無人駕駛汽車對出行方式選擇行為的影響

劉志偉 ，劉建榮 ，鄧 衛

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

當前，無人駕駛汽車技術日新月異，取代傳統小汽車已是指日可待，但是相關立法者、城市管理者、規劃師、工程師還沒有做好準備. 無人駕駛汽車對車輛行駛里程、出行方式選擇和車輛行駛時間等出行者出行行為具有重要影響[1-3]. 在假定無人駕駛汽車投入使用的背景下，研究其對出行者出行行為的影響機理，不僅是出行者交通出行行為理論的豐富和完善，而且可以為將來制定適應無人駕駛汽車發展的停車規劃和停車場設計、交通規劃、城市規劃、工程措施和政策研究提供一定參考和指導.

研究出行行為的離散選擇模型主要有多項Logit 模型（multinomial Logit model，MNLM）和巢式Logit 模型（nested Logit model，NLM）. MNLM 結構簡單應用廣泛，但是存在IIA （independence of irrelevant alternatives）特性. NLM 部分解決了IIA 特性問題，但是存在如何分類的難題，此外并未解決底層同一巢內選項的IIA 特性問題[4]. 隨機系數Logit 模型（random parameter Logit model，RPLM）考慮不同消費者的偏好的異質性，通過引進隨機參數假定某一變量服從某種分布，允許不同選項之間存在不同種類的相關性，從而徹底解決了傳統離散選擇模型IIA 特性這一難題[5-6].

除了研究方法上的改進，在研究內容層面取得很大進步. 早期出行方式選擇研究中考慮的影響因素主要包括兩個方面：一方面是出行費用、出行時間等出行特征；另一方面是性別、收入、受教育程度等出行者自身屬性. 隨著研究的發展，學者們發現出行者的心理、態度、價值觀等心理潛變量對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之為混合選擇模型（hybrid choice model）. Paulssen 等[8]研究了權力、享樂主義和安全等價值觀與靈活性、便利性、舒適性等態度對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的不確定性和服務滿意度對出行者出行方式選擇的影響. 景鵬等[10]運用計劃行為理論框架研究了行為態度、社會規范（subjective norms，SN）和行為控制等心理潛變量對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）和行為態度等潛變量對出行者汽車共享選擇行為的影響. 劉志偉等[12]采用潛在類別條件Logit 模型研究舒適度、可靠性和靈活性心理潛變量對市內機動化出行行為的影響. 這些研究都是對現實中已有交通方式進行研究，無人駕駛車輛尚未正式投入使用，是一種全新的技術. 技術接受模型（technology acceptance model，TAM）最初用于研究顧客對信息技術的接受程度[13]. 因此，本文基于技術接受理論，將感知有用性、感知易用性、感知信任（perceived trust，PT）、社會規范和行為意向（behavioral intention to use，BIU） 5 個心理潛變量納入RPLM，綜合考慮步行與等待時間、出行時間、出行費用等出行特征和性別、年齡、收入、是否擁有小汽車等社會經濟屬性，建立混合選擇模型研究無人駕駛汽車對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

技術接受模型最早是由美國學者Davis 等[13-14]在理性行為理論基礎提出的，用于研究和預測人們對信息技術的接受程度. 該理論主張人的行為意向決定了人對新技術的使用. 當人面對一項新技術時，人的行為意向取決于人們對新技術的感知有用性和感知易用性[15]. 感知有用性指用戶使用新技術后工作績效和工作效率提高的程度. 感知易用性指用戶認同新技術易于操作程度. 此外，在技術接收理論的基礎上，感知信任和社會規范被認為是影響新技術接受重要因素[16-17]. 感知信任指用戶對新技術的信任程度. 社會規范是指用戶容易受到非常親近的人對新技術態度影響，將兩者引入技術接收理論，有利于我們加強對無人駕駛汽車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的模型. 因此，本文在技術接受模型基礎上進一步擴展，將感知有用性、感知易用性、社會規范、感知信任和行為意向5 個潛變量納入RPLM，建立混合選擇模型研究無人駕駛汽車對出行者出行選擇行為的影響因素和影響程度，研究框架見圖1 所示. 出行者的社會經濟屬性主要包括：性別、年齡、受教育程度、職業、家庭月收入、家庭是否有入學兒童、是否有小汽車、家庭總人口數、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：無人駕駛汽車可以降低交通事故率（pu1）、無人駕駛汽車可以緩解交通擁堵（pu2）、無人駕駛汽車可以降低交通成本（pu3）、無人駕駛汽車可以改善駕駛行為表現（pu4）. 感知易用性的顯變量包括：學習使用無人駕駛汽車對我來說很簡單（peu1）、無人駕駛汽車的使用很清晰和容易理解（peu2）、無人駕駛汽車的使用不需要太多的心理負擔（peu3）. 感知信任的顯變量包括：無人駕駛汽車是可靠的（pt1）、無人駕駛汽車是值得信賴的（pt2）、總之，我完全相信無人駕駛汽車（pt3）. 社會規范的顯變量包括：對我很重要的人支持我使用無人駕駛汽車（sn1）、對我很重要的人希望我將來能使用無人駕駛汽車（sn2）、如果身邊的人使用無人駕駛汽車，我也會使用的（sn3）.行為意向的顯變量包括：未來我會使用無人駕駛汽車（biu1）、未來我會購買無人駕駛汽車（biu2）、我會向親朋好友推薦使用無人駕駛汽車（biu3）.

1.2 隨機系數Logit 模型

由于RPLM 中包含隨機變量，概率函數是非封閉型的，因此，不能用傳統求解Logit 模型的方法計算式（2）中的概率，需要運用計算機仿真進行求解[20].

2 問卷設計及樣本描述性統計

2.1 問卷設計

本文主要研究無人駕駛汽車投入使用對出行者出行行為的影響. 按照所有權的不同，無人駕駛汽車分為兩種：私人無人駕駛汽車（private automated vehicles，PAV）和共享無人駕駛汽車（shared automated vehicles，SAV）. 無人駕駛汽車對傳統小汽車的保有量、車輛行駛里程、出行方式分擔比例、車輛行駛時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傳統小汽車、私人無人駕駛汽車和共享無人駕駛汽車3 種出行方式的選擇.

根據研究目的和建立RPLM 的需要，本文的調查內容主要包括3 個方面：出行者的社會經濟屬性、基于擴展技術接受模型表征出行者對無人駕駛汽車技術接受的心理潛變量、出行方式特征變量.

問卷中關于對無人駕駛汽車態度方面的潛變量是基于擴展技術接受模型，運用李克特五點量表法對顯變量進行調查，其范圍從“非常不贊同”到“非常贊同”，賦值范圍對應1～5.

采用SP （stated preference)調查，在情景設計部分選取步行與等待時間（wait and walk time，WWT）、出行時間（travel time，TT）和出行費用（travel cost，TC）（私人無人駕駛汽車和傳統小汽車考慮停車費用） 3 個因素作為特征屬性. 本文基于主效應的部分正交設計原理，使用JMP 軟件，生成4 份問卷，每份問卷4 個場景（選擇集t= 1，2，3，4），共計16 個情景，每個受訪者對其中1 份問卷4 個情景中的選項做出選擇. 表1 為其中一個場景示例.

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

2.2 數據的描述性統計

2019 年10 月—2020 年1 月在武漢市采用線下現場問卷和線上問卷相結合的方式開展本次調查.線下調查選擇天氣良好的工作日，調查過程堅持隨機抽樣原則，主要在停車場和地鐵站人流較多地方選擇受訪者. 線上調查主要是隨機邀請受訪者填寫網絡調查問卷；為了保證數據的有效性，剔除掉回答時間小于7 min，回答時間超過20 min 的問卷，此外IP 地址限定為武漢市，答題機會限制為1 次. 最后得到有效問卷433 份，樣本描述性統計如表2 所示，樣本整體與武漢市的人群分布差異不大.

表2 樣本描述性統計Tab. 2 Descriptive statistics of samples

2.3 數據的信度和效度分析

為了保證調查問卷收集數據的可靠性和穩定性，對樣本進行KMO （Kaiser-Meyer-Olkin）樣本測度，Bartlett 球體檢驗和Cronbach’s Alpha 對數據進行信度分析和效度分析，結果如表3 所示. 5 個潛變量KMO 值均大于0.7，因子載荷均大于0.8，Cronbach’s Alpha 均大于0.8，調查問卷的信度和效度比較理想.

表3 樣本數據的信度及效度檢驗Tab. 3 Reliability and validity test of samples

3 實證分析

3.1 出行者心理潛變量分析

本文首先利用多指標多因素模型（multiple indicator multiple cause，MIMIC）求解感知有用性、感知易用性、社會規范、感知信任和行為意向5 個態度潛變量，計算潛變量模型的擬合優度指標，并參考文獻[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（comparative fit index，CFI）為0.960 （≥ 參考值0.900），Tucker-Lewis 指數（Tucker-Lewis index，TLI）為0.950 （≥ 參考值0.900），標準化均方根殘差（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.

個人屬性對心理潛變量的影響如表4 所示，受限于篇幅，只列出個人屬性對感知易用性的影響.在5%置信水平下，性別、年齡、受教育程度、職業、是否擁有學齡兒童、駕照和是否擁有小汽車都會影響到出行者對無人駕駛汽車新技術的感知易用性.男性、教育程度越高、家里有學齡兒童、持有駕照、擁有小汽車和擁有公交卡的出行者感知無人駕駛汽車更加易于使用；而年齡越大、職業越靈活的以及家庭成員越多的出行者覺得無人駕駛汽車難以使用.

表4 個人屬性對感知易用性的影響Tab. 4 Impact of travelers’ demographic characteristics on potential variable PEU

3.2 隨機系數Logit 模型

為了體現個體對步行與等待時間、出行時間、出行費用等出行特征的異質性和克服MNLM 的多重共線性問題，將小汽車出行設置成對比項，建立RPLM. 為了進行對比分析，本文同時建立帶潛變量的MNLM.

參照以往研究[23]關于RPLM 的分析流程，本文先假定WWT、TT、TC 3 個變量都是隨機系數. RPLM的解不是封閉的，因此必須使用仿真方法對模型進行求解，本文利用NLogit 軟件進行編程，隨機抽樣方法選擇Halton，抽取次數為1000 次. 兩種模型最終標定結果如表5 所示，其中傳統小汽車是基準項，各個系數設置為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 的擬合優度更高.

表5 帶潛變量的RPLM 和帶潛變量的MNLM 參數標定結果Tab. 5 Estimation results of the RPLM with latent variables and MNLM with latent variables

在帶潛變量的RPLM 中，出行費用的均值和標準差均顯著，表明在個體的效用函數中，出行費用的系數為隨機系數，體現了不同個體出行費用的異質性，服從均值為?0.029、方差為0.032的正態分布. 此外，步行與等待時間和出行時間的系數都是負值，這與先前的研究結論保持一致，步行與等待時間、出行時間和出行費用的增加，會顯著降低相應出行方式的出行需求[24-25].

在個體的社會經濟屬性方面，性別、職業等變量影響不顯著. 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人駕駛汽車的意愿更高，這與Haboucha 等[26]研究結論一致，即老年人更加偏向于傳統汽車，受教育程度高的出行者使用無人駕駛汽車的意愿更高，表明無人駕駛汽車在提高安全性的同時，還應當取得不同群體對無人駕駛技術的信任；家庭月收入20 000 元以上的出行者選擇無人駕駛汽車相對較低，主要原因是無人駕駛汽車投入使用不久，高收入群體對待新技術相對更加保守；駕照對選擇私人無人駕駛汽車出行具有正影響；擁有公交卡的出行者選擇私人無人駕駛汽車的意愿較低，采用小汽車通勤方式的出行者選擇共享無人駕駛汽車出行的意愿較低. 家庭總人口數對選擇無人駕駛汽車出行具有正影響.

在心理潛變量方面，感知信任和行為意向對無人駕駛汽車具有顯著正影響，表明出行者對無人駕駛汽車信任程度越高和使用行為意向越高，那么使用無人駕駛汽車的意愿越高，這與Liu 等[27]的研究結論一致. 因此，提高大眾對無人駕駛汽車的感知信任，有利于促進無人駕駛汽車的普及和應用.

為了更加深入分析出行費用對出行方式選擇的影響，我們計算出行費用的邊際效應. 邊際效應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.

計算各選擇項效用后對選擇枝的選擇概率進行加權. 當出行費用增加1%時，出行費用的邊際效用如表6 所示.

表6 出行費用的邊際效用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，私人無人駕駛汽車出行費用每提高1%，選擇私人無人駕駛汽車概率下降1.787%，共享無人駕駛汽車和傳統小汽車的選擇概率分別提高1.536%和0.251%；共享無人駕駛汽車出行費用每提高1%，選擇共享無人駕駛汽車概率下降1.071%，私人無人駕駛汽車和傳統小汽車的選擇概率分別上升0.846%和0.225%；傳統小汽車出行費用每提高1%，小汽車選擇概率下降0.920%，私人無人駕駛汽車和共享無人駕駛汽車的選擇概率分別提高0.346%和0.575%. 結果表明降低出行費用的方法可以顯著提高選擇無人駕駛汽車選擇概率，這與Krueger 等[28]研究結論一致，出行費用是影響無人駕駛汽車使用以及選擇共享無人駕駛汽車的關鍵因素. 因此，考慮到共享無人駕駛汽車的公共交通屬性，可以通過免費換乘公共交通、分時段計費等方式合理制定收費標準促進共享無人駕駛汽車的發展，提高城市交通出行效率.

4 結 論

基于擴展技術接受模型，利用隨機系數Logit模型對SP 調查數據進行建模，研究出行者無人駕駛汽車選擇行為的影響因素和影響程度. 通過研究得到以下結論：

1） 出行者對出行費用的偏好具有異質性，在效用函數中，出行費用不是一個固定常數，而是服從均值為 ?0.029，方差為0.0302的正態分布.

2） 無人駕駛汽車選擇行為不僅受到出行特征和社會經濟屬性的影響，而且還受到感知信任、社會規范和行為意向等心理潛變量的影響. 為了促進共享無人駕駛汽車的推廣和應用，應從感知信任和社會規范等方面加大對無人駕駛汽車的宣傳力度，增強大家對無人駕駛汽車技術的理解和信任程度，為未來無人駕駛汽車的普及打下基礎.

3） 通過將共享無人駕駛汽車列入城市公共交通體系，允許其使用公交車專用道等措施降低出行費用和減少出行時間，可以顯著提升出行者選擇共享無人駕駛汽車出行的概率，促進城市交通出行的綠色發展.