考虑合乘的共享自动驾驶汽车选择行为实证分析

姚荣涵，梁亚林，刘 锴，赵胜川，杨 澜

(大连理工大学交通运输学院，辽宁大连116024)

0 引 言

近年来，自动驾驶汽车(Autonomous Vehicles，AV)和共享经济受到了国内外众多学者的广泛关注，两者相结合的产物，即共享自动驾驶汽车为人们提供了一种新型的出行方式.这一方式可为解决当前许多交通问题提供一种替代方案.鉴于新技术的研发成本，自动驾驶汽车至少在起步阶段会很昂贵，因而起初并不适合个人购买为私家车，所以自动驾驶技术初期更易推动共享自动驾驶汽车(Shared Autonomous Vehicles，SAV)这样的商业模式[1].SAV 的主要优势之一在于融合了私家车和公共交通两者的优点，即集便利与公有于一体.

SAV 作为一种新型出行方式，其消费市场接受度成为学术界及商业界日益关注的焦点.国外有不少学者调查了出行者选择SAV还是现有出行方式的意愿，分析了SAV对现有出行方式的影响.Haboucha等探讨了出行者对公共交通和自动驾驶技术的态度等因素对其选择私家车、私人自动驾驶汽车和SAV的影响[2].Quarles考虑自动驾驶技术成本分析了私人自动驾驶汽车和SAV对出行者的车辆所有权选择、出行方式选择及家庭选址等的影响[3].Bansal 等讨论了不同定价水平下SAV 使用频次及SAV潜在用户特征[4]，针对8种假设情境调查了出行者选择意愿，分析了自动驾驶技术的长期公众接受度和使用情况[5].

SAV 还可与动态合乘系统结合起来进行实施，即具有相似起终点或有重合出行路线的出行者可以乘坐同一辆车出行一段路程.Krueger 等在澳大利亚调查了435位来自大城市的居民，使用混合Logit 模型分析了调查数据，结果表明，出行时间、出行费用及服务等待时间是影响出行者接受SAV 合乘服务的关键因素[1].Gurumurthy 等调查了隐私安全、道德法律、与陌生人共乘的安全性等因素对考虑动态合乘服务的SAV 市场接受度的影响，还针对不同等级的自动驾驶出行模式和长距离出行情境分析了出行者对此类新型出行方式的支付意愿[6].

国内外有关SAV及其合乘服务的研究现状表明，以往研究大多基于离散选择模型对SAV 出行方式选择行为进行建模，进而分析SAV 公众接受度的影响因素.事实上，SAV潜在用户的特征仍然比较模糊，且不同国家之间存在较大差异.然而，国内对此的研究相对较少，尚未发现较为系统、全面的中国消费市场对SAV接受度的报告.

本研究旨在综合考虑历史出行行为、出行方式特性、性格态度特征及社会经济属性4 方面因素，探讨出行者在考虑合乘的SAV 与私家车或公共交通之间的选择偏好，基于构建的混合Logit 模型得到考虑合乘的SAV 出行方式的潜在用户特征，并讨论SAV 投入市场后对出行者选择私家车或公共交通可能带来的影响.

1 混合Logit模型

考虑合乘的SAV出行方式选择模型的构建与其意愿调查问卷的设计有紧密关系.采用混合Logit(Mixed Logit，ML)模型分析和预测考虑合乘的SAV出行方式选择行为.

依据离散选择模型，某种出行方式对某一出行者的效用包括固定效用和随机效用，效用函数为

式中：Uni为出行方式i对出行者n的效用；Vni为出行方式i对出行者n的固定效用(即可观测效用)；εni为出行方式i对出行者n的随机效用(即不可观测效用)；βk为第k种解释变量的参数；K为解释变量的个数；Xkni为出行方式i对出行者n的第k种解释变量(即自变量)，此处考虑出行方式i的特性及出行者n的历史出行行为、性格态度特征与社会经济属性.

多项Logit 模型假设随机效用服从独立极值分布(即Gumbel分布)而且解释变量的参数均为常数，则基于效用最大化原则所得的出行者n选择出行方式i的概率为

式中：Pni为出行者n选择出行方式i的概率；Vnj为出行方式j对出行者n的固定效用；Jn为出行者n可选出行方式的个数.

由式(2)可知，出行者n选择出行方式i和j的概率之比仅与出行方式i和j有关，而与其他出行方式无关，这一点即为无关选项独立(Independence from Irrelevant Alternatives，IIA)特性，然而此特性在很多情况下与实际不相符.

混合Logit 模型认为，解释变量的参数β=(β1,β2,β3,…,βk,…,βK)是随机变化的，并因个人偏好差异而服从某种形式的分布.由于混合Logit模型(也称随机参数Logit模型)在解释变量的参数中加入了随机因素，则考虑了个体异质性和选项相关性，从而克服了多项Logit模型的IIA缺陷.

将多项Logit模型的选择概率进行加权平均，则可得混合Logit 模型的选择概率.从微积分角度来看，混合Logit模型是多项Logit模型的积分式，即

式中：f(β|θ)为已知未知参数θ时，解释变量的参数β的概率密度函数；向量β的元素均为随机变量，可服从正态分布、对数正态分布、均匀分布等；θ为概率密度函数中的未知参数.

2 问卷设计与调查

2.1 问卷设计

为探讨考虑合乘的SAV这一新型出行方式的潜在用户特征及其引入市场后对私家车和公共交通的影响，所设计的调查问卷综合考虑历史出行行为、出行方式特性、性格态度特征及社会经济属性.考虑到受访者存在倦怠心理，调查问卷前一部分设置需要思考的重要内容，调查问卷后一部分设置无需思考的次要内容，这样也可消除受访者因个人隐私而产生的抵触情绪.基于此，本次调查问卷从前往后设置的内容依次为历史出行行为调查、出行方式选择调查、性格态度特征调查、社会经济属性调查.

历史出行行为调查主要分析受访者日常出行中选择私家车、公共交通、出租车、自行车或步行的使用频次，以及最近一周内每次出行的时间、距离和费用.性格态度特征调查主要分析受访者对SAV相关事项描述的担忧程度及对自身性格态度特征的等级判断.社会经济属性调查主要分析受访者的社会经济属性.

出行方式选择调查属于意愿(Stated Preference，SP)调查，根据受访者是否拥有私家车将其分为有私家车人群和无私家车人群.针对有私家车人群，设置的可选出行方式包括私家车、共享自动驾驶专车和共享自动驾驶拼车；针对无私家车人群，设置的可选出行方式包括公交/地铁/轻轨、共享自动驾驶专车和共享自动驾驶拼车.表1为SP调查涉及的影响因素及其水平值.

表1 出行方式选择的影响因素及其水平值Table1 Influencing factors and their levels for travel mode choice

为提高SP 调查效率，在正交试验设计基础上删除具有明显优势的情境，则对有、无私家车人群分别设置18和27个出行方式选择问题，再将其平分至3套问卷中.

2.2 问卷调查

鉴于网络在线调查辐射范围广泛、信息反馈及时、节省人力物力，2019年1～3月课题组采用微信、QQ等网络工具在线实施了此项问卷发放和数据收集工作，共回收问卷488份.经过数据预处理，得到有效问卷393份，有效率为80.5%.

对于有、无私家车人群，有效问卷分别为233份和160 份，每份问卷分别有6 个和9 个SP 问题，相当于1 398 份和1 440 份SP 有效问卷.采用所得有效数据，各类人群占比如表2所示.对每种因素，各种取值的占比及相对关系与实际情况较为吻合，可见所选样本具有良好的代表性.有私家车人群中18.0%受访者无驾照的原因在于其本人无驾照而其家庭有私家车.

3 SAV选择行为建模及分析

使用历史出行行为调查的有效数据，利用KMeans聚类法对受访者的历史出行模式进行划分.基于误差平方和及轮廓系数获得最优k值为6；使用SPSS 软件将受访者按历史出行模式分为6 类；针对有、无私家车人群，基于因子分析将性格态度特征分别划分为6类和5类，以此确定性格态度特征变量.

表2 各类人群占比Table2 Percentages of various groups

考虑出行费用、车内时间、等待时间及停车费用这些解释变量的参数可能服从正态分布或对数正态分布，并对此进行全面试验.结果发现，对于解释变量参数所服从的分布大多数组合，所得ML模型的拟合度都非常接近.

选择以往研究最常用的组合(即所有解释变量的参数均服从正态分布)和拟合度最大的组合(即每个解释变量的参数服从正态分布或对数正态分布)，使用所获得的有效数据进行参数标定.经对比研究，这两种模型对所涉及的影响因素所标定的正负性是一样的，且仅有个别因素的显著性有差异，可见这两种模型都能较好地解释出行者对考虑合乘的SAV出行方式的选择行为.

表3给出拟合度最高的ML 模型对出行方式选择和历史出行行为的标定结果；表4给出拟合度最高的ML 模型对性格态度特征和社会经济属性的标定结果.从表3可见，对于有私家车人群选择SAV 专车和SAV 拼车，出行费用、车内时间、停车费用、仅私家车的历史出行模式、日均出行距离、次均出行时间是显著的消极因素，周出行费用是显著的积极因素；对于无私家车人群选择SAV 专车和SAV拼车，出行费用、车内时间、等待时间、多方式的历史出行模式、步行/公交/出租的历史出行模式、购物/休闲/娱乐的出行目的是显著的负面因素，日均出行距离、周出行费用是显著的正面因素.

从表4可见，对于有私家车人群选择SAV专车和SAV拼车，保守内向型性格、认为新型出行方式不可靠、职业为学生、月收入是显著的消极因素，积极主动型性格、SAV 熟知程度是显著的积极因素；对于无私家车人群选择SAV专车和SAV拼车，保守内向型性格、认为合乘不可靠是显著的负面因素，积极主动型性格、职业为学生、有驾照、租房是显著的正面因素.

有私家车人群：越熟知SAV 越愿意选择SAV专车或SAV 拼车，越是驾驶自信且享受驾驶乐趣越不愿意选择SAV拼车，若认为SAV安全、既不喜欢驾驶又不喜欢做其他事、且有驾照则愿意选择SAV拼车.

无私家车人群：越是次均出行时间长越愿意选择SAV 专车，若到达时间灵活则倾向于选择SAV拼车，越熟知SAV越不倾向于选择SAV专车，其中女性、住宿舍者更倾向于选择SAV专车.

4 结 论

考虑合乘分析了SAV 潜在用户的特性，设计了考虑合乘的SAV 出行方式选择意愿调查问卷.以在线回收的有效数据为样本，根据K-Means 聚类法划分了历史出行模式，利用误差平方和及轮廓系数得到最优k值为6.使用SPSS软件按历史出行模式把有效的问卷调查数据分为6类.采用因子分析，分别对有、无私家车人群将性格态度特征整合成6 和5 类性格态度特征变量.进一步，分别对有、无私家车人群建立了混合Logit模型，运用R语言实现了模型参数标定，并获得了解释变量的参数服从不同分布时的参数标定结果.最后，选取解释变量的参数拟合度最高的ML模型，详细讨论了模型参数的标定结果.

表3 ML 模型对出行方式选择和历史出行行为的标定结果Table3 Calibration results of ML model for travel mode choice and historical travel behavior

表4 ML 模型对性格态度特征和社会经济属性的标定结果Table4 Calibration results of ML model for character-attitude characteristics and socio-economic attributes

所得结果为：出行费用、车内时间、等待时间、历史出行模式、日均出行距离、次均出行时间、周出行费用、出行目的、性格态度特征、职业、住房情况及SAV熟知程度这些因素对于出行者选择考虑合乘的SAV 出行方式具有显著的影响.对受访者的出行方式选择行为来说，除了出行费用、车内时间等出行方式特性具有很高的显著性影响之外，性格态度特征也具有较强的显著性影响，而且其显著性明显高于性别、年龄、职业等社会经济属性.这说明，出行者选择考虑合乘的共享自动驾驶汽车时，其性格态度至关重要；相对来说，年龄、性别等社会经济属性并不会显著地影响出行者对SAV这类新型出行方式的接受度.