无人驾驶汽车对出行方式选择行为的影响

2021-12-28刘志伟刘建荣

西南交通大学学报 2021年6期

刘志伟，刘建荣，邓卫

（1. 武汉轻工大学土木工程与建筑学院，湖北武汉 430023；2. 华南理工大学土木与交通学院，广东广州 510640；3. 东南大学交通学院，江苏南京 211189）

当前，无人驾驶汽车技术日新月异，取代传统小汽车已是指日可待，但是相关立法者、城市管理者、规划师、工程师还没有做好准备. 无人驾驶汽车对车辆行驶里程、出行方式选择和车辆行驶时间等出行者出行行为具有重要影响[1-3]. 在假定无人驾驶汽车投入使用的背景下，研究其对出行者出行行为的影响机理，不仅是出行者交通出行行为理论的丰富和完善，而且可以为将来制定适应无人驾驶汽车发展的停车规划和停车场设计、交通规划、城市规划、工程措施和政策研究提供一定参考和指导.

研究出行行为的离散选择模型主要有多项Logit 模型（multinomial Logit model，MNLM）和巢式Logit 模型（nested Logit model，NLM）. MNLM 结构简单应用广泛，但是存在IIA （independence of irrelevant alternatives）特性. NLM 部分解决了IIA 特性问题，但是存在如何分类的难题，此外并未解决底层同一巢内选项的IIA 特性问题[4]. 随机系数Logit 模型（random parameter Logit model，RPLM）考虑不同消费者的偏好的异质性，通过引进随机参数假定某一变量服从某种分布，允许不同选项之间存在不同种类的相关性，从而彻底解决了传统离散选择模型IIA 特性这一难题[5-6].

除了研究方法上的改进，在研究内容层面取得很大进步. 早期出行方式选择研究中考虑的影响因素主要包括两个方面：一方面是出行费用、出行时间等出行特征；另一方面是性别、收入、受教育程度等出行者自身属性. 随着研究的发展，学者们发现出行者的心理、态度、价值观等心理潜变量对出行者出行方式选择同样具有显著影响[7]. 我们将纳入潜变量的离散选择模型称之为混合选择模型（hybrid choice model）. Paulssen 等[8]研究了权力、享乐主义和安全等价值观与灵活性、便利性、舒适性等态度对出行方式选择的影响. Kim 等[9]建立混合选择模型研究共享汽车的不确定性和服务满意度对出行者出行方式选择的影响. 景鹏等[10]运用计划行为理论框架研究了行为态度、社会规范（subjective norms，SN）和行为控制等心理潜变量对出行者出行方式选择的影响. 鞠鹏等[11]基于混合选择模型探索感知有用性（perceived usefulness，PU）、感知易用性（perceived ease to use，PEU）和行为态度等潜变量对出行者汽车共享选择行为的影响. 刘志伟等[12]采用潜在类别条件Logit 模型研究舒适度、可靠性和灵活性心理潜变量对市内机动化出行行为的影响. 这些研究都是对现实中已有交通方式进行研究，无人驾驶车辆尚未正式投入使用，是一种全新的技术. 技术接受模型（technology acceptance model，TAM）最初用于研究顾客对信息技术的接受程度[13]. 因此，本文基于技术接受理论，将感知有用性、感知易用性、感知信任（perceived trust，PT）、社会规范和行为意向（behavioral intention to use，BIU） 5 个心理潜变量纳入RPLM，综合考虑步行与等待时间、出行时间、出行费用等出行特征和性别、年龄、收入、是否拥有小汽车等社会经济属性，建立混合选择模型研究无人驾驶汽车对出行者选择行为的影响因素和影响程度.

1 理论框架及模型建立

1.1 理论框架

技术接受模型最早是由美国学者Davis 等[13-14]在理性行为理论基础提出的，用于研究和预测人们对信息技术的接受程度. 该理论主张人的行为意向决定了人对新技术的使用. 当人面对一项新技术时，人的行为意向取决于人们对新技术的感知有用性和感知易用性[15]. 感知有用性指用户使用新技术后工作绩效和工作效率提高的程度. 感知易用性指用户认同新技术易于操作程度. 此外，在技术接收理论的基础上，感知信任和社会规范被认为是影响新技术接受重要因素[16-17]. 感知信任指用户对新技术的信任程度. 社会规范是指用户容易受到非常亲近的人对新技术态度影响，将两者引入技术接收理论，有利于我们加强对无人驾驶汽车使用行为意向的理解.混合选择模型是将潜变量纳入选择模型效用函数的模型. 因此，本文在技术接受模型基础上进一步扩展，将感知有用性、感知易用性、社会规范、感知信任和行为意向5 个潜变量纳入RPLM，建立混合选择模型研究无人驾驶汽车对出行者出行选择行为的影响因素和影响程度，研究框架见图1 所示. 出行者的社会经济属性主要包括：性别、年龄、受教育程度、职业、家庭月收入、家庭是否有入学儿童、是否有小汽车、家庭总人口数、是否有驾照、是否有公交卡、和通勤方式.

图1 研究框架Fig. 1 Research framework

表征出行者心理潜变量感知有用性的显变量包括：无人驾驶汽车可以降低交通事故率（pu1）、无人驾驶汽车可以缓解交通拥堵（pu2）、无人驾驶汽车可以降低交通成本（pu3）、无人驾驶汽车可以改善驾驶行为表现（pu4）. 感知易用性的显变量包括：学习使用无人驾驶汽车对我来说很简单（peu1）、无人驾驶汽车的使用很清晰和容易理解（peu2）、无人驾驶汽车的使用不需要太多的心理负担（peu3）. 感知信任的显变量包括：无人驾驶汽车是可靠的（pt1）、无人驾驶汽车是值得信赖的（pt2）、总之，我完全相信无人驾驶汽车（pt3）. 社会规范的显变量包括：对我很重要的人支持我使用无人驾驶汽车（sn1）、对我很重要的人希望我将来能使用无人驾驶汽车（sn2）、如果身边的人使用无人驾驶汽车，我也会使用的（sn3）.行为意向的显变量包括：未来我会使用无人驾驶汽车（biu1）、未来我会购买无人驾驶汽车（biu2）、我会向亲朋好友推荐使用无人驾驶汽车（biu3）.

1.2 随机系数Logit 模型

由于RPLM 中包含随机变量，概率函数是非封闭型的，因此，不能用传统求解Logit 模型的方法计算式（2）中的概率，需要运用计算机仿真进行求解[20].

2 问卷设计及样本描述性统计

2.1 问卷设计

本文主要研究无人驾驶汽车投入使用对出行者出行行为的影响. 按照所有权的不同，无人驾驶汽车分为两种：私人无人驾驶汽车（private automated vehicles，PAV）和共享无人驾驶汽车（shared automated vehicles，SAV）. 无人驾驶汽车对传统小汽车的保有量、车辆行驶里程、出行方式分担比例、车辆行驶时间等具有不同的显著影响[21]. 因此本文主要研究受访出行者对传统小汽车、私人无人驾驶汽车和共享无人驾驶汽车3 种出行方式的选择.

根据研究目的和建立RPLM 的需要，本文的调查内容主要包括3 个方面：出行者的社会经济属性、基于扩展技术接受模型表征出行者对无人驾驶汽车技术接受的心理潜变量、出行方式特征变量.

问卷中关于对无人驾驶汽车态度方面的潜变量是基于扩展技术接受模型，运用李克特五点量表法对显变量进行调查，其范围从“非常不赞同”到“非常赞同”，赋值范围对应1～5.

采用SP （stated preference)调查，在情景设计部分选取步行与等待时间（wait and walk time，WWT）、出行时间（travel time，TT）和出行费用（travel cost，TC）（私人无人驾驶汽车和传统小汽车考虑停车费用） 3 个因素作为特征属性. 本文基于主效应的部分正交设计原理，使用JMP 软件，生成4 份问卷，每份问卷4 个场景（选择集t= 1，2，3，4），共计16 个情景，每个受访者对其中1 份问卷4 个情景中的选项做出选择. 表1 为其中一个场景示例.

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

2.2 数据的描述性统计

2019 年10 月—2020 年1 月在武汉市采用线下现场问卷和线上问卷相结合的方式开展本次调查.线下调查选择天气良好的工作日，调查过程坚持随机抽样原则，主要在停车场和地铁站人流较多地方选择受访者. 线上调查主要是随机邀请受访者填写网络调查问卷；为了保证数据的有效性，剔除掉回答时间小于7 min，回答时间超过20 min 的问卷，此外IP 地址限定为武汉市，答题机会限制为1 次. 最后得到有效问卷433 份，样本描述性统计如表2 所示，样本整体与武汉市的人群分布差异不大.

表2 样本描述性统计Tab. 2 Descriptive statistics of samples

2.3 数据的信度和效度分析

为了保证调查问卷收集数据的可靠性和稳定性，对样本进行KMO （Kaiser-Meyer-Olkin）样本测度，Bartlett 球体检验和Cronbach’s Alpha 对数据进行信度分析和效度分析，结果如表3 所示. 5 个潜变量KMO 值均大于0.7，因子载荷均大于0.8，Cronbach’s Alpha 均大于0.8，调查问卷的信度和效度比较理想.

表3 样本数据的信度及效度检验Tab. 3 Reliability and validity test of samples

3 实证分析

3.1 出行者心理潜变量分析

本文首先利用多指标多因素模型（multiple indicator multiple cause，MIMIC）求解感知有用性、感知易用性、社会规范、感知信任和行为意向5 个态度潜变量，计算潜变量模型的拟合优度指标，并参考文献[22]分析拟合效果. 该模型的近似误差均方根（root mean square error of approximation，RMSEA）为0.08 （≤ 参考值0.08），比较拟合指数（comparative fit index，CFI）为0.960 （≥ 参考值0.900），Tucker-Lewis 指数（Tucker-Lewis index，TLI）为0.950 （≥ 参考值0.900），标准化均方根残差（standardized root mean square residual，SRMR）为0.04 （< 参考值0.08），表明MIMIC 模型拟合度比较理想.

个人属性对心理潜变量的影响如表4 所示，受限于篇幅，只列出个人属性对感知易用性的影响.在5%置信水平下，性别、年龄、受教育程度、职业、是否拥有学龄儿童、驾照和是否拥有小汽车都会影响到出行者对无人驾驶汽车新技术的感知易用性.男性、教育程度越高、家里有学龄儿童、持有驾照、拥有小汽车和拥有公交卡的出行者感知无人驾驶汽车更加易于使用；而年龄越大、职业越灵活的以及家庭成员越多的出行者觉得无人驾驶汽车难以使用.

表4 个人属性对感知易用性的影响Tab. 4 Impact of travelers’ demographic characteristics on potential variable PEU

3.2 随机系数Logit 模型

为了体现个体对步行与等待时间、出行时间、出行费用等出行特征的异质性和克服MNLM 的多重共线性问题，将小汽车出行设置成对比项，建立RPLM. 为了进行对比分析，本文同时建立带潜变量的MNLM.

参照以往研究[23]关于RPLM 的分析流程，本文先假定WWT、TT、TC 3 个变量都是随机系数. RPLM的解不是封闭的，因此必须使用仿真方法对模型进行求解，本文利用NLogit 软件进行编程，随机抽样方法选择Halton，抽取次数为1000 次. 两种模型最终标定结果如表5 所示，其中传统小汽车是基准项，各个系数设置为0，故在表中未列出.

由表5 可知：带潜变量的RPLM 和带潜变量的MNLM 的伪平方值分别为0.320 和0.284. 两种模型都是可以接受的，相比带潜变量的MNLM，带潜变量的RPLM 的拟合优度更高.

表5 带潜变量的RPLM 和带潜变量的MNLM 参数标定结果Tab. 5 Estimation results of the RPLM with latent variables and MNLM with latent variables

在带潜变量的RPLM 中，出行费用的均值和标准差均显著，表明在个体的效用函数中，出行费用的系数为随机系数，体现了不同个体出行费用的异质性，服从均值为−0.029、方差为0.032的正态分布. 此外，步行与等待时间和出行时间的系数都是负值，这与先前的研究结论保持一致，步行与等待时间、出行时间和出行费用的增加，会显著降低相应出行方式的出行需求[24-25].

在个体的社会经济属性方面，性别、职业等变量影响不显著. 30 岁以下的群体和受教育程度为本科的出行者选择共享无人驾驶汽车的意愿更高，这与Haboucha 等[26]研究结论一致，即老年人更加偏向于传统汽车，受教育程度高的出行者使用无人驾驶汽车的意愿更高，表明无人驾驶汽车在提高安全性的同时，还应当取得不同群体对无人驾驶技术的信任；家庭月收入20 000 元以上的出行者选择无人驾驶汽车相对较低，主要原因是无人驾驶汽车投入使用不久，高收入群体对待新技术相对更加保守；驾照对选择私人无人驾驶汽车出行具有正影响；拥有公交卡的出行者选择私人无人驾驶汽车的意愿较低，采用小汽车通勤方式的出行者选择共享无人驾驶汽车出行的意愿较低. 家庭总人口数对选择无人驾驶汽车出行具有正影响.

在心理潜变量方面，感知信任和行为意向对无人驾驶汽车具有显著正影响，表明出行者对无人驾驶汽车信任程度越高和使用行为意向越高，那么使用无人驾驶汽车的意愿越高，这与Liu 等[27]的研究结论一致. 因此，提高大众对无人驾驶汽车的感知信任，有利于促进无人驾驶汽车的普及和应用.

为了更加深入分析出行费用对出行方式选择的影响，我们计算出行费用的边际效应. 边际效应是指在其他变量保持不变的情况下，解释变量变化1%引起各种选择概率的变化，如式（5）所示.

计算各选择项效用后对选择枝的选择概率进行加权. 当出行费用增加1%时，出行费用的边际效用如表6 所示.

表6 出行费用的边际效用Tab. 6 Marginal effects of travel costs%

由表5 可知：在其他变量保持不变的情况下，私人无人驾驶汽车出行费用每提高1%，选择私人无人驾驶汽车概率下降1.787%，共享无人驾驶汽车和传统小汽车的选择概率分别提高1.536%和0.251%；共享无人驾驶汽车出行费用每提高1%，选择共享无人驾驶汽车概率下降1.071%，私人无人驾驶汽车和传统小汽车的选择概率分别上升0.846%和0.225%；传统小汽车出行费用每提高1%，小汽车选择概率下降0.920%，私人无人驾驶汽车和共享无人驾驶汽车的选择概率分别提高0.346%和0.575%. 结果表明降低出行费用的方法可以显著提高选择无人驾驶汽车选择概率，这与Krueger 等[28]研究结论一致，出行费用是影响无人驾驶汽车使用以及选择共享无人驾驶汽车的关键因素. 因此，考虑到共享无人驾驶汽车的公共交通属性，可以通过免费换乘公共交通、分时段计费等方式合理制定收费标准促进共享无人驾驶汽车的发展，提高城市交通出行效率.