自動代客泊車接受度及停車選擇行為影響因素分析

趙傳林, 靳思緣, 武海娟, 丁力

(北京建筑大學土木與交通工程學院, 北京 102616)

自動代客泊車(automated valet parking,AVP)作為L4級高度自動駕駛技術重要分支之一,可以實現車輛在沒有駕駛員干預的情況下,自主尋找停車位并完成泊車,具有減少駕駛員停車巡航時間、提高車位利用率等優勢。較多學者都致力于自動代客泊車技術的研發和試驗,如Bahrami等[1]通過仿真發現自動代客泊車可以減少用戶在目的地附近尋找停車位的時間,減少車輛行駛距離;何勝學[2]提出車輛與泊位匹配優化模型,表明自動代客泊車將會增加共享停車位利用率并增加可停放車輛數;Khalid等[3]提出了一種新型自動代客泊車成本優化方案,減少車輛行駛時間、出行成本以及燃料消耗。然而,AVP技術雖可以為公眾帶來諸多的好處,但是如果公眾接受度較低、使用率較低的話,將無法充分發揮其價值。Dong等[4]研究發現如果公眾不能廣泛接受自動駕駛汽車,預期的社會效益將無法實現。因此,了解公眾對于AVP的接受度及使用意向的影響因素,是預測AVP未來市場占有率和推廣AVP服務的關鍵。

目前探討自動代客泊車基于全局及局部路徑規劃問題的居多,如Li等[5]將自主代客泊車路徑規劃問題轉化為非線性規劃問題。Yu等[6]采用Dijkstra算法求解動態場景的自動代客泊車的全局最短路徑問題。Qin等[7]提出一種優化全局路徑搜索的新型路徑規劃方法,縮短了搜索時間。Jeong等[8]基于人工勢場法與隨機樹算法對自主代客泊車的全局路徑進行規劃。張家旭等[9]對自動代客泊車路徑進行全局規劃并利用動態窗口算法對局部路徑進行規劃。

在探討公眾對于新技術接受度的研究方法上,技術接受模型(technology acceptance model,TAM)是最為常用的模型。李振龍等[10]引入預警服務質量、分心感知、個人創新和信任度4個變量,建立擴展TAM模型探討用戶對于車路協同系統的接受度。孫齡波等[11]基于擴展TAM模型探討公眾對于無人駕駛出租車接受度,發現感知有用性、感知易用性和感知風險的影響較為顯著。張榮花等[12]基于技術接受模型,引入政策制度支持和汽車共享服務品質建立了購車行為意愿模型,探究共享汽車服務下居民購車意愿。李睿等[13]基于技術接受模型,構建公眾對于社交網絡交通信息使用意向模型,分析社交網絡交通信息對公眾出行方式選擇的影響。呂能超等[14]對先進駕駛輔助系統的接受度進行探究,發現先進駕駛輔助系統的類別和道路等級對接受度有顯著作用。在探討停車方式選擇影響因素方面,董小楠等[15]考慮駕駛員在停車過程中的微觀動態選擇行為,建立雙層停車巡航行為模型,分析駕駛員停車巡航行為。任其亮等[16]基于前景理論,分析商業中心區駕駛員停車選擇行為。Soto等[17]將潛變量納入到停車選擇模型中,提升了傳統停車選擇模型的解釋能力和擬合優度。Fu等[18]構建考慮潛變量的混合選擇模型,驗證了考慮潛變量的模型增加了傳統選擇模型的解釋能力。

綜上,目前對自動代客泊車的研究較多基于全局及局部路徑規劃,而用戶對自動代客泊車接受度及其選擇行為尚不清晰。如果用戶不實際接受自動代客泊車技術,將無法發揮其潛能。因此,有必要探討公眾對于自動代客泊車的接受度及其選擇行為的內在機理。為了更好地預測和解釋出行者對于自動代客泊車的接受度及實際的使用行為,首先基于擴展技術接受模型構建僅考慮心理潛變量的AVP接受度模型,隨后采用隨機森林算法與邏輯回歸相結合方法,分別構建考慮心理潛變量和不考慮心理潛變量的方式選擇模型,進一步分析用戶選擇行為的各因素之間的作用效果,以期為政府及相關企業發展及自動代客泊車提供依據。

1 變量選取

1.1 潛變量選取

在TAM模型中感知有用性、感知易用性和行為態度是影響行為意向及實際的選擇行為的3個重要因素。部分學者為了對模型進行優化,引入一些變量用于分析用戶對于新技術的接受程度,如感知風險和信任。用戶對于自動駕駛技術信任可能會增強用戶的接受度,自動代客泊車作為L4級自動駕駛技術,也同樣不例外。Deb等[19]研究發現,信任對于自動駕駛技術的接受度具有顯著作用。同時,如果用戶認為自動代客泊車技術可能會帶來交通事故等風險,可能會拒絕使用該技術。胡曉偉等[20]引入感知風險、服務質量和社會影響三個潛變量,構建擴展技術接受度模型來探討用戶對于共享自動駕駛汽車的使用意愿情況,發現感知風險是自動駕駛技術使用意愿的重要因素。景鵬等[21]對自動駕駛技術接受度的研究成果的進行總結,發現信任、行為態度、感知易用性、感知有用性和感知風險對自動駕駛技術接受度產生關鍵影響。因此,考慮到自動代客泊車的服務特性,現引入感知風險、信任心理潛變量擴展TAM模型,以更好地解釋影響自動代客泊車用戶接受度的內在機理,其中各個心理潛變量的定義,如表1所示。

表1 潛變量定義Table 1 Latent variable definitions

1.2 顯變量選取

停車選擇行為主要受到個人信息屬性、出行屬性和停車方式屬性三方面的影響。關于影響自動代客泊車的個人信息屬性,包括性別、年齡、職業、受教育程度、月收入水平、駕齡、車輛使用頻率、是否了解自動代客泊車、是否愿意嘗試自動代客泊車。在出行屬性變量選擇上,主要考慮天氣、停車時長、出行總成本、出行目的的影響。由于自動代客泊車技術能夠自行尋找停車位并完成停車,具有節省駕駛員時間等特點。因此,停車方式屬性方面,主要考慮步行距離、巡航時間和停車費用的影響,其中停車費用是指車輛停放在停車場的費用。

2 模型構建

2.1 結構方程模型

基于TAM框架,根據以上確定的心理潛變量構建結構方程模型(structural equation model,SEM)。基礎TAM一般假設感知易用性直接影響感知有用性和行為態度,間接影響使用意向;感知有用性直接影響行為態度和行為意向;行為態度直接影響行為意向。有研究證明,信任和感知風險對于行為意向具有重要的作用。如Liu等[22]通過對自動駕駛汽車接受度探討發現,信任對于感知風險具有負向影響,感知風險對于行為意向具有負向影響。Choi等[23]發現信任對于自動駕駛技術使用意愿具有顯著積極影響。因此,本文提出如下假設:

H1:感知易用性對感知有用性有正向影響;

H2:感知易用性對行為態度有正向影響;

H3:感知有用性對行為態度有正向影響;

H4:感知有用性對行為意向有正向影響;

H5:感知風險對信任有負向影響;

H6:感知風險對行為意向有負向影響;

H7:信任對行為態度有正向影響;

H8:信任對行為意向有正向影響;

H9:行為態度對行為意向有正向影響。

針對以上提出的假設構建結構方程模型,模型框架如圖1所示。

圖1 結構方程模型框架與關系假設Fig.1 Structural equation model framework and relational assumptions

2.2 混合選擇模型

建立混合選擇模型前,做出如下假設:

(1)停車者的停車選擇行為是完全理性的,每個人均選擇效用最大的方案。

(2)假定所有出行者均使用私家車出行,停車方式設定為兩種,普通停車方式和自動代客泊車。其中自動代客泊車包括3種方案:車輛自動駕駛到目的地附近停車場的停車位;車輛由用戶下車點自動駕駛到用戶家中停車位進行停車;在等待用戶期間,車輛在用戶目的地周圍進行持續的空載巡航。

(3)效用函數U的隨機誤差項是相互獨立的,均服從Gumbel變量分布。

混合選擇模型上層為結構方程模型,下層為由經過變量篩選的心理潛變量和顯變量共同作為自變量的邏輯回歸模型,如圖2所示。結構方程模型,表示影響停車者接受度的各心理潛變量與相對應的觀測變量之間及各心理潛變量之間的關系;邏輯回歸模型,用于描述選擇某種停車方式的概率以及影響該選擇的心理潛變量和顯變量之間的關系。

效用函數Ui由固定項函數和誤差項函數構成,將心理潛變量納入到固定項中,構成包含心理潛變量和顯變量的效用函數。

基于模型變量構建的固定項表示為

(1)

式(1)中:L為停車者個人信息屬性變量的個數;M為出行屬性變量的個數;N為停車方式屬性變量的個數;K為心理潛變量的個數;Tli為選擇停車方案i的第l個人信息屬性顯變量;Smi為選擇停車方案i的第m個出行屬性變量;Xni為選擇停車方案i的第n個停車方式屬性顯變量;ηki為選擇停車方案i的第k個心理潛變量;αli、βmi、λni、γki為待估測的參數。

在計算各變量的固定項函數時,心理潛變量由于無法直接進行測量,則通過結構方程對其參數進行標定,得到各心理潛變量的適配值。在顯變量方面,性別、年齡、職業、駕齡、受教育程度、月收入水平、車輛使用頻率、是否了解自動代客泊車、是否愿意嘗試自動代客泊車、天氣、停車時長、出行目的、停車費用、步行距離以及巡航時間根據不同的等級,對其進行賦值;結構模型中的出行總成本按照停車者選擇不同的停車方案,代入實際數值進行計算。

本文中分為普通車輛停在停車場、自動代客泊車車輛停在停車場、自動代客泊車車輛停在家中和自動代客泊車車輛空載巡航四種停車方案,分別對其出行總成本進行計算。

圖2 混合選擇模型框架圖Fig.2 Hybrid selection model frames

普通車輛停在停車場成本為

Cg=2tgcr+rg(t-tg)

(2)

式(2)中:Cg為普通停車停在附近停車場總成本;tg為車輛從目的地到普通停車場所用時間;cr為車輛單位時間所消耗的燃油成本;rg為普通停車場單位時間所需的停車費用;t為車輛停車總時間。

自動代客泊車車輛停在停車場成本為

Cp=2tpcr+rp(t-tp)

(3)

式(3)中:Cp為自動代客泊車停在附近停車場總成本;tp為車輛從用戶下車點到自動代客泊車停車場所用時間;cr為車輛單位時間所消耗的燃油成本;rp為自動代客泊車停車場單位時間所需的停車費用。

自動代客泊車車輛停在家中成本為

Ch=2thcr

(4)

式(4)中:Ch為車輛停在家中總成本;th為車輛從用戶下車點到家中所用時間。

自動代客泊車車輛空載巡航成本為

Cc=tccr

(5)

式(5)中:Cc為車輛空載巡航總成本;tc為車輛空載巡航時間。

3 數據調查

3.1 調查問卷設計

問卷分為個人信息調查、心理潛變量量表信息調查和停車選擇行為調查3個部分。其中,在問卷背景中對自動代客泊車技術進行詳細介紹,使參與者對自動代客泊車技術有一定的了解。個人信息調查采用RP(revealed preference)調查,收集停車者的個人信息數據;心理潛變量量表信息調查采用李克特5級量表法從“非常不同意”“比較不同意”“一般”“比較同意”“非常同意”進行測量,測量量表如表2所示;停車選擇行為調查采用SP(stated preference)調查,其中包括普通停車和自動代客泊車兩種方式。對出行天氣、出行目的、停車時長、停車費用、步行距離和巡航時間進行場景設計,各屬性及水平值如表3所示。借助SPSS軟件對各屬性進行正交實驗設計,獲得不同組合。本文排除絕對優勢和絕對劣勢的場景,最終生成9種場景,每位受訪者需在9種不同的場景下進行停車方式的選擇。

3.2 數據的描述性統計分析

通過問卷星平臺于2022年12月對問卷進行發布,調查區域涉及中國25個省/直轄市。本研究共收集433份問卷,為提高本文收集的數據可信度,剔除答題時間小于180 s的問卷,得到有效問卷384份,問卷有效率88.7%,個人信息統計分析結果如表4所示。

3.3 數據的信度和效度檢驗

對感知易用性等6個心理潛變量的數據進行信度和效度檢驗,結果如表5所示。其中各潛變量的Cronbach’s Alpha系數,均大于0.7,刪除項后的Cronbach’s Alpha為刪除該問題項后對應潛變量的Cronbach’s Alpha,結果表明刪除任意一個問題都會降低樣本數據的信度,則樣本數據信度較高。6個潛變量總體的KMO(Kaiser-Meyer-Olkin)檢驗值接近0.9,并且每個潛變量KMO檢驗值均大于0.6,累積方差貢獻率達到了75.073%,各測項標準因子荷載在0.6在0.9的范圍內,組合信度CR(composite reliability)>0.7,表明該模型效度較高。

表2 潛變量測量量表Table 2 Latent Variable Measurement Scale

表3 屬性及水平值Table 3 Properties and level values

表4 樣本統計分析結果Table 4 Descriptive statistical analysis of samples

續表4

表5 樣本信度與效度檢驗結果Table 5 Sample reliability and validity test results

4 模型分析

4.1 結構方程模型分析及假設檢驗

對模型擬合適配指標進行檢驗,其中卡方/自由度(Chi-square/degree of freedom)為2.917 <3,近似誤差均方根(root mean square error of approximation, RMSEA)為0.071<0.08, 絕對擬合優度指數(adjusted goodness-of-fit index, AGFI)為0.874>0.8, 相對擬合指數GFI(goodness-of-fit index)為0.909 >0.8, CFI(comparative fit index)=0.932 >0.8即結構方程模型的各擬合指標值符合參考標準,模型擬合度良好且結構合理。

表6為結構方程模型中各潛變量間路徑顯著性分析結果,其中路徑“感知易用性→感知有用性”“感知易用性→行為態度”“感知有用性→行為態度”“感知風險→信任”“信任→行為意向”“行為態度→行為意向”的顯著性水平P<0.05,達到顯著要求,且與預測方向一致。從表6中可以看到,信任和行為態度均對行為意向有顯著的積極影響,其中行為態度影響程度最大。感知易用性和感知有用性對行為態度產生顯著的積極影響,通過行為態度進而間接影響行為意向。

表6 路徑顯著性分析結果Table 6 Path significance analysis results

結構方程模型中各潛變量間路徑關系如圖3所示。通過路徑顯著性分析可知,信任、行為態度、感知易用性和感知有用性對行為意向均產生一定的影響。通過圖3中各測項的因子載荷值得到,在感知有用性方面,PU1的因子荷載值最大(0.79),表示停車者對“在車輛自動代客泊車的過程中有更多時間做其他的事情”這一觀點越認同,對其行為態度的影響程度越大;在感知易用性方面,PEOU3(0.80)、PEOU1(0.79)影響程度較明顯,即停車者越認為理解自動代客泊車的使用機制和學習自動代客泊車軟件的使用過程很容易,對其行為態度的影響就越大;在行為態度方面,AT1(0.76)影響程度較明顯,停車者對“自動代客泊車是一項好的技術。”這個看法越認同,其行為意愿就越強烈;在信任方面,TR1(0.80)影響程度最大,表明停車者越信任自動代客泊車這個軟件,對其行為意向影響程度就越大;在行為意向方面,停車者更傾向于今后推薦親戚朋友使用自動代客泊車服務SI3(0.76)。

4.2 隨機森林分析及變量篩選

隨機森林是一種由多棵決策樹構成的集成式算法,該算法優勢在于穩定性較高,可以處理高維、復雜數據,也可用于評估各變量的重要性[29]。張志剛等[30]基于隨機森林建立的CO氣體濃度預測模型具有良好的預測精度,并通過變量重要性分析結果表明,測點位置對隧道內CO濃度的影響最大。本文經調試,將決策樹分類節點(mtry)設置為7,決策樹數目(ntree)設為800,其余參數默認。

通過結構方程模型,得到各心理潛變量的參數值,將心理潛變量與個人信息屬性變量、出行屬性變量一起作為自變量,來分析出行者的停車選擇行為。本文基于隨機森林算法,構建包含心理潛變量的隨機森林模型和不包含心理潛變量的隨機森林模型。為了更好地評估模型性能,本文與決策樹算法進行對比,其中包含心理潛變量的模型記為決策樹模型①,不包含心理潛變量的模型記為決策樹模型②。決策樹是一種十分常用的分類和回歸的方法,通過預修剪技術來控制樹的增長數量,當某節點劃分不存在意義,則停止分支[31]。

圖3 各潛變量間路徑關系及其作用性質Fig.3 The path relationship between the latent variables and its properties

采用ROC (receiver operating characteristic )曲線和AUC(area under curve )值作為評估指標。ROC曲線越接近 1 則代表模型更具有實際意義。當兩個模型ROC曲線發生交叉時,則依據ROC曲線下面積對模型進行比較,即AUC值,其取值越接近1代表模型精度越高。

決策樹模型①、決策樹模型②、隨機森林模型①和隨機森林模型②的ROC曲線,如圖4所示。從圖4中,可以看到隨機森林模型①的ROC曲線最接近1,更具有實際意義。決策樹模型①、決策樹模型②、隨機森林模型①和隨機森林模型②的AUC值分別為0.811、0.828、0.923、0.872,表明隨機森林模型①的性能最優,適合進一步分析。在停車選擇行為影響因素分析中,考慮心理潛變量的隨機森林模型擬合優度更好,表示各心理因素對停車者的停車選擇行為產生重要影響。

變量重要程度可以通過平均準確率降低度(mean decrease accuracy, MDA)進行判斷,其中MDA值越大則代表該值越重要,隨機森林模型①變量排序重要性結果如圖5所示。各變量的重要性排序結果從高到低依次為:停車費用、受教育程度、感知風險、出行總成本、行為意向、信任、月收入水平、感知易用性、年齡、巡航時間、職業、駕齡、行為態度、感知有用性、性別、步行時間、是否嘗愿意嘗試、是否了解自動代客泊車、天氣、出行目的、車輛使用頻率、停車時長。

圖4 ROC曲線對比圖Fig.4 ROC curve comparison chart

圖5 變量重要性圖Fig.5 Variable importance graph

為了保證模型的簡潔性,提高模型擬合優度,基于袋外估算誤差率對變量進行篩選,從而確定最優模型。袋外估算誤差率越小,代表模型精度越高。將變量依據重要性從高到低依次進行隨機森林分析,結果表明當變量個數為9時,袋外估算誤差率最小,如圖6所示。根據變量重要性排序結果,將重要性前9的變量建立邏輯回歸模型,依次為停車費用、受教育程度、感知風險、出行總成本、行為意向、信任、月收入水平、感知易用性、年齡。

圖6 逐步隨機森林分析Fig.6 Stepwise random forest analysis

4.3 邏輯回歸分析

邏輯回歸是一種廣義的線性回歸模型,模型簡單易操作,具有較強的可解釋能力。為增加隨機森林模型中自變量對因變量的解釋能力,將重要性排序前9的變量進行邏輯回歸分析。以選擇普通停車方式為效用基礎項,對模型進行參數標定。當P>0.05,認為該變量影響不顯著,去除模型中不顯著變量(感知易用性),模型參數標定及擬合度評價指標結果如表7所示。

由表7的參數標定結果可知:

(1)停車費用、受教育程度、感知風險、出行總成本、行為意向、信任、月收入水平、年齡對停車者的停車選擇意向具有顯著影響。

表7 參數標定結果Table 7 Parameter calibration results

(2)在個人信息屬性方面,受教育程度參數系數為正,說明受教育程度越高,更傾向于選擇使用自動代客泊車;月收入水平和年齡參數系數為負,表示月收入水平越高、年齡越年長的人,更傾向于選擇普通停車方式。

(3)在出行和停車方式屬性方面,出行總成本和停車費用參數系數為負,說明當出行成本越小和停車費用越少時,停車者選擇自動代客泊車的概率就越高。

(4)在心理潛變量方面,信任和行為意向參數系數為正,感知風險參數系數為負,說明停車者對于自動代客泊車越信任、行為意向越強烈、感知風險程度越小,更容易選擇自動代客泊車。

因此,受教育程度高、年輕的用戶選擇自動代客泊車的概率將會更高。停車費用和出行總成本為停車者的負向影響因素,則在保證用戶體驗感的同時,降低用戶的出行成本,將會促進更多用戶使用自動代客泊車。

5 結論

針對個人信息屬性變量、出行屬性變量和心理潛變量3個方面對影響自動代客泊車接受度及停車方式選擇進行分析,得到以下結論:

停車者的行為意向會受到信任和行為態度的影響,行為態度影響較大,信任次之。感知有用性和感知易用性也會通過行為態度對行為意向產生一定的影響。

考慮心理潛變量的隨機森林模型較不考慮心理潛變量的隨機森林模型精度更高,擬合優度更好。因此,心理潛變量和個人信息屬性、出行屬性和停車方式屬性等顯變量均會對停車選擇行為產生重要影響。通過邏輯回歸的參數標定結果可知,停車費用、受教育程度、感知風險、出行總成本、行為意向、信任、月收入水平、年齡和感知易用性對停車選擇行為產生重要影響。

為了推動自動代客泊車服務的快速發展,首先建議從信任、行為態度等影響用戶接受度的角度出發,政府和企業應在自動代客泊車技術知識方面進行宣傳,增加用戶對自動代客泊車技術的熱情;線下組織實車體驗活動,增加用戶對自動代客泊車技術的信任度。其次,從停車費用和出行總成本角度出發,建議自動代客泊車運營平臺完善收費和管理機制,在保證服務質量的前提下降低用戶的出行成本,吸引更多用戶選擇自動代客泊車。

通過問卷調查方式收集了自動代客泊車接受度及停車方式選擇情況,并對主要影響因素進行分析,但本文調查的樣本數目較少,得到的結果可能存在一定的誤差。在未來的研究將可以收集各個地區的樣本分別進行分析,探討各地區影響因素的作用性質是否存在差異,以此尋找關鍵影響因素。