基于混合Logit模型的共享自动驾驶汽车选择偏好分析

任海林

(河南交通发展研究院有限公司，河南 郑州 450053)

共享自动驾驶汽车(shared autonomous vehicles, SAV)结合了自动驾驶汽车及共享汽车的特点，在解决城市交通安全、提高运输效率、减少机动车保有量等方面具有显著优势。研究表明，90%以上的交通事故是人为操作失误而导致。SAV处于高级阶段时，车辆将无需驾驶员参与，通过导航系统及驾驶辅助系统完全自动化地输送乘客，从而提高安全性。同时，SAV提供的“点对点”出行服务，即用户出行直接从起点到终点，到达目的地后车辆自动离开，服务下一乘客，整个出行不必担心停车、步行等问题，进而提高出行效率。另外，由于SAV具有共享特性的优势，可大幅度降低私家车保有量，有助于缓解交通拥堵[1-2]。

早期对于SAV的研究主要集中于用户特征对SAV使用意愿。Bansal等[3-6]发现，经历过交通事故的用户更倾向于选择SAV。Krueger等[7-8]研究发现，没有驾驶执照的消费者、受教育程度较高、技术熟练的人和年轻人更愿意为使用SAV支付更多费用。霍月英等[9-13]研究表明，个人属性、通勤特征、经济属性等特征会影响用户对SAV的使用意愿。

然而，态度变量也会影响公众对SAV的使用意愿。霍月英等[9]发现，公众对SAV的技术兴趣是影响其发展的关键态度因素。Herrenkind等[14]得出结论，公众使用自动驾驶的意愿受到4个方面的影响，即生活选择、主观幸福感、旅行质量和生活领域。Lee等[15-16]发现，自我效能、相对优势和心理所有权、感知价值、信任因素也会影响公众对自动驾驶的态度。因此，调查公众对采用SAV的态度的影响具有重要意义。研究公众态度对SAV使用意愿的影响至关重要。

本研究选择SP(stated preference,意向)调查获取用户对SAV的态度和选择偏好，引入感知风险、服务质量、社会影响因素对TAM(technology acceptance model,技术接受模型)进行扩展，结合多指标多因素模型(multiple indicators and multiple causes model, MIMIC模型)和混合Logit模型适配潜变量，然后将潜变量作为自变量，代入混合Logit模型，构建用户对SAV的意愿模型。研究结果为SAV的发展提出针对性的措施，为相关部门引导和推广SAV提供建议。

1 研究模型选择

1.1 技术接受模型

技术接受模型[17]基于用户心理特征，将社会心理学中的理性行为理论与政策、措施相结合，预测用户对新技术的接受程度。TAM包括两个基础变量：感知有用性和感知易用性。感知有用性被认为是用户对使用新技术提升工作效用的程度。感知易用性主要指用户使用新技术的难易程度。相关研究结果表明，用户对新技术的感知有用性和感知易用性越高，则对新技术态度越好，越容易接受和推广新技术。因此，TAM模型适用于探索用户对使用SAV的影响。

对于SAV而言，安全性是非常重要的因素，因而部分文献将感知风险引入TAM模型进行研究，增强模型解释力[18]。同时，SAV作为一种共享出行方式，其社会服务能力至关重要；另外，SAV实施后对社会的影响也是需要考虑的因素[2]。基于此，引入感知风险、服务质量、社会影响3个因素，探析公众态度变量对SAV使用意愿的影响。TAM框架见图1。

图1 TAM结构框架Fig.1 The frame of TAM

1.2 混合Logit模型

混合Logit模型(mixed Logit model, MLM)允许变量间存在相关性，通过社会经济特征和观测变量特征，捕获潜变量的效用值，反映用户对新技术的心理偏好和态度。因此，该模型精度高于其他Logit模型。已有研究表明，用户态度对SAV的选择意愿密切相关，而MLM在探索选择行为上具有优势，能更好地反映用户选择新出行方式的影响程度，因此，本文中选择MLM研究用户对SAV使用意愿的影响[19]。MLM框架见图2。

MLM包括两部分：首先，用户对SAV的态度变量作为潜变量，无法直接观测。因此，应用多指标多因素模型(MIMIC模型)，结合观测变量适配潜变量；然后，将用户的社会经济特征变量及态度潜变量作为自变量，应用MLM，构建用户选择SAV的意愿模型，评估用户社会经济和态度潜变量对SAV使用意愿的影响。

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

MIMIC模型旨在通过观测变量对潜变量的隐性表达，有效分析观测变量对潜变量的影响，同时解释潜变量之间的关系，从而对潜变量进行评估。MIMIC模型表示如下：

X=θxω+α

(1)

Y=θyX+β

(2)

式中：ω表示外生潜变量向量，文中指用户对SAV的感知风险、社会影响、服务质量；X表示内生潜变量向量，文中指感知有用性、感知易用性、行为意图，Y表示潜变量观测变量组成的向量；θx、θy分别表示因子载荷矩阵；α、β分别表示误差项。

MLM效用函数可表示为

ui=ais+biX+εi

(3)

(4)

式中：ui表示选择SAV的效用值；s表示社会经济特征组成的向量，文中指用户性别、年龄、收入等社会经济特征变量；ai、bi分别表示社会经济特征、态度潜变量向量拟合系数；εi表示效用函数的误差项；di表示选择结果。

2 数据调查

为了研究用户态度对SAV使用意愿的影响，设计了一项选择偏好试验。本次调查地点选择郑州，调查时间为2021年5月17日至5月21日(周内)，随机选择调查用户。本次调查涉及用户社会经济特征、对SAV的态度及选择偏好。由于态度变量无法直接获取，需要通过观测指标进行评估，使用李克特七级量表量化用户对SAV的态度，从1～7分别表示“非常不满意”至“非常满意”。调查样本包括764人，去除部分不完整或明显错误信息后，有效问卷为624份(有效率为81.68%)。潜变量及观测变量见表1。

1)用户基础信息调查

表2给出了调查问卷的用户基础信息分布比例，调查样本男女较为均匀；年龄主要集中青壮年；收入集中于5 001～9 000元/月，占比为44.9%；48.8%的受访者学历在高中及以下；88.3%的受访者是共享汽车用户。

2)数据可靠性验证

调研获取的数据可能存在偏差，因此，在数据分析前需对数据进行验证性因子分析，判别问卷效果[19-20]。结合SPSS软件分析问卷可靠性及稳定性，分析结果见表3。

表1 潜变量及观测指标描述[2-4,10-11]Tab.1 The description of latent variables and observed variables[2-4,10-11]

表2 人口统计和样本分布数据Tab.2 The data of demographic and sample distribution

表3 数据可靠性与稳定性检验结果Tab.3 The results of reliability and stability

由表3可知，感知有用性(PU)的KMO值最低，为0.63>0.60；行为意图(BI)的Bartlett检验值最高，为0.017<0.05；感知风险(PA)的Cronbach’s a系数最小，为0.79>0.70。结果表明，数据可靠性及稳定性均满足要求，数据合理[20]。

3 结果分析

3.1 MIMIC模型结果

由于潜变量具有不可观测性，因此应用AMOS软件对态度潜变量进行验证性分析。选择RMSEA、TFI、χ2/df指标评估MIMIC建模结果[19-20]。AMOS输出结果见图3。

AMOS输出结果：RMSEA的值为0.034，低于0.08，TFI的值为0.924，超过0.9，χ2/df的值为1.54，小于3.0。AMOS结果表明，数据拟合效果较好，模型可以接受。各潜变量的观测变量因子载荷超过0.5，验证性因子分析符合要求，表明各潜变量的观测变量选择合理。

3.2 混合Logit模型

基于调查获得的624份有效数据，将用户社会经济特征及MIMIC模型适配的潜变量代入MLM模型，借助Stata软件，利用最小偏二乘法进行回归分析，得到用户对SAV的选择结果模型，MLM[20]拟合结果见表4。

如表4所示，模型拟合的伪R2值为0.35，伪R2值超过0.2，表示模型拟合效果较好，表明MLM具有较好的效果。

社会经济特征变量中，用户性别对SAV的选择具有显著负相关，这表明女性可能不愿意选择SAV，考虑到女性对于新生事物的接受能力不如男性，结果符合逻辑。受访者年龄、教育水平、收入、家庭拥有小孩、共享汽车用户、家庭拥有私家车对模型有正的影响关系，受访者拥有私家车(0.34)对选择SAV的影响最大。结果表明，年龄越大、教育水平越高、收入越多、家庭拥有小孩、共享汽车用户及私家车用户倾向选择SAV。就年龄而言，老人由于年龄限制，驾驶能力不如年轻人，因此驾车时可能安全性体验较差，SAV不需要手动驾驶，能给老人带来更安全的出行体验，因此，老人倾向于选择SAV；就教育水平和收入而言，教育水平及收入越高的人对于新事物的发展有更强的体验，更愿意去使用SAV；就家庭拥有小孩而言，有小孩的家庭出行更注重出行质量，选择SAV不仅有助于实现出行，而且使用SAV时也可同时与小孩进行互动；就共享汽车用户而言，SAV与共享汽车具有类似的特点，即不需要支付购买费用、维护费用等其他前期成本，安全性更高，因此共享汽车用户更愿意选择SAV；就私家车用户，而SAV既能获得私家车出行便利，不用担心停车问题，因此私家车用户倾向于使用SAV。

图3 MIMIC模型分析结果Fig.3 The analysis results of MIMIC model

对选择的潜变量进行分析，感知风险对选择SAV呈负相关关系，结果表明，用户对SAV的感知风险越大，选择SAV的概率越低。社会影响、服务质量、感知有用性、感知易用性、行为意图等5个因素对选择SAV具有积极正相关关系。结果表明，提高SAV的社会影响、服务质量、感知有用性、感知易用性、行为意图有助于增加用户对SAV的接受。

表4 MLM标定结果Tab.4 The calibration results of MLM

4 敏感性分析

根据MLM模型结果，态度变量对SAV使用意愿均存在显著影响，因此，需进一步应用弹性分析方法定量探索态度变量对SAV使用意愿的影响[21-22]。弹性分析公式可表示为

(5)

式中:P(Fmn)表示方式n的选择概率对属性m的弹性值；Fmn表示方式n在属性m上的均值；αm表示属性m的估计值；En表示方式n的选择概率。

应用Stata软件分析用户选择SAV的概率对用户态度变量弹性值。弹性分析结果见表5。

表5 态度变量弹性值Tab.5 The elasticity of attitude variables

由表5的分析结果可知，社会影响、服务质量、感知有用性、感知易用性及行为意图每增加1%，用户选择SAV的概率将会分别增加7.93%、9.85%、5.65%、4.46%、8.17%；感知风险水平增加1%时，用户选择SAV的概率将会降低12.75%。综合弹性分析结果，用户对SAV的使用风险感知最为明显，这一结果符合实际。对用户而言，交通首重安全(驾驶安全、隐私安全等)，因此提高SAV的安全性是推动用户接受SAV最有效的因素，如提高车辆避障技术从而减少交通事故，提高信息储存技术从而保证用户隐私不被泄露。其余依次为服务质量、行为意图、社会影响、感知有用性、感知易用性。在这些因素中，提升SAV的服务质量也是至关重要，如合理规划行驶路径、避开拥堵路段，有助于减少用户出行时间，从而增加出行便捷性。除此之外，通过增加SAV的社会影响(如使用媒体宣传SAV的优势、加大优惠政策鼓励更多用户使用SAV)、感知有用性(如提升SAV智能化程度)、感知易用性(如简化SAV租还车流程和手续)、行为意图(如将SAV推荐给亲朋好友)等措施同样有助于推动SAV的发展。

5 结论

为了分析用户态度对SAV的选择行为，引入对SAV至关重要的感知风险、服务质量、社会影响3个因素；应用MIMIC模型进行验证性因子分析，适配潜变量值；最后引入MLM，将用户社会经济特征及潜变量作为自变量，将选择结果作为因变量进行模型拟合。主要有以下成果：

1)基于TAM，引入社会影响、服务质量、感知风险3个因素，对TAM模型进行扩展，提高TAM的解释力，有助于TAM的发展。

2)MIMIC模型分析表明，引入的社会影响、服务质量、感知风险及感知有用性、感知易用性对行为意图均存在显著相关。混合Logit结果表明，性别对于使用SAV负相关，男性更愿意接受SAV；老人、高学历、高收入、家庭拥有小孩、共享汽车用户及私家车用户更愿意接受SAV。所有潜变量对用户选择SAV均存在显著影响。感知风险存在显著负相关影响，其余变量为积极影响。各潜变量影响程度依次为感知风险(-0.41)>服务质量(0.37)>感知易用性(0.33)>行为意图(0.31)>社会影响(0.26)>感知有用性(0.23)。因此，在未来重点提升SAV的安全性及服务质量是推动SAV发展的重要措施。