基于混合Logit模型的共享自動駕駛汽車選擇偏好分析

任海林

(河南交通發展研究院有限公司，河南 鄭州 450053)

共享自動駕駛汽車(shared autonomous vehicles, SAV)結合了自動駕駛汽車及共享汽車的特點，在解決城市交通安全、提高運輸效率、減少機動車保有量等方面具有顯著優勢。研究表明，90%以上的交通事故是人為操作失誤而導致。SAV處于高級階段時，車輛將無需駕駛員參與，通過導航系統及駕駛輔助系統完全自動化地輸送乘客，從而提高安全性。同時，SAV提供的“點對點”出行服務，即用戶出行直接從起點到終點，到達目的地后車輛自動離開，服務下一乘客，整個出行不必擔心停車、步行等問題，進而提高出行效率。另外，由于SAV具有共享特性的優勢，可大幅度降低私家車保有量，有助于緩解交通擁堵[1-2]。

早期對于SAV的研究主要集中于用戶特征對SAV使用意愿。Bansal等[3-6]發現，經歷過交通事故的用戶更傾向于選擇SAV。Krueger等[7-8]研究發現，沒有駕駛執照的消費者、受教育程度較高、技術熟練的人和年輕人更愿意為使用SAV支付更多費用?；粼掠⒌萚9-13]研究表明，個人屬性、通勤特征、經濟屬性等特征會影響用戶對SAV的使用意愿。

然而，態度變量也會影響公眾對SAV的使用意愿?；粼掠⒌萚9]發現，公眾對SAV的技術興趣是影響其發展的關鍵態度因素。Herrenkind等[14]得出結論，公眾使用自動駕駛的意愿受到4個方面的影響，即生活選擇、主觀幸福感、旅行質量和生活領域。Lee等[15-16]發現，自我效能、相對優勢和心理所有權、感知價值、信任因素也會影響公眾對自動駕駛的態度。因此，調查公眾對采用SAV的態度的影響具有重要意義。研究公眾態度對SAV使用意愿的影響至關重要。

本研究選擇SP(stated preference,意向)調查獲取用戶對SAV的態度和選擇偏好，引入感知風險、服務質量、社會影響因素對TAM(technology acceptance model,技術接受模型)進行擴展，結合多指標多因素模型(multiple indicators and multiple causes model, MIMIC模型)和混合Logit模型適配潛變量，然后將潛變量作為自變量，代入混合Logit模型，構建用戶對SAV的意愿模型。研究結果為SAV的發展提出針對性的措施，為相關部門引導和推廣SAV提供建議。

1 研究模型選擇

1.1 技術接受模型

技術接受模型[17]基于用戶心理特征，將社會心理學中的理性行為理論與政策、措施相結合，預測用戶對新技術的接受程度。TAM包括兩個基礎變量：感知有用性和感知易用性。感知有用性被認為是用戶對使用新技術提升工作效用的程度。感知易用性主要指用戶使用新技術的難易程度。相關研究結果表明，用戶對新技術的感知有用性和感知易用性越高，則對新技術態度越好，越容易接受和推廣新技術。因此，TAM模型適用于探索用戶對使用SAV的影響。

對于SAV而言，安全性是非常重要的因素，因而部分文獻將感知風險引入TAM模型進行研究，增強模型解釋力[18]。同時，SAV作為一種共享出行方式，其社會服務能力至關重要；另外，SAV實施后對社會的影響也是需要考慮的因素[2]?；诖?，引入感知風險、服務質量、社會影響3個因素，探析公眾態度變量對SAV使用意愿的影響。TAM框架見圖1。

圖1 TAM結構框架Fig.1 The frame of TAM

1.2 混合Logit模型

混合Logit模型(mixed Logit model, MLM)允許變量間存在相關性，通過社會經濟特征和觀測變量特征，捕獲潛變量的效用值，反映用戶對新技術的心理偏好和態度。因此，該模型精度高于其他Logit模型。已有研究表明，用戶態度對SAV的選擇意愿密切相關，而MLM在探索選擇行為上具有優勢，能更好地反映用戶選擇新出行方式的影響程度，因此，本文中選擇MLM研究用戶對SAV使用意愿的影響[19]。MLM框架見圖2。

MLM包括兩部分：首先，用戶對SAV的態度變量作為潛變量，無法直接觀測。因此，應用多指標多因素模型(MIMIC模型)，結合觀測變量適配潛變量；然后，將用戶的社會經濟特征變量及態度潛變量作為自變量，應用MLM，構建用戶選擇SAV的意愿模型，評估用戶社會經濟和態度潛變量對SAV使用意愿的影響。

圖2 混合Logit模型框架Fig.2 The frame of mixed Logit model

MIMIC模型旨在通過觀測變量對潛變量的隱性表達，有效分析觀測變量對潛變量的影響，同時解釋潛變量之間的關系，從而對潛變量進行評估。MIMIC模型表示如下：

X=θxω+α

(1)

Y=θyX+β

(2)

式中：ω表示外生潛變量向量，文中指用戶對SAV的感知風險、社會影響、服務質量；X表示內生潛變量向量，文中指感知有用性、感知易用性、行為意圖，Y表示潛變量觀測變量組成的向量；θx、θy分別表示因子載荷矩陣；α、β分別表示誤差項。

MLM效用函數可表示為

ui=ais+biX+εi

(3)

(4)

式中：ui表示選擇SAV的效用值；s表示社會經濟特征組成的向量，文中指用戶性別、年齡、收入等社會經濟特征變量；ai、bi分別表示社會經濟特征、態度潛變量向量擬合系數；εi表示效用函數的誤差項；di表示選擇結果。

2 數據調查

為了研究用戶態度對SAV使用意愿的影響，設計了一項選擇偏好試驗。本次調查地點選擇鄭州，調查時間為2021年5月17日至5月21日(周內)，隨機選擇調查用戶。本次調查涉及用戶社會經濟特征、對SAV的態度及選擇偏好。由于態度變量無法直接獲取，需要通過觀測指標進行評估，使用李克特七級量表量化用戶對SAV的態度，從1～7分別表示“非常不滿意”至“非常滿意”。調查樣本包括764人，去除部分不完整或明顯錯誤信息后，有效問卷為624份(有效率為81.68%)。潛變量及觀測變量見表1。

1)用戶基礎信息調查

表2給出了調查問卷的用戶基礎信息分布比例，調查樣本男女較為均勻；年齡主要集中青壯年；收入集中于5 001～9 000元/月，占比為44.9%；48.8%的受訪者學歷在高中及以下；88.3%的受訪者是共享汽車用戶。

2)數據可靠性驗證

調研獲取的數據可能存在偏差，因此，在數據分析前需對數據進行驗證性因子分析，判別問卷效果[19-20]。結合SPSS軟件分析問卷可靠性及穩定性，分析結果見表3。

表1 潛變量及觀測指標描述[2-4,10-11]Tab.1 The description of latent variables and observed variables[2-4,10-11]

表2 人口統計和樣本分布數據Tab.2 The data of demographic and sample distribution

表3 數據可靠性與穩定性檢驗結果Tab.3 The results of reliability and stability

由表3可知，感知有用性(PU)的KMO值最低，為0.63>0.60；行為意圖(BI)的Bartlett檢驗值最高，為0.017<0.05；感知風險(PA)的Cronbach’s a系數最小，為0.79>0.70。結果表明，數據可靠性及穩定性均滿足要求，數據合理[20]。

3 結果分析

3.1 MIMIC模型結果

由于潛變量具有不可觀測性，因此應用AMOS軟件對態度潛變量進行驗證性分析。選擇RMSEA、TFI、χ2/df指標評估MIMIC建模結果[19-20]。AMOS輸出結果見圖3。

AMOS輸出結果：RMSEA的值為0.034，低于0.08，TFI的值為0.924，超過0.9，χ2/df的值為1.54，小于3.0。AMOS結果表明，數據擬合效果較好，模型可以接受。各潛變量的觀測變量因子載荷超過0.5，驗證性因子分析符合要求，表明各潛變量的觀測變量選擇合理。

3.2 混合Logit模型

基于調查獲得的624份有效數據，將用戶社會經濟特征及MIMIC模型適配的潛變量代入MLM模型，借助Stata軟件，利用最小偏二乘法進行回歸分析，得到用戶對SAV的選擇結果模型，MLM[20]擬合結果見表4。

如表4所示，模型擬合的偽R2值為0.35，偽R2值超過0.2，表示模型擬合效果較好，表明MLM具有較好的效果。

社會經濟特征變量中，用戶性別對SAV的選擇具有顯著負相關，這表明女性可能不愿意選擇SAV，考慮到女性對于新生事物的接受能力不如男性，結果符合邏輯。受訪者年齡、教育水平、收入、家庭擁有小孩、共享汽車用戶、家庭擁有私家車對模型有正的影響關系，受訪者擁有私家車(0.34)對選擇SAV的影響最大。結果表明，年齡越大、教育水平越高、收入越多、家庭擁有小孩、共享汽車用戶及私家車用戶傾向選擇SAV。就年齡而言，老人由于年齡限制，駕駛能力不如年輕人，因此駕車時可能安全性體驗較差，SAV不需要手動駕駛，能給老人帶來更安全的出行體驗，因此，老人傾向于選擇SAV；就教育水平和收入而言，教育水平及收入越高的人對于新事物的發展有更強的體驗，更愿意去使用SAV；就家庭擁有小孩而言，有小孩的家庭出行更注重出行質量，選擇SAV不僅有助于實現出行，而且使用SAV時也可同時與小孩進行互動；就共享汽車用戶而言，SAV與共享汽車具有類似的特點，即不需要支付購買費用、維護費用等其他前期成本，安全性更高，因此共享汽車用戶更愿意選擇SAV；就私家車用戶，而SAV既能獲得私家車出行便利，不用擔心停車問題，因此私家車用戶傾向于使用SAV。

圖3 MIMIC模型分析結果Fig.3 The analysis results of MIMIC model

對選擇的潛變量進行分析，感知風險對選擇SAV呈負相關關系，結果表明，用戶對SAV的感知風險越大，選擇SAV的概率越低。社會影響、服務質量、感知有用性、感知易用性、行為意圖等5個因素對選擇SAV具有積極正相關關系。結果表明，提高SAV的社會影響、服務質量、感知有用性、感知易用性、行為意圖有助于增加用戶對SAV的接受。

表4 MLM標定結果Tab.4 The calibration results of MLM

4 敏感性分析

根據MLM模型結果，態度變量對SAV使用意愿均存在顯著影響，因此，需進一步應用彈性分析方法定量探索態度變量對SAV使用意愿的影響[21-22]。彈性分析公式可表示為

(5)

式中:P(Fmn)表示方式n的選擇概率對屬性m的彈性值；Fmn表示方式n在屬性m上的均值；αm表示屬性m的估計值；En表示方式n的選擇概率。

應用Stata軟件分析用戶選擇SAV的概率對用戶態度變量彈性值。彈性分析結果見表5。

表5 態度變量彈性值Tab.5 The elasticity of attitude variables

由表5的分析結果可知，社會影響、服務質量、感知有用性、感知易用性及行為意圖每增加1%，用戶選擇SAV的概率將會分別增加7.93%、9.85%、5.65%、4.46%、8.17%；感知風險水平增加1%時，用戶選擇SAV的概率將會降低12.75%。綜合彈性分析結果，用戶對SAV的使用風險感知最為明顯，這一結果符合實際。對用戶而言，交通首重安全(駕駛安全、隱私安全等)，因此提高SAV的安全性是推動用戶接受SAV最有效的因素，如提高車輛避障技術從而減少交通事故，提高信息儲存技術從而保證用戶隱私不被泄露。其余依次為服務質量、行為意圖、社會影響、感知有用性、感知易用性。在這些因素中，提升SAV的服務質量也是至關重要，如合理規劃行駛路徑、避開擁堵路段，有助于減少用戶出行時間，從而增加出行便捷性。除此之外，通過增加SAV的社會影響(如使用媒體宣傳SAV的優勢、加大優惠政策鼓勵更多用戶使用SAV)、感知有用性(如提升SAV智能化程度)、感知易用性(如簡化SAV租還車流程和手續)、行為意圖(如將SAV推薦給親朋好友)等措施同樣有助于推動SAV的發展。

5 結論

為了分析用戶態度對SAV的選擇行為，引入對SAV至關重要的感知風險、服務質量、社會影響3個因素；應用MIMIC模型進行驗證性因子分析，適配潛變量值；最后引入MLM，將用戶社會經濟特征及潛變量作為自變量，將選擇結果作為因變量進行模型擬合。主要有以下成果：

1)基于TAM，引入社會影響、服務質量、感知風險3個因素，對TAM模型進行擴展，提高TAM的解釋力，有助于TAM的發展。

2)MIMIC模型分析表明，引入的社會影響、服務質量、感知風險及感知有用性、感知易用性對行為意圖均存在顯著相關?；旌螸ogit結果表明，性別對于使用SAV負相關，男性更愿意接受SAV；老人、高學歷、高收入、家庭擁有小孩、共享汽車用戶及私家車用戶更愿意接受SAV。所有潛變量對用戶選擇SAV均存在顯著影響。感知風險存在顯著負相關影響，其余變量為積極影響。各潛變量影響程度依次為感知風險(-0.41)>服務質量(0.37)>感知易用性(0.33)>行為意圖(0.31)>社會影響(0.26)>感知有用性(0.23)。因此，在未來重點提升SAV的安全性及服務質量是推動SAV發展的重要措施。