基于结构方程模型的自动驾驶巴士信任度分析

宋 臻, 彭金栓, 孙龄波, 张 磊

(重庆交通大学 交通运输学院,重庆 400074)

汽车是人们的重要出行工具,自动驾驶作为汽车产业信息化、绿色化、智能化发展的重要载体,可以为人们提供安全、环保、便捷、舒适的出行,公共交通作为城市居民的重要出行手段,为居民出行提供了极大的便利。自动驾驶巴士作为两者的结合产物,将继承其优点,在未来有着广阔的发展前景。

随着2018年第二届百度AI开发者大会的召开,百度与金龙客车合作生产的全球首款L4级量产自动驾驶巴士“阿波龙”正式量产下线[1]。伴随着2019年移动5G技术的普及,宇通自动驾驶巴士正式试运用[2]。自动驾驶巴士在中国市场的投入使用也提上了议程。但是在技术突破的同时,消费者对自动驾驶巴士的接受程度、信任度也将影响着自动驾驶巴士的投入使用,因此调查消费者对自动驾驶巴士的信任程度具有重要意义。

自动驾驶的研究领域较为广泛,多个学者的研究涉及接受度的调查。针对调查方式的运用,文献[3]应用汽车技术验收模型来了解采用和使用情况,对德克萨斯州奥斯汀市556名居民进行在线访问,针对特定人群进行回访确认。为了解大众对于自动驾驶车辆的接受度以及使用和购买意向,文献[4]进行了基于问卷调查的描述性统计分析。为使接受程度变得多维化,文献[5]着眼于无人驾驶汽车车内使用用户和车外观望用户,将技术接受和使用的统一理论和愉悦-唤醒-主导框架联系起来开发了一个概念模型。针对自动驾驶对使用者的影响因素的研究,文献[6]从乘客心理角度出发结合驾驶时的感知有用性、感知易用性、与SDV相关的信任和感知安全性4个因素建立了一个心理学模型来研究自动驾驶汽车直接体验的影响因素;而文献[7]从心理学等理论科学的角度搭建基于用户心理的无人驾驶信任度的研究模型。为调查采用共享自主汽车服务用户的特征,文献[8]运用logit模型进行了陈述选择调查和分析,并通过引出服务属性的支付意愿度量,进一步研究共享自主汽车对旅游行为的影响；文献[9]为了调查在中国地区的智能驾驶接受度,将广州设为调查地点,发放相关调查问卷,对调查对象进行描述性统计分析,并运用多重响应和Pearson相关性分析对智能驾驶和个人信息进行关联。

在现有的关于自动驾驶接受度的研究中,描述性统计分析所占的比率较高,但缺少相关理论和数学模型的支持,而且自动驾驶巴士信任度问题也涉及很多心理影响因素。因此在进行对自动驾驶巴士信任度研究中,采用问卷调查的形式进行数据采集,着眼于自动驾驶巴士的潜在用户,从乘客用户心理出发,结合结构方程模型的理论,并运用其数学模型来探索影响乘客信任度的关键性因素。

1 结构方程模型

结构方程模型(structural equation modeling,SEM)是一种广泛使用的线性统计建模技术,通常运用于社会学、心理学、经济学等领域[10]。

(1) 模型构建。模型构建首先要确立预设模型中的测量模型和结构模型。SEM[10]包括测量模型和结构模型 2个模型。其中显变量即观测变量和潜在变量之间的关系用测量模型来反映,潜在变量与潜在变量之间的关系用结构模型来反映。

测量模型是运用观测变量与潜在变量之间的关系来构建潜变量的模型。具体形式如下:

x=Λxξ+δ

(1)

y=Λyη+ε

(2)

其中:x为外生标识;Λx为连接x变量对ξ变量的因子荷载矩阵;ξ为外生潜变量;δ为x的测量误差;y为内生标识;Λy为连接y变量对η变量的因子荷载矩阵;η为内生潜变量;ε为y的测量误差。

颈部富血供包块一般包括炎性肿块、肿瘤、先天性疾病以及甲状腺病变等几种不同病因导致的疾病。对颈部富血供包块患者可以采用CT与MRI扫描诊断[1]。

结构模型反映的是不可直接测量的潜在变量之间的关系,具体形式如下:

η=Bη+Γξ+ζ

(3)

其中:η为内生潜变量;B为内生潜变量之间的关系;Γ为外生潜变量对内生潜变量的影响;ξ为外生潜变量;ζ为方程中的干扰项。

(2) 模型识别与模型估计。模型的识别和模型的估计为模型建立的可行性分析提供依据。在进行模型识别和估计过程中,需要对模型的参数进行估计,来检验已有设计的模型是否符合实际情况,通常运用的估计方法为极大似然法。

(3) 模型评价。初步得到拟合的模型之后,需要对拟合的模型进行评价,来检测模型的拟合程度。常用的拟合指数标准见表1所列。

表1 常用的拟合指数标准

表1中:CMIN/DF为卡方自由度比；CFI为比较拟合指数；GFI为拟合度指数；AGFI为调整后拟合度指数；RMR为残差均方根;RMSEA为近似误差均方根。

(4) 模型修正。如果在进行模型评价时,出现不符合拟合标准或模型的适配度欠佳的情况,那么就需要对模型进行修正。在不断评价和修正的过程中,将其修正成可接受的结果。

2 乘客信任度结构方程模型

构建的模型是在高度自动与完全自动驾驶汽车的公众接受度研究[11]基础上,加入一些不可直接测量的潜在变量,采用李克特的5点量表法表示潜变量的测度。分析各个变量之间的关系以及对选择结构的影响,结合2019年潜在用户对自动驾驶巴士信任度进行调查,并根据调查数据结果进行探索性因子分析。

2.1 模型变量

模型以乘客信任度作为研究目标。文献[11]指出智能驾驶在乘客接受度应该考虑智能驾驶的安全性、乘坐的便捷性、使用时的环保性和推广后的经济性。因此本文提出乘客的信任度是因变量即内生潜变量,经济环保性、便捷性和安全性是自变量即外生潜变量,探索自变量和因变量之间的关系,建立结构模型,如图1所示。

图1 自动驾驶巴士信任度模型结构

经济环保性、便捷性、安全性和乘客信任度均为不可直接观测的潜在变量,需要找到能够表现它们特征的观测变量,建立相关的测量模型。文献[12]指出最能直观体现经济环保性的是节能减排和乘坐成本,直观表现便捷性的是乘坐时间。因此本文用A1、A2、A3观测变量从节能减排、降低成本方面建立与经济环保性的关系;用B1、B2、B3观测变量从提供更便捷、更方便、更快速的角度建立与便捷性的关系。在安全性观测变量的确定上,文献[13]表明自动驾驶汽车的安全应该包括硬件设施安全、软件的系统安全和法律责任规范等方面。因此本文用C1、C2、C3、C4、C5观测变量分别在降低事故率、硬件设施安全、软件系统安全和法律规定安全等方面建立与安全性的关系。C1表示降低自动驾驶事故率，其感知收益类变量直接表示自动驾驶巴士安全性;C2表示担心出现设备或系统故障；C3表示担心司机或乘客的法律责任问题；C4表示担心自动驾驶系统被黑客攻击；C5表示担心自动驾驶巴士的乘客隐私被泄漏，这些是感知风险类变量,间接表示自动驾驶巴士的安全性。通过直接收益与间接风险相结合共同表示自动驾驶巴士的安全性。由于感知风险类变量与感知收益类变量表现出的情感倾向相反,因此统一将感知风险类变量数据转化为感知收益类变量数据,以便进行相关假设研究。本文从行动力的角度用T1、T2、T3观测变量建立与乘客信任度的关系。模型变量描述见表2所列。

表2 模型变量描述

2.2 模型构建

根据自动驾驶巴士信任度的影响因素构建模型结构,提出以下假设。

H1:自动驾驶巴士的经济环保性对乘客的信任度存在着正向影响。

H2:自动驾驶巴士的便捷性对乘客的信任度存在着正向影响。

H3:自动驾驶巴士的安全性对乘客的信任度存在着正向影响。

2.3 数据分析

为检验各个因素数据来源的可靠程度,利用SPSS 25.0软件对数据进行探索性因子分析。探索性因子分析主要采用的是主成份分析法,KMO 取样适切性量数为0.843,检测结果见表3所列,KMO>0.8且显著性为0.000满足检验标准。在主成分分析的过程中提取其中特征值大于1的因素,其中有3个因素大于1,累积解释方差为60.77%。各个因素的信度检验结果见表4所列,其3个指标的克隆巴赫系数(Alpha)均大于0.7,信度较高。正交旋转后的因子载荷矩阵见表5所列,各指标的载荷均大于0.5,其中因素1代表经济环保性,因素2代表便捷性,因素3代表安全性,指标的效度较好。

表3 KMO和巴特利特检验结果

表4 信度检验结果

表5 旋转后因子载荷矩阵

3 实例分析

以自动驾驶巴士的潜在用户为研究对象,在初始问卷的设计基础上,通过预收集对问卷项目进行纯化及信效度检验,从而得到最终问卷402份。通过剔除不认真填答的样本,问题连续选择极端值超过4个的样本,问卷填写缺失值个数大于3个的样本,得到有效样本数量为367份,有效回收率为91.29%。模型中观测变量的个数为14个,分别用符号A、B、C、T表示,对原始模型进行评价并采用MI修正法对模型进行简单修正,得到最终的检测指标,结果见表6所列,其数值均符合使用标准。表6中:χ2为卡方拟合指数；df为自由度;χ2/df为卡方自由度比。模型计算结果如图2所示,模型结构有效。

表6 模型适配度检验结果

图2 模型计算结果

3.1 计算结果

利用AMOS 24.0软件,选择极大似然法的估计方法对该模型进行计算,得到模型的标准化系数值和各个变量之间的影响标准化系数，见表7、表8所列。

表7 标准化系数值分析

表8 变量之间的影响标准化系数

从表7可以看出,其P值均小于0.05,说明原结构方程模型的假设成立。根据表8中潜变量的影响标准化系数显示,安全性对乘客信任度标准系数为0.373,便捷性对乘客信任度标准化系数为0.322,经济环保性对乘客信任度标准化系数为0.161。数据显示安全性在乘客信任度指标中最高,其次是便捷性,最后是经济环保性,实验结果和实际情况相符合。根据表8的观测变量对潜变量的影响标准化系数显示,对经济环保性影响最大的是能源利用效率,对便捷性影响最大的是服务的方便程度,而对安全性影响最直观的是事故数量。其中技术安全是影响安全性的主要因素,包括硬件设施和软件工程等方面的技术安全。

3.2 群体特征分析研究

根据统计结果,从性别构成上来看,调查对象划分为男性调查者和女性调查者,男性调查者有212人,占57.77%;女性调查者有155人,占42.23%。从年龄上来看,调查对象可划分为青年和中老年,40岁以下年龄段占54.23%。从职业分类上来看,调查对象可划分为学生和上班族,学生有55人,占14.99%;其他职业有312人,占85.01%。乘坐巴士每周5次以上的调查对象有39人,乘坐巴士每周3～5次的调查对象有28人,总共占18.26%;乘坐巴士每周1～2次的调查对象有51人,乘坐巴士每月1～3次的调查对象有62人和乘坐巴士每年1～11次的调查对象有187人,共占81.74%,可分为经常乘坐巴士群体和不经常乘坐巴士群体。分群研究路径系数结果见表9所列。

表9 分群研究路径系数结果

研究结果表明:

(1) 安全性对乘客信任度的正向影响在任何群体里都显著存在,但不同群体中的安全性对乘客信任度的影响程度不同。上班族群体最高而不常坐公交群体最低。这是因为对于经常接触公交的上班族来说,公交安全性的高低直接关系着他们的生命财产安全,而对于不常坐公交群体来说,不与公交做直接接触,安全性影响程度就不明显。因此在自动驾驶巴士投入使用的过程中,确保自动驾驶巴士场站安全,自动驾驶巴士的行车安全、车内设施安全、车内隐私安全和自动驾驶巴士硬件设施安全就显得格外重要,同时自动驾驶巴士安全责任法律规范也需要逐步建立和完善。

(2) 在各个群体中对便捷性重视程度最高的是上班族群体。在实际生活中,上班族群体在上班期间对时间的要求较高,对公交的便捷程度就比较重视。因此在进行组织线路规划时应该注重的是整个公共交通系统的便捷性,企业与政府相互协调,让自动驾驶巴士与其他运输方式高度结合。比如自动驾驶巴士与轨道交通结合,实现“零损失”换乘,并提供更清晰的服务标识,会提高整个公共交通系统的运行速度。

4 结 论

本文从影响乘客信任度的角度出发,把握潜变量和显变量的相关关系,分析了自动驾驶巴士乘客信任度的可直接观测变量和不可直接观测变量,建立了乘客信任度结构方程模型,分析各个影响因素之间的相关关系和对信任度的影响程度。通过实例分析,对模型的信度进行了检验并计算了模型适配度和各个变量之间的影响标准化系数,并根据分群研究路径系数对模型结果进行分析,得出以下结论:

(1) 安全性和便捷性是影响乘客信任度的最主要的2个因素,其中技术安全是影响安全性的主要因素,包括硬件基础设施和软件安全工程,而影响便捷性的主要因素是服务的方便程度。

(2) 不同群体所选择因素的影响程度也不同,但在不同群体中安全性对乘客信任度的正向影响都显著存在,同时上班族群体对便捷性的重视程度最高。故确保自动驾驶巴士场站安全,自动驾驶巴士的行车安全、车内设施安全、车内隐私安全和自动驾驶巴士硬件设施安全,并同时逐步建立和完善自动驾驶巴士安全责任法律规范对提高乘客信任度有着显著积极作用。更清晰的自动驾驶巴士服务导向标识会带来更便捷的交通,提高上班族对自动驾驶巴士的选择率。

(3) 在现行研究的情况下,自动驾驶巴士还未普及使用,研究对象也只是自动驾驶巴士潜在用户。但随着科技的进步、社会的发展,自动驾驶巴士将逐渐进入人们生活,影响自动驾驶巴士信任程度的因素也会发生改变,未来需要进一步的研究。