Vehicle operating speed plays a significant role in many fields of transportation engineering including safety, operation, design and management. The current research effort contributes to literature on examining vehicle speed on arterial roads methodologically and empirically. Specifically, we propose and estimate a panel mixed generalized ordered probit fractional split (PMGOPFS) model to examine critical factors contributing to vehicle operating speed on roadways. The proposed modeling framework allows for the exogenous variable impacts to vary across the alternatives. Further, the model is formulated to allow for the impact of common unobserved factors across multiple levels (roadway, segment, direction, day and time period). To the best of the authors’ knowledge, this is the first time such an econometric model is proposed and estimated in any literature (not just in transportation). The proposed model is estimated employing a maximum simulated quasi-likelihood based objective function. Vehicular speed data obtained from 8 arterial roads in Orlando for the year 2016 is used for estimating the model. The data is obtained for weekday morning and evening peak and off-peak hours for one randomly chosen week for each roadway throughout the year. The exogenous variables that are considered in the current empirical study include geometry, roadway, traffic, land use and environmental attributes. The model estimation results are further augmented by conducting elasticity analysis to highlight the important factors affecting the vehicular speed profile.

车辆的行驶速度在交通工程的许多领域都扮演着重要的角色，包括安全，操作，设计和管理。当前的研究工作为有关在方法和经验上检查主干道路上的车辆速度的文献做出了贡献。具体来说，我们提出并估算了一个面板混合广义有序概率分数拆分（PMGOPFS）模型，以研究影响道路上车辆行驶速度的关键因素。所提出的建模框架允许外生变量影响在备选方案之间变化。此外，该模型的制定旨在考虑到跨多个级别（道路，路段，方向，日期和时间段）的常见未观察因素的影响。据作者所知，这是在任何文献中（不仅在运输中）首次提出和估算这种计量经济学模型。利用最大的基于拟似然的目标函数对提出的模型进行了估计。从奥兰多2016年从8条主干道路获得的车速数据用于估算模型。全年中每个道路的一个随机选择的星期的工作日早晨和晚上的高峰和非高峰时间获得数据。当前经验研究中考虑的外生变量包括几何形状，道路，交通，土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。利用最大的基于拟似然的目标函数对提出的模型进行了估计。从奥兰多2016年从8条主干道路获得的车速数据用于估算模型。全年中每个道路的一个随机选择的星期的工作日早晨和晚上的高峰和非高峰时间获得数据。当前经验研究中考虑的外生变量包括几何形状，道路，交通，土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。利用最大的基于拟似然的目标函数对提出的模型进行了估计。从奥兰多2016年从8条主干道路获得的车速数据用于估算模型。全年中每个道路的一个随机选择的星期的工作日早晨和晚上的高峰和非高峰时间获得数据。当前经验研究中考虑的外生变量包括几何形状，道路，交通，土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。从奥兰多2016年从8条主干道路获得的车速数据用于估算模型。全年中每个道路的一个随机选择的星期的工作日早晨和晚上的高峰和非高峰时间获得数据。当前经验研究中考虑的外生变量包括几何形状，道路，交通，土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。从奥兰多2016年从8条主干道路获得的车速数据用于估算模型。全年中每个道路的一个随机选择的星期的工作日早晨和晚上的高峰和非高峰时间获得数据。当前经验研究中考虑的外生变量包括几何形状，道路，交通，土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。土地利用和环境属性。通过进行弹性分析以突出影响车辆速度曲线的重要因素，可以进一步提高模型估计结果。