Project for the Promotion of Sustainable and 　

Integrated Urban Development with the BRT Plan
in Santa Cruz Metropolitan Area Management, Bolivia

CUBE training
Session 3 (2020/12/17)

JICA Study Team Member:

Takayoshi FUTOSE

1
 Curriculum
Se Date(Draft)
Role of Traffic Demand Forecasting in Transport Planning
Outline of the Four Step Method
1 12/04 Step 1. Trip Generation & Attraction
Update of Socio-economic Framework
Development of Initial OD network
Q & A from Session 1
2 12/11 Step 2. Trip Distribution (General / On Cube User Interface)
Update of Transport Network
Q & A from Session 2
3 12/17 Step 3. Modal Split (General / On Cube User Interface)
Stated Preference Survey
Q & A from Session 3
Step 4. Highway Traffic Assignment (General / On Cube User Interface)
4 12/28
Step 4. Transit Traffic Assignment (General / On Cube User Interface)
Structure of the Analysis of Transportation Channels
Q & A from Session 4
5 1/8
Calibrating OD table from Traffic Survey Results
Q & A from Session 5
6 1/15 How to Update Traffic Demand Model Parameter
Consideration of Impact of COVID-19

2
 Topic 3-1:
Question from Request
Received in the 2nd Session

https://www.dropbox.com/s/oo2611bih6oems1/
seiseki.xlsx?dl=0
 Análisis de regresión y “Correlación”
Q. ¿Qué materia se correlaciona con “Matemáticas” ?
National
Student Social Math Science Music Art P.E. Technology  English
Language
1 30 43 51 63 60 66 37 44 20
2 39 21 49 56 70 72 56 63 16
3 29 30 23 57 69 76 33 54 6
4 95 87 77 100 77 82 78 96 87
5 70 71 78 67 72 82 46 63 44
6 67 53 56 61 61 76 70 66 40
7 29 26 44 52 37 68 33 43 13
8 56 54 37 59 35 64 53 67 7
9 45 21 7 44 16 52 34 46 3
10 68 41 29 81 55 71 29 72 51

1. En la pestaña de Datos, en el grupo de Análisis, dar click en Análisis de Datos.

2. Seleccionar “Correlación” y dar click en aceptar.

4
 Análisis de regresión y “Correlación”
3. Seleccione el rango para todas las materias / estudiantes como Rango
de entrada.

5
 Análisis de regresión y “Correlación”
4. O, puede usar la función CORREL($B$4:$B$169,$B$4:$B$169)

6
 Análisis de regresión y “Correlación”
Resultados:
National technolog
Social Math Science Music Art P.E English
Language y 
National Language 1.0000
Social 0.7782 1.0000
Math 0.7185 0.8006 1.0000
Science 0.7180 0.7539 0.8179 1.0000
Music 0.7071 0.6980 0.7546 0.7882 1.0000
Art 0.6842 0.5736 0.5757 0.5949 0.6548 1.0000
P.E 0.4137 0.2756 0.1531 0.1039 0.2980 0.4339 1.0000
technology  0.6728 0.6096 0.5828 0.7261 0.5912 0.5428 0.1462 1.0000
English 0.7614 0.7875 0.8006 0.7539 0.6980 0.5736 0.2756 0.6096 1.0000

La materia más reclacionada es “Science” (ciencia).

La materia menos relacionada es “P.E.” (E.F.)

7
 Análisis de regresión y “Correlación”
Resultados:

National
Social Math Science Music Art P.E
Language
National Language 1.0000
Social 0.7782 1.0000
Math 0.7185 0.8006 1.0000
Qué es R y R 2 Science
Music
0.7180
0.7071
0.7539
0.6980
0.8179
0.7546
1.0000
0.7882 1.0000
Art 0.6842 0.5736 0.5757 0.5949 0.6548 1.0000
P.E 0.4137 0.2756 0.1531 0.1039 0.2980 0.4339 1.0000
technology  0.6728 0.6096 0.5828 0.7261 0.5912 0.5428 0.1462 1.0000
English 0.7614 0.7875 0.8006 0.7539 0.6980 0.5736 0.2756
8
0.6096
 Regression Analysis and “Correlation”
𝐶𝑜 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑜𝑓 𝑋∧𝑌
Average: 45.614 𝑅=
√𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑜𝑓 𝑋 ∗ 𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝑜𝑓 𝑌

Average:
49.886

R
1 Strong Correlation
Positive Correlation
Weak Correlation
0 No Correlation No Correlation
Weak Correlation
Negative Correlation
-1 Strong Correlation
Regression Analysis and “Correlation”

https://www.simplypsychology.org/correlation.html
 Topic 3-2:
Step 3 of 4-Step Method:
Modal Split

https://www.dropbox.com/s/67ic5d53cq7x0pq/
modalsplit.xls?dl=0
 Método de los 4 pasos(3)
• Selección Modal (Modelo de reparto modal)

Distribución Ferrocarril: 40%

de viaje
Auto: 60%

¿Qué modo es el más

conveniente para un
propósito
determinado?
Modelo de Reparto Modal en el Estudio
para el PM de Transporte de Santa Cruz
• Los viajes en mototaxi fueron calculados para los TAZs (288, 290, 292, 424, 429,
353, 364) usando la siguiente formula:

• La tasa de viajes en mototaxi en relación a los viajes motorizados

= a + b * trip distance (< 5 km)

Purpose a b

HBW 0.2250 -0.0296

HBS1 0.3260 -0.0390

HBS2 0.2500 0.0000

HBO 0.2500 0.0000

NHB 0.1500 0.0000

NHO 0.2250 -0.0332

Modelo de Reparto Modal en el Estudio
para el PM de Transporte de Santa Cruz

• La proporción modal de viajes en automóvil fue calculado a partir de los viajes

motorizados excluyendo los viajes en mototaxis, utilizando la siguiente fórmula:

U = k1 * (- ) + k2 * F + k3

Donde, Tp es el tiempo de viaje en transporte público

k1,k2,k3 : parámetros
F es la tarifa del transporte público.
C0 es el parámetro de los hogares que tienen automóviles
C1 es el parámetro para los hogares que no tienen automóviles.
Tipo de Modelo de Reparto Modal
• Curva de la Participación Modal
– Y: Participación Modal
– X: Costo de viaje/Travel Time
• Modelo Logit 　 (Logit Model)
– Se modelan los comportamientos de la selección
modal y se estima la Probabilidad de la selección
modal.
• Modelo Logit Agregado
• Model Logit Desagregado
 Curva de la participación modal
• Principio: Los modos de viajes objetivo son limitados a solo 2 (Ejemplo:
Caminando vs. Modo, Automóvil vs Público)
• La brecha en el tiempo de viaje, costo de viaje entre los 2 modos serán
seleccionados como variable explicativa.
• Dado que la extracción de cada par OD generaría una gran variación, se extraerá el
reparto modal promedio por grupo de brecha de tiempo de viaje o brecha de
costo
Travel
de viaje.
Travel Travel
Cost by Cost by Probabilit Class of
Origin Destination Time by Time by Time by
Bus Car y of Bus ｔB/ｔC
Bus Car Bus / Car
O D ｔ Bij ｔ Cij ｃ Bij cCij PBij ｔ B/ｔ C
15 15 2.08 1.39 6.947 10.4205 0.4425419 0.014811 0.05
8 12 11.30 7.53 37.653 56.4795 0.4615506 0.0221475 0.05
11 7 11.44 7.63 38.134 57.201 0.4951023 0.0243999 0.05
2 15 19.69 13.13 65.641 98.4615 0.5168179 0.0288687 0.05
12 7 10.09 6.72 33.618 50.427 0.4775552 0.0303933 0.05
10 12 17.94 11.96 59.796 89.694 0.4531834 0.0308914 0.05
3 15 6.25 4.17 20.845 31.2675 0.5820087 0.0325242 0.05
4 2 4.25 2.84 14.178 21.267 0.5487082 0.0326859 0.05
10 15 8.08 5.38 26.922 40.383 0.4812076 0.0339621 0.05
7 12 10.09 6.72 33.618 50.427 0.4632056 0.038684 0.05
13 5 8.52 5.68 28.395 42.5925 0.5402134 0.0461439 0.05
4 11 8.39 5.59 27.972 41.958 0.430832 0.0680496 0.1
1 14 3.66 2.44 12.194 18.291 0.4279494 0.0898851 0.1
6 7 4.34 2.89 14.456 21.684 0.4975106 0.0901918 0.1
8 14 4.67 3.11 15.568 23.352 0.4997596 0.0944584 0.1
2 1 14.01 9.34 46.715 70.0725 0.4422308 0.1046602 0.15
3 3 2.74 1.83 9.143 13.7145 0.4241017 0.1200386 0.15
9 13 10.30 6.87 34.326 51.489 0.5317513 0.125485 0.15
15 4 20.20 13.47 67.329 100.9935 0.4285416 0.1391487 0.15
11 13 9.58 6.39 31.944 47.916 0.4698523 0.140679 0.15
Model Logit
• Se selecciona la función de utilidad como variable explicativa

T: Tiempo
K: Costo
S: Servicio
 Agregado vs. Desagregado
Agregado Desagregado
Objeto de Estudio Viajes Individuales Viajes Individuales
Variable objetivo Participación Modal por Zona
Participación Modal Personal
Tráfico
Variable explicativo Valor promedio o representativo Condición Individual
por zona de tráfico Atributo Personal
Estimación del Modelo Estimación por máxima
Análisis de Regresión
verosimilitud
Ventajas • La estimación es sencilla
• Puede ser estimado a partir de
• La confiabilidad de las variables muestras pequeñas (200 – 400)
explicativas es alta
Desventajas • La estimación de modelo es
• Se necesitan tamaños de
dificil.
muestra suficientes para cada La confiabilidad de las variables
zona de tráfico •
explicativas es baja
Example: T3.15 　 Travel Time by Bus (minutes)
ｔ Bij 1 2 3
1 5 11 13
Aggregated Logit Model 2
3
10
14
12
16
12
7
T3.16 　 Travel Time by Car (minutes)
tCij 1 2 3
1 3 8 10
2 8 7 11
3 10 11 3
3 T3.17 　 Travel Cost by Bus (JPY)
cBij 1 2 3
2 1 130 140 180
2 140 130 220
3 180 220 130
T3.18 　 Travel Cost by Car (JPY)
cCij 1 2 3
1 21 45 58
2 45 42 60
3 58 60 19
T3.19 　 Modal Share by Public
PBij 1 2 3
1 27% 27% 25%
2 28% 25% 26%
3 24% 19% 24%
1 T3.20 　 Modal Share by Car
PCij 1 2 3
1 73% 74% 75%
2 72% 75% 75%
3 76% 81% 76%
Example: Aggregated Logit Model
Travel Travel
Cost by Cost by Probability Probability Gap of Gap of Travel
Origin Destination Time by Time by
Bus Car of Bus of Car 　 Travel Time Cost
Bus Car ln(PC/PB)
O D ｔ Bij ｔ Cij ｃ Bij cCij PBij PCij ｔ C-tB ｃ C-cB
1 1 5 3 130 21 0.273 0.727 0.979 -2 -109
2 1 10 8 140 45 0.282 0.718 0.935 -2 -95
3 1 14 10 180 58 0.239 0.761 1.158 -4 -122
1 2 11 8 140 45 0.265 0.735 1.020 -3 -95
2 2 12 7 130 42 0.248 0.752 1.109 -5 -88
3 2 16 11 220 60 0.192 0.808 1.437 -5 -160
1 3 13 10 180 58 0.253 0.747 1.083 -3 -122
2 3 12 11 220 60 0.255 0.745 1.072 -1 -160
3 3 7 3 130 19 0.244 0.756 1.131 -4 -111
𝑃 𝐶𝑎𝑟
ln ( 𝐵𝑢𝑠 )=𝛼 ( 𝑡 𝑖𝑗 − 𝑡 𝑖𝑗 ) + 𝛽 ( 𝑐 𝑖𝑗 − 𝑐 𝑖𝑗 ) +𝛾
𝐶𝑎𝑟 𝐵𝑢𝑠 𝐶𝑎𝑟 𝐵𝑢𝑠

𝑃
𝑃 𝐶𝑎𝑟 𝛼 (𝑡
𝐶𝑎𝑟 𝐵𝑢𝑠
− 𝑡𝑖𝑗 ) 𝛽 (𝑐 𝑖𝑗
𝐶𝑎𝑟 𝐵𝑢𝑠
− 𝑐 𝑖𝑗 )
𝐵𝑢𝑠
= 𝑒 𝑖𝑗
∗𝑒 ∗𝛾
𝑃
1 − 𝑃 𝐵𝑢𝑠 𝛼 (𝑡
𝐶𝑎𝑟
−𝑡 𝑖𝑗
𝐵𝑢𝑠
)+ 𝛽 ( 𝑐 𝐶𝑎𝑟 − 𝑐 𝑖𝑗 )
𝐵𝑢𝑠

𝐵𝑢𝑠
=𝛾 ∗ 𝑒 𝑖𝑗 𝑖𝑗

𝑃
1 𝛼 (𝑡 𝑖𝑗
𝐶𝑎𝑟
−𝑡 𝑖𝑗
𝐵𝑢𝑠
)+ 𝛽 ( 𝑐 𝐶𝑎𝑟 − 𝑐𝑖𝑗 )
𝐵𝑢𝑠

𝐵𝑢𝑠
=1+𝛾 ∗ 𝑒 𝑖𝑗

=
Ejemplo: Modelo Logit Agregado
Regression Analysis
R 0.9899
R2 0.9799
Adj R2 0.9732
Std Dev 0.0237
N 9.0000

Valuables Coe Std. Dev t-Value P-Value

Intercept 0.3898 0.04 8.73 0.00
ｔ C-tB -0.0796 0.01 -13.17 0.00
cC-cB -0.0039 0.00 -12.20 0.00

- 0.0039 *
- 0.0039 * + 0.3898

Tips:
Se debe revisar con mucho cuidado los símbolos
Más o Menos.
Example: Aggregated Logit Model
T3.21 　 Travel Time by Bus
ｔ Bij 1 2 3 VB 1 2 3
1 5 10 12 1 -1.01686 -1.45348 -1.80607
2 10 9 13 2 -1.45348 -1.33521 -2.11775
3 12 13 5 3 -1.80607 -2.11775 -1.01686
(minutes)
T3.22 　 Travel Time by Car
tCij 1 2 3 VC 1 2 3
1 3 8 10 1 0.05047 -0.46352 -0.68846
2 8 7 11 2 -0.46352 -0.36846 -0.77578
3 10 11 3 3 -0.68846 -0.77578 0.0582
(minutes)
T3.23 　 Travel Cost by Bus
cBij 1 2 3 PB 1 2 3
1 160 170 220 1 0.25591 0.27092 0.24645
2 170 160 280 2 0.27092 0.27553 0.20719
3 220 280 160 3 0.24645 0.20719 0.25444
(JPY)
T3.24 　 Travel Cost by Car Bus OD
cCij 1 2 3 qij 1 2 3Total
1 26 56 73 1 4.7 4.4 1.0 10.2
2 56 52 75 2 4.6 17.2 2.4 24.3
3 73 75 24 3 1.0 2.3 5.3 8.6
(JPY) Total 10.4 24.0 8.8 43.1
T3.14 　 Total OD Car OD
qij 1 2 3Total qij 1 2 3Total
1 18.3 16.4 4.2 38.9 1 13.6 12.0 3.2 28.7
2 17.1 62.6 11.8 91.5 2 12.5 45.4 9.4 67.2
3 4.2 11 20.9 36.1 3 3.2 8.7 15.6 27.5
Total 39.6 90 36.9 166.5 Total 29.2 66.0 28.1 123.4
Example: T3.15 　 Travel Time by Bus (minutes)
ｔ Bij 1 2 3
1 5 11 13
Disaggregated Logit Model 2
3
10
14
12
16
12
7
T3.16 　 Travel Time by Car (minutes)
tCij 1 2 3
1 3 8 10
2 8 7 11
3 10 11 3
T3.17 　 Travel Cost by Bus (JPY)
cBij 1 2 3
1 130 140 180
2 140 130 220
3 180 220 130
T3.18 　 Travel Cost by Car (JPY)
cCij 1 2 3
1 21 45 58
2 45 42 60
3 58 60 19
T3.19 　 Number of Bus Users
PBij 1 2 3
1 39 22 21
2 11 31 25
3 16 15 50
T3.20 　 Number of Car Users
PCij 1 2 3
1 104 61 62
2 28 94 73
3 51 63 155
Cómo estimar los parámetros:
Estimación por Máxima Verosimilitud (MLE)
En estadística, la función de verosimilitud (a menudo llamada simplemente
verosimilitud) mide la bondad de ajuste de un modelo estadístico a una muestra
de datos para valores dados de parámetros desconocidos.

Ejemplos
Considere un modelo estadístico simple de lanzamiento de una
moneda: un único parámetro que expresa la “honestidad" de la moneda.
El parámetro es la probabilidad de que una moneda caiga cara ("H")
cuando se lanza.
Si lanza 6 veces y 5 veces cae cara :
¿Cuál es la probabilidad de que caiga cara?

= 6*
=6{5 * } = 6(5-5q-q) =
To maximize q : = 0 ⇒ 5 – 6q = 0 ⇒ q= 5/6

Cuando un comportamiento se modela mediante un modelo Logit, la verosimilitud

se puede definir como la probabilidad de realizar el comportamiento.
La estimación de máxima verosimilitud (MLE) es estimar el parámetro, de modo que
la verosimilitud se maximice.

https://en.wikipedia.org/wiki/Likelihood_function
Example: Disaggregated Logit Model
Travel Travel
Destinatio Cost by Cost by
Origin Time by Time by Bus Users Car Users
n Bus Car
Bus Car
O D ｔ Bij ｔ Cij ｃ Bij cCij NBij NCij
1 1 5 3 130 21 39 104
2 1 10 8 140 45 11 28
3 1 14 10 180 58 16 51
1 2 11 8 140 45 22 61
2 2 12 7 130 42 31 94
3 2 16 11 220 60 15 63
1 3 13 10 180 58 21 62
2 3 12 11 220 60 25 73
3 3 7 3 130 19 50 155

+
Ejemplo: Modelo Logit Desagregado

𝑛 𝑛

∑ 𝑁𝑏∗ ln ( 𝑃 𝑏𝑖𝑗 ) + ∑ 𝑁 𝑐 ∗ ln (𝑃 𝑐 𝑖𝑗 ) 
𝑖=1, 𝑗=1 𝑖=1, 𝑗=1
Load the Solver Add-in
1. On the File tab, click Options.

2. Under Add-ins, select Solver Add-in and

click on the Go button.

3. Check Solver Add-in and click OK.

4. You can find the Solver on the Data tab, in

the Analyze group.

https://www.excel-easy.com/data-analysis/solver.html
 Example: Disaggregated Logit Model

Estimating the parameter using “Solver” in Excel…

Ejemplo: Modelo Logit Desagregado

Los parámetros se calculan automáticamente.

Dado que el valor de verosimilitud es demasiado pequeño, se debe tomar el
logaritmo.
Types of the Logit Model

• Binary Logit Model

• Multinomial Logit Model
Probability of 𝑒𝑉 𝐶𝑎𝑟

choosing Car
𝑒𝑉 𝐶𝑎𝑟
+𝑒𝑉 𝑏𝑢𝑠
+𝑒 𝑉 𝑡𝑎𝑥𝑖

• Nested Logit Model

Types of the Logit Model
• Multinomial Logit Model

• Nested Logit Model

Public Bicycle
Topic 3-3:
Stated Preference Survey
 Stated Preference Survey
 Survey Purpose:
 For the city with rapid changes on Travel Mode Behavior (ex.
motorization, increasing of taxis, bus restructure) may be difficult to
follow by existing model. This survey is to update the mode-choice
modelling.
 Stated preference (SP) methods are widely used to identify
behavioral responses to choice from the alternatives including which
are not revealed in the city (ex. Mass Transit, BRT).
 Problemas del SP y Diseño del Cuestionario
• Para los ciudadanos que no están Diseño del cuestionario del SP
familiarizados con el ferrocarril urbano, las
características del servicio son explicados
claramente.
• El diseño del cuestionario intenta hacer más
fácil la comparación entre los modos de
viaje.
• Mediante el diseño experimental, fueron
desarrollados 36 combinaciones de tiempo
de viaje y costos de viaje por modo.
Nivel de servicio asumido para los modos de viaje
(Ejemplo)
Level of Service by Travel Modes
Trip MC Car Taxi Bus Urban Rail
Lengt
Case h Time Cost Time Cost Time Cost Time Cost Time Cost
(km) (min) (MMK) (min) (MMK) (min) (MMK) (min) (MMK) (min) (MMK)

A-1 4 20 360 30 1,000 35 2,000 55 200 24 280

A-1 1. MC 2. Car 3. Taxi 4. Bus 5. Metro
A-2 4 15 360 12 1,000 17 2,000 39 200 34 280 300 Parking Fee + 60 500 Parking Fee + 500
Travel Cost (Kyat) 2000 200 280
Fuel Cost Fuel Cost
A-3 4 15 360 12 1,000 17 2,000 39 200 24 420 Access to the mode No No No 5 min / 300 m 5 min / 300 m
Waiting Time No No 5 min 5 min 5 min
A-4 4 20 360 30 1,000 35 2,000 55 200 34 420 In Vehicle Time 20 min 30 min 30 min 40 min 9 min
Egress to the mode No No No 5 min / 300 m 5 min / 300 m
B-1 4 20 360 30 1,000 35 2,000 55 200 24 700
Which Mode you will
MMK 1,000 MMK 2,000
B-2 4 15 360 12 1,000 17 2,000 39 200 34 700 chose ? (1-5) MMK 360 MMK 200 MMK 280

B-3 4 15 360 12 1,000 17 2,000 39 200 24 280 min 20 min 30 min 35 min 55 min 24

B-4 4 20 360 30 1,000 35 2,000 55 200 34 280 34

 Development of MODE CHOICE model
exp (𝑈 𝑖 )
• P 𝑖was
Conventional Multinomial Logit model =
applied as the mode choice model.
∑ exp (𝑈 𝑖 )
𝑗

 Utility Function of
Motorcycle (for MC Own  
Households):
 Utility Function of Car (for
Car Own Households):
 
 Utility Function of Taxi:

 Utility Function of Bus:

 
 Utility Function of UMRT:

βxx0: = Dummy variable of each mode. The value for urban railway is zero.
βTT: = Parameter of each mode for travel time
βTC: = Parameter of each mode for travel cost
βshort: = Dummy variable for trip with short distance (less than 4 km).
βlong: = Dummy variable for trip with long distance (less than 12 km).
TTxx: = Travel time of each mode, including access, egress, waiting time.
TC = Travel cost of each mode, including fare, fuel, parking fee and et al. 35
Parameters of Mode Choice Models
Work School Others Business
Non-Car Own HHs
Para. T Para. T Para. T Para. T
Travel Cost (MMK100) -0.022 **2.4 -0.050 ***2.6 -0.098 ***6.7 -0.071 ***4.6
Travel Time (100 min) -0.713 **2.9 -1.138 ***2.8 -0.907 ***3.3 -1.964 ***2.8
Taxi Dummy -2.947 ***12.9 -2.354 ***5.1 -0.881 ***3.1 0.490 1.3
Bus Dummy -1.594 ***19.2 -0.844 ***6.0 -1.076 ***12.2 -1.068 ***3.6
Rho-square 0.625 0.487 0.376 0.214
Sample Size 4,427 1,197 265 352

Work School Others Business

Car Own HHs
Para. T Para. T Para. T Para. T
Travel Cost (100 Kyat) -0.020 1.4 -0.031 *1.7 -0.023 1.5 -0.026 0.9
Travel Time (100 min) -1.027 ***3.6 -1.112 **2.1 -0.892 ***2.9 -1.232 1.5
Taxi Dummy -2.142 ***5.0 -1.921 ***4.0 -1.601 ***3.8 -1.117 1.3
Bus Dummy -1.862 ***13.9 -1.273 ***6.0 -1.772 ***14.2 -2.035 ***4.2
Car Dummy -0.946 ***5.3 -1.401 ***6.9 -0.739 ***4.1 -0.433 1.3
Short Trip (Car / Taxi) -0.299 *1.8     -0.604 ***3.9    
Long Trip (Bus/ UMRT) -0.449 **2.5     0.767 ***3.4    
Rho-square 0.359 0.315 0.342 0.142
Sample Size 4,427 1,197 265 352

MC Own HHs (All Purpose) Para. T

Travel Cost (100 Kyat) -0.064 ***3.4  T – value (Absolute)
Travel Time (100 min) -1.281 ***2.9 • *** :Significant at 1% level
Taxi Dummy -2.338 ***5.8
Bus Dummy -1.641 ***11.3
• ** :Significant at 5% level.
MC Dummy -1.390 ***18.6 • * : Significant at 10 % level
Rho-square 0.364
Sample Size 1,688
36