考慮合乘的共享自動駕駛汽車選擇行為實證分析

姚榮涵，梁亞林，劉 鍇，趙勝川，楊 瀾

(大連理工大學交通運輸學院，遼寧大連116024)

0 引 言

近年來，自動駕駛汽車(Autonomous Vehicles，AV)和共享經濟受到了國內外眾多學者的廣泛關注，兩者相結合的產物，即共享自動駕駛汽車為人們提供了一種新型的出行方式.這一方式可為解決當前許多交通問題提供一種替代方案.鑒于新技術的研發(fā)成本，自動駕駛汽車至少在起步階段會很昂貴，因而起初并不適合個人購買為私家車，所以自動駕駛技術初期更易推動共享自動駕駛汽車(Shared Autonomous Vehicles，SAV)這樣的商業(yè)模式[1].SAV 的主要優(yōu)勢之一在于融合了私家車和公共交通兩者的優(yōu)點，即集便利與公有于一體.

SAV 作為一種新型出行方式，其消費市場接受度成為學術界及商業(yè)界日益關注的焦點.國外有不少學者調查了出行者選擇SAV還是現(xiàn)有出行方式的意愿，分析了SAV對現(xiàn)有出行方式的影響.Haboucha等探討了出行者對公共交通和自動駕駛技術的態(tài)度等因素對其選擇私家車、私人自動駕駛汽車和SAV的影響[2].Quarles考慮自動駕駛技術成本分析了私人自動駕駛汽車和SAV對出行者的車輛所有權選擇、出行方式選擇及家庭選址等的影響[3].Bansal 等討論了不同定價水平下SAV 使用頻次及SAV潛在用戶特征[4]，針對8種假設情境調查了出行者選擇意愿，分析了自動駕駛技術的長期公眾接受度和使用情況[5].

SAV 還可與動態(tài)合乘系統(tǒng)結合起來進行實施，即具有相似起終點或有重合出行路線的出行者可以乘坐同一輛車出行一段路程.Krueger 等在澳大利亞調查了435位來自大城市的居民，使用混合Logit 模型分析了調查數(shù)據(jù)，結果表明，出行時間、出行費用及服務等待時間是影響出行者接受SAV 合乘服務的關鍵因素[1].Gurumurthy 等調查了隱私安全、道德法律、與陌生人共乘的安全性等因素對考慮動態(tài)合乘服務的SAV 市場接受度的影響，還針對不同等級的自動駕駛出行模式和長距離出行情境分析了出行者對此類新型出行方式的支付意愿[6].

國內外有關SAV及其合乘服務的研究現(xiàn)狀表明，以往研究大多基于離散選擇模型對SAV 出行方式選擇行為進行建模，進而分析SAV 公眾接受度的影響因素.事實上，SAV潛在用戶的特征仍然比較模糊，且不同國家之間存在較大差異.然而，國內對此的研究相對較少，尚未發(fā)現(xiàn)較為系統(tǒng)、全面的中國消費市場對SAV接受度的報告.

本研究旨在綜合考慮歷史出行行為、出行方式特性、性格態(tài)度特征及社會經濟屬性4 方面因素，探討出行者在考慮合乘的SAV 與私家車或公共交通之間的選擇偏好，基于構建的混合Logit 模型得到考慮合乘的SAV 出行方式的潛在用戶特征，并討論SAV 投入市場后對出行者選擇私家車或公共交通可能帶來的影響.

1 混合Logit模型

考慮合乘的SAV出行方式選擇模型的構建與其意愿調查問卷的設計有緊密關系.采用混合Logit(Mixed Logit，ML)模型分析和預測考慮合乘的SAV出行方式選擇行為.

依據(jù)離散選擇模型，某種出行方式對某一出行者的效用包括固定效用和隨機效用，效用函數(shù)為

式中：Uni為出行方式i對出行者n的效用；Vni為出行方式i對出行者n的固定效用(即可觀測效用)；εni為出行方式i對出行者n的隨機效用(即不可觀測效用)；βk為第k種解釋變量的參數(shù)；K為解釋變量的個數(shù)；Xkni為出行方式i對出行者n的第k種解釋變量(即自變量)，此處考慮出行方式i的特性及出行者n的歷史出行行為、性格態(tài)度特征與社會經濟屬性.

多項Logit 模型假設隨機效用服從獨立極值分布(即Gumbel分布)而且解釋變量的參數(shù)均為常數(shù)，則基于效用最大化原則所得的出行者n選擇出行方式i的概率為

式中：Pni為出行者n選擇出行方式i的概率；Vnj為出行方式j對出行者n的固定效用；Jn為出行者n可選出行方式的個數(shù).

由式(2)可知，出行者n選擇出行方式i和j的概率之比僅與出行方式i和j有關，而與其他出行方式無關，這一點即為無關選項獨立(Independence from Irrelevant Alternatives，IIA)特性，然而此特性在很多情況下與實際不相符.

混合Logit 模型認為，解釋變量的參數(shù)β=(β1,β2,β3,…,βk,…,βK)是隨機變化的，并因個人偏好差異而服從某種形式的分布.由于混合Logit模型(也稱隨機參數(shù)Logit模型)在解釋變量的參數(shù)中加入了隨機因素，則考慮了個體異質性和選項相關性，從而克服了多項Logit模型的IIA缺陷.

將多項Logit模型的選擇概率進行加權平均，則可得混合Logit 模型的選擇概率.從微積分角度來看，混合Logit模型是多項Logit模型的積分式，即

式中：f(β|θ)為已知未知參數(shù)θ時，解釋變量的參數(shù)β的概率密度函數(shù)；向量β的元素均為隨機變量，可服從正態(tài)分布、對數(shù)正態(tài)分布、均勻分布等；θ為概率密度函數(shù)中的未知參數(shù).

2 問卷設計與調查

2.1 問卷設計

為探討考慮合乘的SAV這一新型出行方式的潛在用戶特征及其引入市場后對私家車和公共交通的影響，所設計的調查問卷綜合考慮歷史出行行為、出行方式特性、性格態(tài)度特征及社會經濟屬性.考慮到受訪者存在倦怠心理，調查問卷前一部分設置需要思考的重要內容，調查問卷后一部分設置無需思考的次要內容，這樣也可消除受訪者因個人隱私而產生的抵觸情緒.基于此，本次調查問卷從前往后設置的內容依次為歷史出行行為調查、出行方式選擇調查、性格態(tài)度特征調查、社會經濟屬性調查.

歷史出行行為調查主要分析受訪者日常出行中選擇私家車、公共交通、出租車、自行車或步行的使用頻次，以及最近一周內每次出行的時間、距離和費用.性格態(tài)度特征調查主要分析受訪者對SAV相關事項描述的擔憂程度及對自身性格態(tài)度特征的等級判斷.社會經濟屬性調查主要分析受訪者的社會經濟屬性.

出行方式選擇調查屬于意愿(Stated Preference，SP)調查，根據(jù)受訪者是否擁有私家車將其分為有私家車人群和無私家車人群.針對有私家車人群，設置的可選出行方式包括私家車、共享自動駕駛專車和共享自動駕駛拼車；針對無私家車人群，設置的可選出行方式包括公交/地鐵/輕軌、共享自動駕駛專車和共享自動駕駛拼車.表1為SP調查涉及的影響因素及其水平值.

表1 出行方式選擇的影響因素及其水平值Table1 Influencing factors and their levels for travel mode choice

為提高SP 調查效率，在正交試驗設計基礎上刪除具有明顯優(yōu)勢的情境，則對有、無私家車人群分別設置18和27個出行方式選擇問題，再將其平分至3套問卷中.

2.2 問卷調查

鑒于網絡在線調查輻射范圍廣泛、信息反饋及時、節(jié)省人力物力，2019年1～3月課題組采用微信、QQ等網絡工具在線實施了此項問卷發(fā)放和數(shù)據(jù)收集工作，共回收問卷488份.經過數(shù)據(jù)預處理，得到有效問卷393份，有效率為80.5%.

對于有、無私家車人群，有效問卷分別為233份和160 份，每份問卷分別有6 個和9 個SP 問題，相當于1 398 份和1 440 份SP 有效問卷.采用所得有效數(shù)據(jù)，各類人群占比如表2所示.對每種因素，各種取值的占比及相對關系與實際情況較為吻合，可見所選樣本具有良好的代表性.有私家車人群中18.0%受訪者無駕照的原因在于其本人無駕照而其家庭有私家車.

3 SAV選擇行為建模及分析

使用歷史出行行為調查的有效數(shù)據(jù)，利用KMeans聚類法對受訪者的歷史出行模式進行劃分.基于誤差平方和及輪廓系數(shù)獲得最優(yōu)k值為6；使用SPSS 軟件將受訪者按歷史出行模式分為6 類；針對有、無私家車人群，基于因子分析將性格態(tài)度特征分別劃分為6類和5類，以此確定性格態(tài)度特征變量.

表2 各類人群占比Table2 Percentages of various groups

考慮出行費用、車內時間、等待時間及停車費用這些解釋變量的參數(shù)可能服從正態(tài)分布或對數(shù)正態(tài)分布，并對此進行全面試驗.結果發(fā)現(xiàn)，對于解釋變量參數(shù)所服從的分布大多數(shù)組合，所得ML模型的擬合度都非常接近.

選擇以往研究最常用的組合(即所有解釋變量的參數(shù)均服從正態(tài)分布)和擬合度最大的組合(即每個解釋變量的參數(shù)服從正態(tài)分布或對數(shù)正態(tài)分布)，使用所獲得的有效數(shù)據(jù)進行參數(shù)標定.經對比研究，這兩種模型對所涉及的影響因素所標定的正負性是一樣的，且僅有個別因素的顯著性有差異，可見這兩種模型都能較好地解釋出行者對考慮合乘的SAV出行方式的選擇行為.

表3給出擬合度最高的ML 模型對出行方式選擇和歷史出行行為的標定結果；表4給出擬合度最高的ML 模型對性格態(tài)度特征和社會經濟屬性的標定結果.從表3可見，對于有私家車人群選擇SAV 專車和SAV 拼車，出行費用、車內時間、停車費用、僅私家車的歷史出行模式、日均出行距離、次均出行時間是顯著的消極因素，周出行費用是顯著的積極因素；對于無私家車人群選擇SAV 專車和SAV拼車，出行費用、車內時間、等待時間、多方式的歷史出行模式、步行/公交/出租的歷史出行模式、購物/休閑/娛樂的出行目的是顯著的負面因素，日均出行距離、周出行費用是顯著的正面因素.

從表4可見，對于有私家車人群選擇SAV專車和SAV拼車，保守內向型性格、認為新型出行方式不可靠、職業(yè)為學生、月收入是顯著的消極因素，積極主動型性格、SAV 熟知程度是顯著的積極因素；對于無私家車人群選擇SAV專車和SAV拼車，保守內向型性格、認為合乘不可靠是顯著的負面因素，積極主動型性格、職業(yè)為學生、有駕照、租房是顯著的正面因素.

有私家車人群：越熟知SAV 越愿意選擇SAV專車或SAV 拼車，越是駕駛自信且享受駕駛樂趣越不愿意選擇SAV拼車，若認為SAV安全、既不喜歡駕駛又不喜歡做其他事、且有駕照則愿意選擇SAV拼車.

無私家車人群：越是次均出行時間長越愿意選擇SAV 專車，若到達時間靈活則傾向于選擇SAV拼車，越熟知SAV越不傾向于選擇SAV專車，其中女性、住宿舍者更傾向于選擇SAV專車.

4 結 論

考慮合乘分析了SAV 潛在用戶的特性，設計了考慮合乘的SAV 出行方式選擇意愿調查問卷.以在線回收的有效數(shù)據(jù)為樣本，根據(jù)K-Means 聚類法劃分了歷史出行模式，利用誤差平方和及輪廓系數(shù)得到最優(yōu)k值為6.使用SPSS軟件按歷史出行模式把有效的問卷調查數(shù)據(jù)分為6類.采用因子分析，分別對有、無私家車人群將性格態(tài)度特征整合成6 和5 類性格態(tài)度特征變量.進一步，分別對有、無私家車人群建立了混合Logit模型，運用R語言實現(xiàn)了模型參數(shù)標定，并獲得了解釋變量的參數(shù)服從不同分布時的參數(shù)標定結果.最后，選取解釋變量的參數(shù)擬合度最高的ML模型，詳細討論了模型參數(shù)的標定結果.

表3 ML 模型對出行方式選擇和歷史出行行為的標定結果Table3 Calibration results of ML model for travel mode choice and historical travel behavior

表4 ML 模型對性格態(tài)度特征和社會經濟屬性的標定結果Table4 Calibration results of ML model for character-attitude characteristics and socio-economic attributes

所得結果為：出行費用、車內時間、等待時間、歷史出行模式、日均出行距離、次均出行時間、周出行費用、出行目的、性格態(tài)度特征、職業(yè)、住房情況及SAV熟知程度這些因素對于出行者選擇考慮合乘的SAV 出行方式具有顯著的影響.對受訪者的出行方式選擇行為來說，除了出行費用、車內時間等出行方式特性具有很高的顯著性影響之外，性格態(tài)度特征也具有較強的顯著性影響，而且其顯著性明顯高于性別、年齡、職業(yè)等社會經濟屬性.這說明，出行者選擇考慮合乘的共享自動駕駛汽車時，其性格態(tài)度至關重要；相對來說，年齡、性別等社會經濟屬性并不會顯著地影響出行者對SAV這類新型出行方式的接受度.