as a Service, Mobility on Demand a automatizované shuttly nemají žádná data o projevených preferencích, na která by šlo model odhadnout, protože na většině trhů zatím neexistují. Deklarované preference v kombinaci s behaviorálním modelem, který ví, kdy probíhá vědomé rozhodování, jsou jedinou obhajitelnou cestou k prognóze přijetí – a my máme jak nástroje, tak model.
Vědecký přínos
- Aktivace kognitivního systému jako latentní proměnná závislá na stavu. Dvouprocesová formulace s bránou, díky níž model dokáže říct, koho daný nástroj osloví – místo předpokladu, že jedno rozhodovací pravidlo platí pro každého cestujícího a v každém kontextu.
- Prognózy pro služby bez historie. Prognóza přijetí služby, pro kterou neexistují data o projevených preferencích, sestavená z deklarovaných preferencí a modelu s bránou, nikoli z analogie s něčím jiným.
- Trojí rozlišení, které většina článků přeskakuje. Zda je psychologický mechanismus v modelu strukturálně reprezentován, pouze aproximován statistickou strukturou, nebo jen behaviorálně interpretován z jeho výstupů. Mnoho publikovaných tvrzení patří do třetí kategorie, ale vydává se za první.
- Vysvětlitelnost jako předpoklad, ne ozdoba. Atribuce SHAP pro volbu dopravního prostředku pomocí hlubokých neuronových sítí, využívající kooperativní teorii her k získání přesných příspěvků jednotlivých proměnných.
Doklady z praxe
Smíšený model volby potenciálních uživatelů MaaS s explicitními citlivostmi parametrů – město se tak může zeptat, zda by MaaS na jeho trhu veřejnou dopravu posílila, nebo jí konkurovala, a nemusí se spokojit s obecnou odpovědí.
Kvantifikovaná mezera mezi záměrem a chováním u zvyklých uživatelů automobilu: číslo, které podnikatelský záměr měkkého opatření potřebuje a téměř nikdy nemá. K tomu monografie o českých modelech volby dopravního prostředku a jejich výsledcích.
Naše vlastní nástroje: návrh průzkumů deklarovaných a projevených preferencí, fokusní skupiny jako podklad pro návrh průzkumů, jízdní simulátor se sledováním pohledu a záznam z instrumentovaného vozidla.
- Použité metody
- M1 Diskrétní · hybridní · mixed logit · logistická regrese · SEM
- M2 Hluboké sítě · SHAP
- M3 Návrh průzkumů · statistika malých výběrů
- Všech šest skupin →
Brána a co z ní plyne
Poznámka k jízdnímu simulátoru
Sem patří tehdy, když je otázka behaviorální – vnímání, dodržování pravidel, důvěra, předávání řízení. Jeho aplikace v řízení, například návrh a hodnocení algoritmu proměnných rychlostních limitů, patří do Pilíře 1. Nástroj je sdílený; o tom, kterému pilíři výstup patří, rozhoduje výzkumná otázka.
Projekty za tímto pilířem
| Projekt | Poskytovatel a identifikátor | Období | Naše role | Pilíř |
|---|
Publikace
Každá položka odkazuje na svůj DOI. Publikace v otevřeném přístupu jsou označeny a lze je číst bez předplatného.
S kým chceme spolupracovat
| Hledáme | Čím přispějeme | Cílové nástroje |
|---|---|---|
| Provozovatelé MaaS, MoD a sdílené mobility a města | Prognózy přijetí služby bez místní historie; analýza komplementarity a konkurence pro konkrétní trh | EIT Urban Mobility · Horizon Europe Cluster 5 |
| Skupiny zabývající se behaviorálním modelováním a modely volby | Operacionalizace dvouprocesového modelu s bránou, společný jazyk pro to, co smí model tvrdit, a data z více zemí | Horizon Europe · společné vedení doktorandů |
| Konsorcia CCAM, která potřebují pracovní balíček k akceptaci | Behaviorální nástroje, infrastruktura pro průzkumy a kognitivní rámec pro interpretaci výsledků | CCAM Partnership · Horizon Europe Cluster 5 |
| Programy změny chování a měkkých opatření | Koho lze oslovit, jaká je realistická velikost účinku a kdy je okno příležitosti otevřené | Interreg · Mission on Climate-Neutral Cities |