無(wú)人駕駛汽車(chē)對(duì)出行方式選擇行為的影響

劉志偉 ，劉建榮 ，鄧 衛(wèi)

（1. 武漢輕工大學(xué)土木工程與建筑學(xué)院，湖北 武漢 430023；2. 華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510640；3. 東南大學(xué)交通學(xué)院，江蘇 南京 211189）

當(dāng)前，無(wú)人駕駛汽車(chē)技術(shù)日新月異，取代傳統(tǒng)小汽車(chē)已是指日可待，但是相關(guān)立法者、城市管理者、規(guī)劃師、工程師還沒(méi)有做好準(zhǔn)備. 無(wú)人駕駛汽車(chē)對(duì)車(chē)輛行駛里程、出行方式選擇和車(chē)輛行駛時(shí)間等出行者出行行為具有重要影響[1-3]. 在假定無(wú)人駕駛汽車(chē)投入使用的背景下，研究其對(duì)出行者出行行為的影響機(jī)理，不僅是出行者交通出行行為理論的豐富和完善，而且可以為將來(lái)制定適應(yīng)無(wú)人駕駛汽車(chē)發(fā)展的停車(chē)規(guī)劃和停車(chē)場(chǎng)設(shè)計(jì)、交通規(guī)劃、城市規(guī)劃、工程措施和政策研究提供一定參考和指導(dǎo).

研究出行行為的離散選擇模型主要有多項(xiàng)Logit 模型（multinomial Logit model，MNLM）和巢式Logit 模型（nested Logit model，NLM）. MNLM 結(jié)構(gòu)簡(jiǎn)單應(yīng)用廣泛，但是存在IIA （independence of irrelevant alternatives）特性. NLM 部分解決了IIA 特性問(wèn)題，但是存在如何分類(lèi)的難題，此外并未解決底層同一巢內(nèi)選項(xiàng)的IIA 特性問(wèn)題[4]. 隨機(jī)系數(shù)Logit 模型（random parameter Logit model，RPLM）考慮不同消費(fèi)者的偏好的異質(zhì)性，通過(guò)引進(jìn)隨機(jī)參數(shù)假定某一變量服從某種分布，允許不同選項(xiàng)之間存在不同種類(lèi)的相關(guān)性，從而徹底解決了傳統(tǒng)離散選擇模型IIA 特性這一難題[5-6].

除了研究方法上的改進(jìn)，在研究?jī)?nèi)容層面取得很大進(jìn)步. 早期出行方式選擇研究中考慮的影響因素主要包括兩個(gè)方面：一方面是出行費(fèi)用、出行時(shí)間等出行特征；另一方面是性別、收入、受教育程度等出行者自身屬性. 隨著研究的發(fā)展，學(xué)者們發(fā)現(xiàn)出行者的心理、態(tài)度、價(jià)值觀等心理潛變量對(duì)出行者出行方式選擇同樣具有顯著影響[7]. 我們將納入潛變量的離散選擇模型稱(chēng)之為混合選擇模型（hybrid choice model）. Paulssen 等[8]研究了權(quán)力、享樂(lè)主義和安全等價(jià)值觀與靈活性、便利性、舒適性等態(tài)度對(duì)出行方式選擇的影響. Kim 等[9]建立混合選擇模型研究共享汽車(chē)的不確定性和服務(wù)滿(mǎn)意度對(duì)出行者出行方式選擇的影響. 景鵬等[10]運(yùn)用計(jì)劃行為理論框架研究了行為態(tài)度、社會(huì)規(guī)范（subjective norms，SN）和行為控制等心理潛變量對(duì)出行者出行方式選擇的影響. 鞠鵬等[11]基于混合選擇模型探索感知有用性（perceived usefulness，PU）、感知易用性（perceived ease to use，PEU）和行為態(tài)度等潛變量對(duì)出行者汽車(chē)共享選擇行為的影響. 劉志偉等[12]采用潛在類(lèi)別條件Logit 模型研究舒適度、可靠性和靈活性心理潛變量對(duì)市內(nèi)機(jī)動(dòng)化出行行為的影響. 這些研究都是對(duì)現(xiàn)實(shí)中已有交通方式進(jìn)行研究，無(wú)人駕駛車(chē)輛尚未正式投入使用，是一種全新的技術(shù). 技術(shù)接受模型（technology acceptance model，TAM）最初用于研究顧客對(duì)信息技術(shù)的接受程度[13]. 因此，本文基于技術(shù)接受理論，將感知有用性、感知易用性、感知信任（perceived trust，PT）、社會(huì)規(guī)范和行為意向（behavioral intention to use，BIU） 5 個(gè)心理潛變量納入RPLM，綜合考慮步行與等待時(shí)間、出行時(shí)間、出行費(fèi)用等出行特征和性別、年齡、收入、是否擁有小汽車(chē)等社會(huì)經(jīng)濟(jì)屬性，建立混合選擇模型研究無(wú)人駕駛汽車(chē)對(duì)出行者選擇行為的影響因素和影響程度.

1 理論框架及模型建立

1.1 理論框架

技術(shù)接受模型最早是由美國(guó)學(xué)者Davis 等[13-14]在理性行為理論基礎(chǔ)提出的，用于研究和預(yù)測(cè)人們對(duì)信息技術(shù)的接受程度. 該理論主張人的行為意向決定了人對(duì)新技術(shù)的使用. 當(dāng)人面對(duì)一項(xiàng)新技術(shù)時(shí)，人的行為意向取決于人們對(duì)新技術(shù)的感知有用性和感知易用性[15]. 感知有用性指用戶(hù)使用新技術(shù)后工作績(jī)效和工作效率提高的程度. 感知易用性指用戶(hù)認(rèn)同新技術(shù)易于操作程度. 此外，在技術(shù)接收理論的基礎(chǔ)上，感知信任和社會(huì)規(guī)范被認(rèn)為是影響新技術(shù)接受重要因素[16-17]. 感知信任指用戶(hù)對(duì)新技術(shù)的信任程度. 社會(huì)規(guī)范是指用戶(hù)容易受到非常親近的人對(duì)新技術(shù)態(tài)度影響，將兩者引入技術(shù)接收理論，有利于我們加強(qiáng)對(duì)無(wú)人駕駛汽車(chē)使用行為意向的理解.混合選擇模型是將潛變量納入選擇模型效用函數(shù)的模型. 因此，本文在技術(shù)接受模型基礎(chǔ)上進(jìn)一步擴(kuò)展，將感知有用性、感知易用性、社會(huì)規(guī)范、感知信任和行為意向5 個(gè)潛變量納入RPLM，建立混合選擇模型研究無(wú)人駕駛汽車(chē)對(duì)出行者出行選擇行為的影響因素和影響程度，研究框架見(jiàn)圖1 所示. 出行者的社會(huì)經(jīng)濟(jì)屬性主要包括：性別、年齡、受教育程度、職業(yè)、家庭月收入、家庭是否有入學(xué)兒童、是否有小汽車(chē)、家庭總?cè)丝跀?shù)、是否有駕照、是否有公交卡、和通勤方式.

圖1 研究框架Fig. 1 Research framework

表征出行者心理潛變量感知有用性的顯變量包括：無(wú)人駕駛汽車(chē)可以降低交通事故率（pu1）、無(wú)人駕駛汽車(chē)可以緩解交通擁堵（pu2）、無(wú)人駕駛汽車(chē)可以降低交通成本（pu3）、無(wú)人駕駛汽車(chē)可以改善駕駛行為表現(xiàn)（pu4）. 感知易用性的顯變量包括：學(xué)習(xí)使用無(wú)人駕駛汽車(chē)對(duì)我來(lái)說(shuō)很簡(jiǎn)單（peu1）、無(wú)人駕駛汽車(chē)的使用很清晰和容易理解（peu2）、無(wú)人駕駛汽車(chē)的使用不需要太多的心理負(fù)擔(dān)（peu3）. 感知信任的顯變量包括：無(wú)人駕駛汽車(chē)是可靠的（pt1）、無(wú)人駕駛汽車(chē)是值得信賴(lài)的（pt2）、總之，我完全相信無(wú)人駕駛汽車(chē)（pt3）. 社會(huì)規(guī)范的顯變量包括：對(duì)我很重要的人支持我使用無(wú)人駕駛汽車(chē)（sn1）、對(duì)我很重要的人希望我將來(lái)能使用無(wú)人駕駛汽車(chē)（sn2）、如果身邊的人使用無(wú)人駕駛汽車(chē)，我也會(huì)使用的（sn3）.行為意向的顯變量包括：未來(lái)我會(huì)使用無(wú)人駕駛汽車(chē)（biu1）、未來(lái)我會(huì)購(gòu)買(mǎi)無(wú)人駕駛汽車(chē)（biu2）、我會(huì)向親朋好友推薦使用無(wú)人駕駛汽車(chē)（biu3）.

1.2 隨機(jī)系數(shù)Logit 模型

由于RPLM 中包含隨機(jī)變量，概率函數(shù)是非封閉型的，因此，不能用傳統(tǒng)求解Logit 模型的方法計(jì)算式（2）中的概率，需要運(yùn)用計(jì)算機(jī)仿真進(jìn)行求解[20].

2 問(wèn)卷設(shè)計(jì)及樣本描述性統(tǒng)計(jì)

2.1 問(wèn)卷設(shè)計(jì)

本文主要研究無(wú)人駕駛汽車(chē)投入使用對(duì)出行者出行行為的影響. 按照所有權(quán)的不同，無(wú)人駕駛汽車(chē)分為兩種：私人無(wú)人駕駛汽車(chē)（private automated vehicles，PAV）和共享無(wú)人駕駛汽車(chē)（shared automated vehicles，SAV）. 無(wú)人駕駛汽車(chē)對(duì)傳統(tǒng)小汽車(chē)的保有量、車(chē)輛行駛里程、出行方式分擔(dān)比例、車(chē)輛行駛時(shí)間等具有不同的顯著影響[21]. 因此本文主要研究受訪出行者對(duì)傳統(tǒng)小汽車(chē)、私人無(wú)人駕駛汽車(chē)和共享無(wú)人駕駛汽車(chē)3 種出行方式的選擇.

根據(jù)研究目的和建立RPLM 的需要，本文的調(diào)查內(nèi)容主要包括3 個(gè)方面：出行者的社會(huì)經(jīng)濟(jì)屬性、基于擴(kuò)展技術(shù)接受模型表征出行者對(duì)無(wú)人駕駛汽車(chē)技術(shù)接受的心理潛變量、出行方式特征變量.

問(wèn)卷中關(guān)于對(duì)無(wú)人駕駛汽車(chē)態(tài)度方面的潛變量是基于擴(kuò)展技術(shù)接受模型，運(yùn)用李克特五點(diǎn)量表法對(duì)顯變量進(jìn)行調(diào)查，其范圍從“非常不贊同”到“非常贊同”，賦值范圍對(duì)應(yīng)1～5.

采用SP （stated preference)調(diào)查，在情景設(shè)計(jì)部分選取步行與等待時(shí)間（wait and walk time，WWT）、出行時(shí)間（travel time，TT）和出行費(fèi)用（travel cost，TC）（私人無(wú)人駕駛汽車(chē)和傳統(tǒng)小汽車(chē)考慮停車(chē)費(fèi)用） 3 個(gè)因素作為特征屬性. 本文基于主效應(yīng)的部分正交設(shè)計(jì)原理，使用JMP 軟件，生成4 份問(wèn)卷，每份問(wèn)卷4 個(gè)場(chǎng)景（選擇集t= 1，2，3，4），共計(jì)16 個(gè)情景，每個(gè)受訪者對(duì)其中1 份問(wèn)卷4 個(gè)情景中的選項(xiàng)做出選擇. 表1 為其中一個(gè)場(chǎng)景示例.

表1 SP 情景示例Tab. 1 Example of SP scenario

2.2 數(shù)據(jù)的描述性統(tǒng)計(jì)

2019 年10 月—2020 年1 月在武漢市采用線下現(xiàn)場(chǎng)問(wèn)卷和線上問(wèn)卷相結(jié)合的方式開(kāi)展本次調(diào)查.線下調(diào)查選擇天氣良好的工作日，調(diào)查過(guò)程堅(jiān)持隨機(jī)抽樣原則，主要在停車(chē)場(chǎng)和地鐵站人流較多地方選擇受訪者. 線上調(diào)查主要是隨機(jī)邀請(qǐng)受訪者填寫(xiě)網(wǎng)絡(luò)調(diào)查問(wèn)卷；為了保證數(shù)據(jù)的有效性，剔除掉回答時(shí)間小于7 min，回答時(shí)間超過(guò)20 min 的問(wèn)卷，此外IP 地址限定為武漢市，答題機(jī)會(huì)限制為1 次. 最后得到有效問(wèn)卷433 份，樣本描述性統(tǒng)計(jì)如表2 所示，樣本整體與武漢市的人群分布差異不大.

表2 樣本描述性統(tǒng)計(jì)Tab. 2 Descriptive statistics of samples

2.3 數(shù)據(jù)的信度和效度分析

為了保證調(diào)查問(wèn)卷收集數(shù)據(jù)的可靠性和穩(wěn)定性，對(duì)樣本進(jìn)行KMO （Kaiser-Meyer-Olkin）樣本測(cè)度，Bartlett 球體檢驗(yàn)和Cronbach’s Alpha 對(duì)數(shù)據(jù)進(jìn)行信度分析和效度分析，結(jié)果如表3 所示. 5 個(gè)潛變量KMO 值均大于0.7，因子載荷均大于0.8，Cronbach’s Alpha 均大于0.8，調(diào)查問(wèn)卷的信度和效度比較理想.

表3 樣本數(shù)據(jù)的信度及效度檢驗(yàn)Tab. 3 Reliability and validity test of samples

3 實(shí)證分析

3.1 出行者心理潛變量分析

本文首先利用多指標(biāo)多因素模型（multiple indicator multiple cause，MIMIC）求解感知有用性、感知易用性、社會(huì)規(guī)范、感知信任和行為意向5 個(gè)態(tài)度潛變量，計(jì)算潛變量模型的擬合優(yōu)度指標(biāo)，并參考文獻(xiàn)[22]分析擬合效果. 該模型的近似誤差均方根（root mean square error of approximation，RMSEA）為0.08 （≤ 參考值0.08），比較擬合指數(shù)（comparative fit index，CFI）為0.960 （≥ 參考值0.900），Tucker-Lewis 指數(shù)（Tucker-Lewis index，TLI）為0.950 （≥ 參考值0.900），標(biāo)準(zhǔn)化均方根殘差（standardized root mean square residual，SRMR）為0.04 （< 參考值0.08），表明MIMIC 模型擬合度比較理想.

個(gè)人屬性對(duì)心理潛變量的影響如表4 所示，受限于篇幅，只列出個(gè)人屬性對(duì)感知易用性的影響.在5%置信水平下，性別、年齡、受教育程度、職業(yè)、是否擁有學(xué)齡兒童、駕照和是否擁有小汽車(chē)都會(huì)影響到出行者對(duì)無(wú)人駕駛汽車(chē)新技術(shù)的感知易用性.男性、教育程度越高、家里有學(xué)齡兒童、持有駕照、擁有小汽車(chē)和擁有公交卡的出行者感知無(wú)人駕駛汽車(chē)更加易于使用；而年齡越大、職業(yè)越靈活的以及家庭成員越多的出行者覺(jué)得無(wú)人駕駛汽車(chē)難以使用.

表4 個(gè)人屬性對(duì)感知易用性的影響Tab. 4 Impact of travelers’ demographic characteristics on potential variable PEU

3.2 隨機(jī)系數(shù)Logit 模型

為了體現(xiàn)個(gè)體對(duì)步行與等待時(shí)間、出行時(shí)間、出行費(fèi)用等出行特征的異質(zhì)性和克服MNLM 的多重共線性問(wèn)題，將小汽車(chē)出行設(shè)置成對(duì)比項(xiàng)，建立RPLM. 為了進(jìn)行對(duì)比分析，本文同時(shí)建立帶潛變量的MNLM.

參照以往研究[23]關(guān)于RPLM 的分析流程，本文先假定WWT、TT、TC 3 個(gè)變量都是隨機(jī)系數(shù). RPLM的解不是封閉的，因此必須使用仿真方法對(duì)模型進(jìn)行求解，本文利用NLogit 軟件進(jìn)行編程，隨機(jī)抽樣方法選擇Halton，抽取次數(shù)為1000 次. 兩種模型最終標(biāo)定結(jié)果如表5 所示，其中傳統(tǒng)小汽車(chē)是基準(zhǔn)項(xiàng)，各個(gè)系數(shù)設(shè)置為0，故在表中未列出.

由表5 可知：帶潛變量的RPLM 和帶潛變量的MNLM 的偽平方值分別為0.320 和0.284. 兩種模型都是可以接受的，相比帶潛變量的MNLM，帶潛變量的RPLM 的擬合優(yōu)度更高.

表5 帶潛變量的RPLM 和帶潛變量的MNLM 參數(shù)標(biāo)定結(jié)果Tab. 5 Estimation results of the RPLM with latent variables and MNLM with latent variables

在帶潛變量的RPLM 中，出行費(fèi)用的均值和標(biāo)準(zhǔn)差均顯著，表明在個(gè)體的效用函數(shù)中，出行費(fèi)用的系數(shù)為隨機(jī)系數(shù)，體現(xiàn)了不同個(gè)體出行費(fèi)用的異質(zhì)性，服從均值為?0.029、方差為0.032的正態(tài)分布. 此外，步行與等待時(shí)間和出行時(shí)間的系數(shù)都是負(fù)值，這與先前的研究結(jié)論保持一致，步行與等待時(shí)間、出行時(shí)間和出行費(fèi)用的增加，會(huì)顯著降低相應(yīng)出行方式的出行需求[24-25].

在個(gè)體的社會(huì)經(jīng)濟(jì)屬性方面，性別、職業(yè)等變量影響不顯著. 30 歲以下的群體和受教育程度為本科的出行者選擇共享無(wú)人駕駛汽車(chē)的意愿更高，這與Haboucha 等[26]研究結(jié)論一致，即老年人更加偏向于傳統(tǒng)汽車(chē)，受教育程度高的出行者使用無(wú)人駕駛汽車(chē)的意愿更高，表明無(wú)人駕駛汽車(chē)在提高安全性的同時(shí)，還應(yīng)當(dāng)取得不同群體對(duì)無(wú)人駕駛技術(shù)的信任；家庭月收入20 000 元以上的出行者選擇無(wú)人駕駛汽車(chē)相對(duì)較低，主要原因是無(wú)人駕駛汽車(chē)投入使用不久，高收入群體對(duì)待新技術(shù)相對(duì)更加保守；駕照對(duì)選擇私人無(wú)人駕駛汽車(chē)出行具有正影響；擁有公交卡的出行者選擇私人無(wú)人駕駛汽車(chē)的意愿較低，采用小汽車(chē)通勤方式的出行者選擇共享無(wú)人駕駛汽車(chē)出行的意愿較低. 家庭總?cè)丝跀?shù)對(duì)選擇無(wú)人駕駛汽車(chē)出行具有正影響.

在心理潛變量方面，感知信任和行為意向?qū)o(wú)人駕駛汽車(chē)具有顯著正影響，表明出行者對(duì)無(wú)人駕駛汽車(chē)信任程度越高和使用行為意向越高，那么使用無(wú)人駕駛汽車(chē)的意愿越高，這與Liu 等[27]的研究結(jié)論一致. 因此，提高大眾對(duì)無(wú)人駕駛汽車(chē)的感知信任，有利于促進(jìn)無(wú)人駕駛汽車(chē)的普及和應(yīng)用.

為了更加深入分析出行費(fèi)用對(duì)出行方式選擇的影響，我們計(jì)算出行費(fèi)用的邊際效應(yīng). 邊際效應(yīng)是指在其他變量保持不變的情況下，解釋變量變化1%引起各種選擇概率的變化，如式（5）所示.

計(jì)算各選擇項(xiàng)效用后對(duì)選擇枝的選擇概率進(jìn)行加權(quán). 當(dāng)出行費(fèi)用增加1%時(shí)，出行費(fèi)用的邊際效用如表6 所示.

表6 出行費(fèi)用的邊際效用Tab. 6 Marginal effects of travel costs%

由表5 可知：在其他變量保持不變的情況下，私人無(wú)人駕駛汽車(chē)出行費(fèi)用每提高1%，選擇私人無(wú)人駕駛汽車(chē)概率下降1.787%，共享無(wú)人駕駛汽車(chē)和傳統(tǒng)小汽車(chē)的選擇概率分別提高1.536%和0.251%；共享無(wú)人駕駛汽車(chē)出行費(fèi)用每提高1%，選擇共享無(wú)人駕駛汽車(chē)概率下降1.071%，私人無(wú)人駕駛汽車(chē)和傳統(tǒng)小汽車(chē)的選擇概率分別上升0.846%和0.225%；傳統(tǒng)小汽車(chē)出行費(fèi)用每提高1%，小汽車(chē)選擇概率下降0.920%，私人無(wú)人駕駛汽車(chē)和共享無(wú)人駕駛汽車(chē)的選擇概率分別提高0.346%和0.575%. 結(jié)果表明降低出行費(fèi)用的方法可以顯著提高選擇無(wú)人駕駛汽車(chē)選擇概率，這與Krueger 等[28]研究結(jié)論一致，出行費(fèi)用是影響無(wú)人駕駛汽車(chē)使用以及選擇共享無(wú)人駕駛汽車(chē)的關(guān)鍵因素. 因此，考慮到共享無(wú)人駕駛汽車(chē)的公共交通屬性，可以通過(guò)免費(fèi)換乘公共交通、分時(shí)段計(jì)費(fèi)等方式合理制定收費(fèi)標(biāo)準(zhǔn)促進(jìn)共享無(wú)人駕駛汽車(chē)的發(fā)展，提高城市交通出行效率.

4 結(jié) 論

基于擴(kuò)展技術(shù)接受模型，利用隨機(jī)系數(shù)Logit模型對(duì)SP 調(diào)查數(shù)據(jù)進(jìn)行建模，研究出行者無(wú)人駕駛汽車(chē)選擇行為的影響因素和影響程度. 通過(guò)研究得到以下結(jié)論：

1） 出行者對(duì)出行費(fèi)用的偏好具有異質(zhì)性，在效用函數(shù)中，出行費(fèi)用不是一個(gè)固定常數(shù)，而是服從均值為 ?0.029，方差為0.0302的正態(tài)分布.

2） 無(wú)人駕駛汽車(chē)選擇行為不僅受到出行特征和社會(huì)經(jīng)濟(jì)屬性的影響，而且還受到感知信任、社會(huì)規(guī)范和行為意向等心理潛變量的影響. 為了促進(jìn)共享無(wú)人駕駛汽車(chē)的推廣和應(yīng)用，應(yīng)從感知信任和社會(huì)規(guī)范等方面加大對(duì)無(wú)人駕駛汽車(chē)的宣傳力度，增強(qiáng)大家對(duì)無(wú)人駕駛汽車(chē)技術(shù)的理解和信任程度，為未來(lái)無(wú)人駕駛汽車(chē)的普及打下基礎(chǔ).

3） 通過(guò)將共享無(wú)人駕駛汽車(chē)列入城市公共交通體系，允許其使用公交車(chē)專(zhuān)用道等措施降低出行費(fèi)用和減少出行時(shí)間，可以顯著提升出行者選擇共享無(wú)人駕駛汽車(chē)出行的概率，促進(jìn)城市交通出行的綠色發(fā)展.