基于潛在類別-Logit模型的共享自動駕駛汽車使用意向*

姚榮涵 龍 夢 張文松 祁文彥

（大連理工大學(xué)交通運輸學(xué)院 遼寧 大連 116024）

0 引 言

自動駕駛汽車（autonomous vehicle，AV）是1種能夠感知外部環(huán)境、無需人為操作、可使出行更安全、高效、舒適和環(huán)保的車輛[1]。共享經(jīng)濟(jì)使生活更經(jīng)濟(jì)、更便利。當(dāng)自動駕駛汽車與共享經(jīng)濟(jì)相結(jié)合，則出現(xiàn)共享自動駕駛汽車（shared autonomous vehicle，SAV），將為人們提供1種新型的出行方式。

SAV類似于無人出租車，兼具網(wǎng)約車服務(wù)與自動駕駛技術(shù)二者之優(yōu)勢[2]。相比于AV，SAV因共享特性而使AV服務(wù)于不同收入階層的人群。同時，SAV有助于降低或延緩人們購置車輛的需求，一定程度上有利于緩解交通擁堵和改善交通環(huán)境。相比網(wǎng)約車，SAV因無需人為駕駛，可避免無人接單現(xiàn)象；相比共享電動汽車，SAV因無需借助步行或其他方式而使出行更便利，且因無需擔(dān)心站點沒車可用而使出行更安心[3]。進(jìn)一步的研究表明，在市區(qū)使用時，SAV可替代私人小汽車和公共交通；在郊區(qū)使用時，SAV可替代私人小汽車；1輛共享自動駕駛汽車可替代11輛私人小汽車[3]，這將有效地減少城市交通量，從而緩解城市交通擁堵；當(dāng)SAV與公共交通相結(jié)合，減少交通量和緩解交通擁堵的作用將更加明顯[3-5]。此外，SAV可以顯著提高各種場景下的可達(dá)性，減少高達(dá)90%的停車需求[6-7]。作為新型的出行方式，識別SAV使用意向的重要影響因素是預(yù)判SAV市場占有率和推廣SAV服務(wù)的關(guān)鍵。

近年，國內(nèi)外已有眾多學(xué)者開展SAV使用意向研究。Krueger等[2]利用混合Logit模型得到出行費用、出行時間、等待時間是影響SAV使用的顯著性因素，且不同人群的SAV使用意向存在明顯差異；Webb等[8]運用離散選擇模型也得到相似結(jié)論，向特定人群介紹SAV優(yōu)點，會明顯增加此人群的SAV使用意向；Nazari等[9]使用結(jié)構(gòu)方程模型，發(fā)現(xiàn)安全擔(dān)憂、綠色出行和網(wǎng)約服務(wù)接受能力是影響SAV使用意向的主要潛在因素。姚榮涵等[10]使用混合Logit模型對有、無私家車人群分別探究SAV使用意向的各影響因素，結(jié)果表明：出行目的、性格態(tài)度特征等也會顯著影響SAV使用意向。此外，現(xiàn)有出行方式、工作安排、居住位置、接送乘客時間、到達(dá)目的地時間都顯著影響SAV使用意向[11-12]。對于新型出行方式，EL等[13]建立離散選擇模型框架后分析其使用和擴(kuò)散情況?？梢?，已有文獻(xiàn)大多采用離散選擇模型、結(jié)構(gòu)方程模型，根據(jù)意向調(diào)查數(shù)據(jù)分析SAV使用意向，識別其各種影響因素及其程度。

綜上，SAV的使用會改變不同人群的出行習(xí)慣，且不同人群對于SAV的使用意向有顯著差異，但現(xiàn)有文獻(xiàn)未深入探討人群的潛在類別，也沒有分析各種影響因素對各類人群使用SAV的差異，因而影響因素廣泛性和出行者異質(zhì)性都值得進(jìn)一步探討。本研究依據(jù)社會經(jīng)濟(jì)屬性、歷史出行特性、行為態(tài)度特征和出行方式屬性找尋影響SAV使用意向的深層原因，考慮出行者異質(zhì)性建立SAV使用意向的潛在類別-Logit模型，獲得不同類別出行者的特征及其影響因素，獲知出行者選擇SAV的行為。

1 調(diào)查問卷設(shè)計與統(tǒng)計分析

1.1 調(diào)查問卷設(shè)計

鑒于SAV目前尚處于測試階段，本研究采用實際（revealed preference，RP）+意向（stated preference，SP）調(diào)查方法、以調(diào)查問卷形式獲知并分析出行者對SAV的使用意向。根據(jù)調(diào)查目的，設(shè)計的調(diào)查內(nèi)容分為社會經(jīng)濟(jì)屬性、歷史出行特性、行為態(tài)度特征[10,14]、出行方式選擇4個部分。

采用RP調(diào)查方法獲知受訪者的社會經(jīng)濟(jì)屬性、歷史出行特性、行為態(tài)度特征。社會經(jīng)濟(jì)屬性調(diào)查了解受訪者的社會經(jīng)濟(jì)屬性（如性別、年齡、收入）；歷史出行特性調(diào)查了解受訪者在歷史出行過程中所涉及的出行方式、目的、時間和費用等；行為態(tài)度特征調(diào)查了解受訪者對SAV的基本態(tài)度以及與其他出行方式相比較時的區(qū)別認(rèn)知，其中將SAV使用人群類型作為1個外顯變量，根據(jù)3個問題把受訪者劃分為不同的SAV使用人群類型，以此獲知受訪者對SAV的使用態(tài)度。

采用SP調(diào)查方法獲知受訪者的出行方式選擇，出行方式選擇集為私人小汽車（private car，PC）、共享電動汽車（shared electric vehicle，SEV）、網(wǎng)約車（ride-hailing service vehicle，RHSV）和SAV?？紤]同行人數(shù)、等待時間、行駛時間、出行費用及出行方式，為各變量設(shè)置3種水平，見表1。這里等待時間對私家車是取、停車總時間，對共享電動汽車是前往租車點和歸還車輛的總時間，對網(wǎng)約車是等待接單和接單后等待車輛的總時間；行駛時間是指交通工具在出行路線上花費的時間，即不計因停車或還車操作而導(dǎo)致的繞行時間；出行費用對私人小汽車是停車、燃油、通行等總費用，對其他出行方式是租車費用。對比各方式技術(shù)性及便捷性，PC、SEV和RHSV等待時間參考日常情況進(jìn)行設(shè)置，PC、SEV和RHSV行駛時間參考行駛距離除以行駛速度進(jìn)行設(shè)置，PC出行費用參考日常情況進(jìn)行設(shè)置，SEV出行費用參考盼達(dá)共享電動汽車的費用標(biāo)準(zhǔn)進(jìn)行設(shè)置，RHSV出行費用參考滴滴網(wǎng)約車的費用標(biāo)準(zhǔn)進(jìn)行設(shè)置，SAV等待時間、行駛時間和出行費用按等待更少、速度更快、費用更高的技術(shù)先進(jìn)性原則進(jìn)行設(shè)置。根據(jù)L27313正交表得到27個實驗方案，將其隨機(jī)分成6組后分別置于6套問卷中。

表1 SP調(diào)查考慮的影響因素及其水平Tab.1 Influencing factors and their levels considered by SP survey

借助問卷星平臺于2018年3月實施此次調(diào)查，累計回收333份問卷，調(diào)查區(qū)域涉及中國25個省/直轄市。為提高數(shù)據(jù)可信性，根據(jù)答題時間、校驗題目、數(shù)據(jù)邏輯對回收的問卷進(jìn)行篩選，獲得311份有效問卷用于數(shù)據(jù)統(tǒng)計分析、參數(shù)標(biāo)定和模型解釋，共涉及1 397個SP選擇結(jié)果。

1.2 數(shù)據(jù)統(tǒng)計分析

表2列出了受訪者社會經(jīng)濟(jì)屬性各因素的取值分布。由表2可見：男女比例均衡，絕大多數(shù)為中青年，大多學(xué)歷較高、沒有小孩、收入不高，以學(xué)生和工作者為主，駕齡分布基本均勻，有無小汽車的比例相當(dāng)。受訪的學(xué)生和工作者因小汽車擁有、通勤需求等原因主要使用公共交通或出租車，對共享出行的意愿比較強烈。因此，所得樣本能較好地反映人們對SAV的使用意向。進(jìn)一步使用聚類分析處理歷史出行特性調(diào)查數(shù)據(jù)，受訪者的歷史出行模式可分為舒適小汽車出行和經(jīng)濟(jì)公共交通出行2類，后者樣本數(shù)約是前者的2倍，出行方式的快捷性、便利性和安全性是出行者考慮的主要因素。

表2 社會經(jīng)濟(jì)屬性各因素分布Tab.2 Distribution of each factor of socio-economic attributes

由行為態(tài)度特征調(diào)查中有關(guān)SAV使用的問題，將SAV使用人群分為創(chuàng)新者、模仿者和不使用者。SAV投入市場時第一時間將SAV作為日常出行方式的受訪者為創(chuàng)新者，無論SAV投入市場多久都不將SAV作為日常出行方式的受訪者為不使用者，其他受訪者為模仿者。根據(jù)開始使用SAV時SAV使用者的占比，將模仿者再細(xì)分為早期、主要和后期3類模仿者，這些人群分布見圖1。表3針對歷史出行特性和行為態(tài)度特征列出外顯變量及其取值。

表3 歷史出行特性和行為態(tài)度特征外顯變量及其取值Tab.3 Manifest variables and their values of historical travel characteristics and behavioral attitude characteristics

由圖1可見：29.3%的受訪者屬于創(chuàng)新者，當(dāng)SAV初次投入市場時，該人群就愿意使用SAV；40.8%的受訪者屬于模仿者，當(dāng)有人使用SAV之后，該人群才愿意使用SAV，其中早期、主要和后期模仿者分別占12.5%，26.0%和2.3%；29.9%的受訪者屬于不使用者。后期模仿者占比很低，當(dāng)SAV使用人數(shù)達(dá)到90%時，該人群才愿意使用SAV；不使用者在SAV普及后仍然拒絕使用SAV。不低于70%的人對SAV持接受態(tài)度，這說明SAV具有市場潛力。相比私人小汽車、共享電動汽車、網(wǎng)約車和出租車，SAV在便利性、舒適性、快捷性、經(jīng)濟(jì)性和環(huán)保性方面都有明顯優(yōu)勢，但受訪者對其安全性存疑。

圖1 SAV使用人群分布Fig.1 Distribution of SAVuser categories

2 SAV使用意向的潛在類別-Logit模型

2.1 潛在類別模型

潛在類別（latent class，LC）模型借助不可觀測的潛在變量解釋可觀測的外顯變量間的關(guān)系，從而將數(shù)據(jù)進(jìn)行分類，用于研究出行方式選擇行為時，可充分考慮出行者異質(zhì)性[15]。潛在類別模型與傳統(tǒng)因素分析模型和結(jié)構(gòu)方程模型最主要的區(qū)別在于變量類型，前者處理類別變量，而后二者處理連續(xù)變量[16]。本研究所述外顯變量和潛在變量均適合描述為類別變量，因此選用潛在類別模型。這里選擇社會經(jīng)濟(jì)屬性（見表2）以及歷史出行特性和行為態(tài)度特征（見表3）涉及的15個變量作為外顯變量。概率參數(shù)化所得潛在類別模型為[16]

完成潛在類別模型的參數(shù)估計之后，需要選取合適的指標(biāo)對模型適配性進(jìn)行檢驗，這里選擇赤池信息量準(zhǔn)則（akaike information criterion，AIC）、貝葉斯信息量準(zhǔn)則（bayesian information criterion，BIC）、校正的貝葉斯信息量準(zhǔn)則（adjusted Bayesian Information Criterion，aBIC）、熵（Entropy）這4個常用指標(biāo)[9]。根據(jù)這些指標(biāo)選取使?jié)撛陬悇e模型最優(yōu)的潛在類別數(shù)。由于按潛在類別分類數(shù)據(jù)存在誤差，需要評價分類的正確率，采用的2個指標(biāo)[17-18]為

2.2 多項和混合Logit模型

離散選擇模型在一系列獨立和詳盡的備選項基礎(chǔ)上，運用效用最大化原則，假設(shè)出行者完全理性，認(rèn)為出行者選擇對自我效用最大的出行方式，用于分析出行者在多種備選出行方式中進(jìn)行選擇的意向。離散選擇模型給出的效用函數(shù)由固定項和隨機(jī)項組成?？紤]上述調(diào)查問卷涉及的4種出行方式，出行者i選擇出行方式j(luò)?{1,2,3,4}（1，2，3和4分別表示PC，SEV，RHSV和SAV）的效用為[19]

式中：Uij，Vij和εij分別為出行方式j(luò)對出行者i的效用、固定效用和隨機(jī)效用。

出行者i選擇出行方式j(luò)的固定效用可表示為[13]

式中：xijm為出行者i選擇出行方式j(luò)時對應(yīng)的第m個外顯變量；βjm為出行方式j(luò)的第m個外顯變量對應(yīng)的參數(shù)。

出行方式j(luò)對出行者i的隨機(jī)效用是可由隨機(jī)變量表示的未知效用（即誤差項），當(dāng)該隨機(jī)變量服從不同分布時，則形成不同的離散選擇模型。

多項Logit（multinomial Logit，MNL）模型假設(shè)隨機(jī)效用服從Gumbel分布，即對任意出行方式和出行者都滿足獨立同分布，那么出行者i選擇出行方式j(luò)的概率Pij為[19]

式中：J為出行方式數(shù)。

由此可見，多項Logit模型需要滿足不相關(guān)選項相互獨立的假設(shè)，即任意2種出行方式的選擇概率比與其他出行方式無關(guān)。然而，城市交通中部分出行方式之間是否存在相關(guān)性并不確定，所以多項Logit模型在某些情況下會失效。

有學(xué)者提出考慮隨機(jī)偏好差異的混合Logit（mixed Logit，MIXL）模型，認(rèn)為外顯變量對應(yīng)的參數(shù)因個體偏好差異而服從某種分布（如正態(tài)分布、對數(shù)正態(tài)分布），這樣既考慮個體偏好異質(zhì)性又包容出行方式相關(guān)性。那么，出行者i選擇出行方式j(luò)的概率為[19]

對于MNL和MIXL，使用極大似然法標(biāo)定未知參數(shù)，對各變量參數(shù)進(jìn)行t檢驗可得此參數(shù)的顯著性，再分析參數(shù)值的符號和大小可得各因素對各出行方式使用意向的具體影響。

2.3 潛在類別-Logit模型

為考慮潛在類別對SAV使用意向的影響，先建立各種出行方式對各潛在類別出行者的效用函數(shù)，再將每個出行者屬于各潛在類別的后驗概率與所得各種出行方式對各潛在類別出行者的效用函數(shù)相結(jié)合，從而得到各種出行方式對每個出行者的效用函數(shù)。因此，潛在類別模型用于對總樣本分類并獲取各類別概率，多項和混合Logit模型作為對各子樣本進(jìn)行參數(shù)標(biāo)定的基本模型。依據(jù)離散選擇模型，出行方式j(luò)對屬于潛在類別t的出行者i的效用函數(shù)為

本研究建模流程見圖2。

圖2 建模流程Fig.2 Procedure of modeling

3 SAV使用意向建模與分析

3.1 潛在類別分析

不同類別人群具有明顯不同的出行方式選擇行為，而人群類別屬于不可觀測的潛在類別變量。為使用潛在類別變量揭示出行者異質(zhì)性及影響出行方式選擇行為的外顯變量間的關(guān)系，選取社會經(jīng)濟(jì)屬性、歷史出行特性、行為態(tài)度特征3個部分變量作為外顯變量，利用Mplus 7.4軟件建立潛在類別數(shù)分別為1，2，…，8的8個潛在類別模型。根據(jù)表征模型適配性的AIC，BIC，aBIC和Entropy尋找最佳的潛在類別模型，前3個指標(biāo)均通過期望值與實際值之差來判斷模型擬合優(yōu)劣，其值越小表示模型越好；而Entropy描述分類準(zhǔn)確性，其取值范圍為[0,1]，其值越接近1表示分類越準(zhǔn)確[16]。圖3展示了不同潛在類別數(shù)所得模型的各指標(biāo)值。

圖3 不同潛在類別模型的評價指標(biāo)Fig.3 Evaluation indices for different latent class models

由圖3可見：當(dāng)潛在類別數(shù)大于3，AIC和aBIC基本上不再減??；當(dāng)潛在類別數(shù)為3時，Entropy達(dá)到0.957，此時所得模型優(yōu)于67%的模型。因此，最佳潛在類別數(shù)應(yīng)取3，可得各因素各水平的條件概率。此時，各潛在類別的概率分別為0.160，0.376，0.465，由問卷數(shù)據(jù)所得其頻率分別為0.164，0.370，0.466，二者確實稍有差異，進(jìn)一步評價分類結(jié)果的正確率。經(jīng)過計算，λ1為0.983，λ2為0.967，可知潛在類別數(shù)為3的分類是準(zhǔn)確的。

按樣本數(shù)據(jù)的分類結(jié)果和受訪者的外顯變量特征，將3個潛在類別變量代表的第1類、第2類和第3類人群分別命名為“沖動的積極創(chuàng)新者（impulsive and positive innovator，IPI）”“矛 盾的保 守創(chuàng)新 者（contradictory and conservative innovator，CCI）”“理智的保守使用者（rational and conservative user，RCU）”，其顯著性外顯變量的特征如下：①IPI收入和學(xué)歷不高，不太了解SAV時就愿意使用SAV；②CCI收入較高，傾向于舒適小汽車出行模式，大多愿意使用SAV，但會有所顧慮，因習(xí)慣使用私人小汽車而出現(xiàn)矛盾的選擇；③RCU學(xué)歷高而收入不高，較理性地考慮SAV的經(jīng)濟(jì)性和其他因素，大多不愿意使用SAV或有較多親友使用SAV后才愿意使用SAV。

3.2 SAV使用意向建模

根據(jù)式（7）和潛在類別分析所得概率，建立SAV使用意向的潛在類別-Logit模型。如前所述，將出行者分為3類，由Mplus 7.4軟件把每位受訪者歸入對應(yīng)的潛在類別；再將各子樣本的社會經(jīng)濟(jì)屬性變量、歷史出行特性變量、行為態(tài)度特征變量和出行方式屬性變量共同代入多項或混合Logit模型；之后利用R 3.4.1語言標(biāo)定所建SAV使用意向的潛在類別-Logit模型的參數(shù)。

使用總樣本數(shù)據(jù)和3個潛在類別的子樣本數(shù)據(jù)分別標(biāo)定多項和混合Logit模型。以總樣本數(shù)據(jù)標(biāo)定的模型作為對照模型，分析其他模型相比對照模型的差異。參數(shù)標(biāo)定過程中，為避免多重共線性，使用逐步回歸法，每步進(jìn)行F檢驗，根據(jù)各變量的重要性逐個將其引入模型[19]。

利用多項Logit模型及總樣本和3個子樣本所得模型分別稱為MNL，MNL-IPI，MNL-CCI和MNL-RCU模型，基于潛在類別模型將后3個模型所得概率加權(quán)求和后得到潛在類別-多項Logit模型，稱為MNL-LC模型。利用混合Logit模型及總樣本和3個子樣本所得模型分別稱為MIXL，MIXL-IPI，MIXL-CCI和MIXL-RCU模型，基于潛在類別模型將后3個模型所得概率加權(quán)求和后得到潛在類別-混合Logit模型，稱為MIXL-LC模型。

建模過程中，先假設(shè)等待時間、行駛時間和出行費用的參數(shù)均服從正態(tài)分布或?qū)?shù)正態(tài)分布，找到極大對數(shù)似然函數(shù)值最小的模型；再對這些模型的參數(shù)進(jìn)行標(biāo)準(zhǔn)差顯著性檢驗。選顯著性水平為0.05，MIXL-IPI和MIXL-CCI模型的3個參數(shù)均未通過標(biāo)準(zhǔn)差顯著性檢驗，說明這2個模型不適用；MIXL和MIXL-RCU模型的等待時間的參數(shù)未通過標(biāo)準(zhǔn)差顯著性檢驗，而行駛時間和出行費用的參數(shù)服從正態(tài)分布時通過標(biāo)準(zhǔn)差顯著性檢驗，說明這2個模型在合適的條件下適用[19-21]。

表4~5分別列出MNL-IPI，MNL-CCI，MNL-RCU和MIXL-RCU模型對社會經(jīng)濟(jì)屬性及歷史出行特性、行為態(tài)度特征和出行方式屬性的參數(shù)標(biāo)定結(jié)果?？梢?，影響不同潛在類別的顯著性因素不同，相同因素對不同潛在類別的影響程度不同；SAV使用人群類型是共有的顯著性因素，創(chuàng)新者和模仿者對應(yīng)的參數(shù)均為正值，且前者顯著大于后者；影響SAV使用意向的顯著性因素有性別、年齡、學(xué)歷、駕齡、小汽車擁有量、兒童人數(shù)、歷史出行目的、SAV了解程度、SAV使用人群類型、同行人數(shù)、等待時間和人均出行費用；MNL-RCU模型中人均出行費用是顯著的，MNL-IPI、MNL-CCI和MIXL-RCU模型中人均出行費用是不顯著的，這符合潛在類別的特征，說明應(yīng)考慮不同潛在類別人群的異質(zhì)性。

表4 不同Logit模型對社會經(jīng)濟(jì)屬性的參數(shù)標(biāo)定結(jié)果Tab.4 Results of parameter calibration for different Logit models for socio-economic attributes

表5 不同Logit模型對歷史出行特性、行為態(tài)度特征和出行方式屬性的參數(shù)標(biāo)定結(jié)果Tab.5 Results of parameter calibration for different Logit models for historical travel characteristics,behavioral attitude characteristics and travel mode attributes

使用極大似然比、預(yù)測正確率和AIC評價潛在類別-Logit模型的擬合優(yōu)度，見表6。從表6可見：①MIXL模型比MNL模型的極大似然比大、預(yù)測正確率高、AIC值小，MIXL-RCU模型比MNL-RCU模型的極大似然比大、AIC值小，這說明混合Logit模型比多項Logit模型能更好地解釋出行者對SAV的使用意向；②相比Logit模型，潛在類別-Logit模型的極大似然比增加、預(yù)測正確率提高、AIC值減??；相比MNL模型，MNL-LC模型的極大似然比增加49.59%以上、預(yù)測正確率提高13.11%以上、AIC值減小6.93%；相比MIXL模型，MIXL-LC模型的極大似然比增加59.38%以上、預(yù)測正確率提高13.33%以上、AIC值減小8.64%。

表6 不同Logit模型的擬合優(yōu)度Tab.6 Goodness-of-fit of different Logit models

對比子樣本和總樣本所得Logit模型的參數(shù)標(biāo)定結(jié)果，可發(fā)現(xiàn)引入潛在類別所得Logit模型更能揭示各潛在類別人群的特性，而不引入潛在類別所得Logit模型會掩蓋各潛在類別人群的差異，這說明潛在類別顯著地影響出行者對SAV的使用意向。

3.3 SAV使用意向分析

由于MIXL-LC模型比MNL-LC模型的擬合優(yōu)度高，利用前者的參數(shù)標(biāo)定結(jié)果進(jìn)行邊際效應(yīng)分析，即分析出行方式屬性（即等待時間、行駛時間和出行費用）變化對出行方式選擇概率的影響。邊際效應(yīng)是指某出行方式的屬性變化1個單位引起的該出行方式或其他出行方式選擇概率的變化。前者為直接邊際效應(yīng)，后者為交叉邊際效應(yīng)，其計算式為[21]

按式（10）~（11）計算樣本均值處屬性變化引起的平均邊際效應(yīng)。表7列出了總樣本對應(yīng)的出行方式屬性的平均邊際效應(yīng)?？梢姡齋AV自身屬性外，其他出行方式對SAV選擇概率的影響為私人小汽車＞網(wǎng)約車＞共享電動汽車，當(dāng)私人小汽車和網(wǎng)約車的等待時間增加1個單位時，SAV選擇概率增加0.28%和0.16%。SAV屬性變量的平均直接邊際效應(yīng)較大，等待時間和行駛時間的縮短需要通過提高SAV技術(shù)才能實現(xiàn)，人均出行費用的降低只需調(diào)整SAV定價即可實現(xiàn)。

表7 總樣本對應(yīng)的出行方式屬性的平均邊際效應(yīng)Tab.7 Average marginal utility of various travel mode attributes corresponding to all the samples

固定各出行方式選擇概率的比例，圖4顯示了SAV人均出行費用每增加1元對各出行方式選擇概率的影響。可見，SAV人均出行費用的變化對SAV本身的影響最大，其次是私人小汽車、網(wǎng)約車、共享電動汽車；SAV選擇概率越接近0.5，其人均出行費用對自身的影響越大，反之亦然。

圖4 SAV人均出行費用對不同出行方式的平均邊際效應(yīng)Fig.4 Average marginal utility of the average travel cost of SAVfor different travel modes

表8列出了不同類型SAV使用人群對應(yīng)的SAV屬性的平均邊際效應(yīng)?？芍?，各類SAV使用人群對SAV屬性變化的敏感程度排序為模仿者＞不使用者＞創(chuàng)新者，SAV屬性對其使用意向的影響程度排序為等待時間＞人均出行費用＞行駛時間。因此，SAV投入市場初期，建議縮短SAV等待時間或降低SAV人均出行費用以便吸引模仿者和不使用者。

表8 不同類型SAV使用人群對應(yīng)的SAV屬性的平均邊際效應(yīng)Tab.8 Average marginal utility of the attributes of SAV for different kinds of SAV users

4 結(jié)束語

將潛在類別模型和離散選擇Logit模型相結(jié)合，構(gòu)建了SAV使用意向的潛在類別-多項Logit模型與潛在類別-混合Logit模型。根據(jù)參數(shù)標(biāo)定、模型檢驗和邊際效應(yīng)分析的結(jié)果，找到影響出行者選擇SAV的顯著性因素及其靈敏性，并為SAV發(fā)展及市場開發(fā)提出了一些建議。研究結(jié)果顯示：出行者潛在地分為沖動的積極創(chuàng)新者、矛盾的保守創(chuàng)新者和理智的保守使用者3類；由于考慮了各類人群間的異質(zhì)性，潛在類別-Logit模型在分析出行方式使用意向時具有更強的解釋性和更高的準(zhǔn)確性；當(dāng)選擇私人小汽車的出行者面臨較多的停車問題或者選擇網(wǎng)約車的出行者不得不忍受過長的等待時間，這些出行者將會選擇SAV；當(dāng)SAV選擇概率接近于0.5時，SAV人均出行費用的輕微降低最易引起選擇私人小汽車的出行者轉(zhuǎn)而選擇SAV；SAV投入市場初期，為吸引模仿者和不使用者，建議通過技術(shù)手段減少SAV等待時間或者降低SAV人均出行費用。

本研究所述潛在類別-Logit模型還可用于SAV定價。就調(diào)查問卷設(shè)計、樣本覆蓋面等細(xì)節(jié)問題，還有改進(jìn)空間。在潛在類別模型與混合Logit模型結(jié)合方面，還可探討混合Logit模型中解釋變量的參數(shù)服從正態(tài)分布、對數(shù)正態(tài)分布以外的其他分布。