居民对自动驾驶汽车的偏好：基于可解释机器学习

仲浩天，吴文君

0 引言

自动驾驶汽车，又称无人驾驶汽车，是新能源、人工智能、5G、物联网以及共享经济融合发展的产物，代表着技术和生活方式的又一次变革[1-2]。当前以自动驾驶汽车为代表的人工智能发展通常反映出强烈的普遍主义谬误，即人类在所有情况下都以相似的方式思考、感受和行动。然而，城市历史表明，每一次交通技术的进步，提高了城市整体效率的同时，也使部分人群更加地被排斥在社会系统之外[3]。居民对技术的偏好受到社会经济特征、空间特征与出行特征等个体独特身份的影响，存在着复杂、多维的交互性作用，难以通过传统的统计模型和定性方法进行充分分析[4]。因此，本文倡导将交叉性理论视角纳入新兴技术的分析框架中，基于北京市居民对自动驾驶汽车偏好的试点调查，利用可解释机器学习分析居民多维特征交叉所产生的差异化偏好，为新兴技术治理策略提供启示与参考。

1 方法

本文将交叉性视角（intersectionality）作为分析框架，即考虑个体的多维特征及其交互作用的影响，并利用迭代随机森林算法突破了高维“诅咒”、模型依赖和先验概念等交叉性分析的方法论局限[5]。迭代随机森林算法是基于随机森林算法的改进，它能够在不增加时间复杂度的前提下，实现良好的模型可解释性，发现变量间的高阶相互作用，被广泛应用在遗传生物领域和气象领域，为探索交叉性提供了数据驱动的可能。本文的数据来源于2022 年以网络问卷方式，面向北京市18～65 岁居民随机抽样发放的《居民对自动驾驶汽车偏好问卷调查》。相较于传统交通出行问卷，该问卷侧重于居民背景、身份、权力关系等特征，并采用最短作答时间控制、验证项选择等方式控制问卷的有效性，最终共收集初期样本573 份，其中包含有效样本524 份。

1 影响自动驾驶汽车偏好的重要变量及排序，吴文君 绘制

2 迭代随机森林交互项输出结果

2 成果

总体而言，心理及态度因素在自动驾驶汽车偏好影响中占主导作用，包含自动驾驶汽车所带来的愉悦感、安全快捷性、多样化需求满足以及居民本身对新兴技术的了解程度、风险态度等。居民选择是否购买自动驾驶汽车时，主要考虑自身的通勤特征情况（时间、成本、路程）；而在居民选择是否使用共享自动驾驶汽车时，出行服务质量和原来通勤的等待时间则更为重要，这决定了居民是否会承受切换成本，选择共享自动驾驶汽车出行。个体社会经济及空间特征方面，收入水平和家庭生活人数更显著影响对自动驾驶汽车的总体偏好；家庭孩子数和照顾孩子责任更显著影响购买自动驾驶汽车偏好，即孩子因素是居民选择购买自动驾驶汽车的重要因素；空间上的特征如公共交通不便度和居住区位更显著影响使用共享自动驾驶汽车的偏好，表明共享自动驾驶汽车可能改善地区可达性，作为公共交通的补充，提供更快捷的出行服务。

更重要的是，个体社会经济特征、空间特征、出行特征间的交互作用，形成了独特且稳定的偏好影响机制：出行和空间特征间存在交叉，体现在优质的出行空间条件与不良的出行空间条件均会促进居民对自动驾驶的偏好；出行空间特征和个体社会经济特征存在交叉，体现在社会经济条件优异、价值观开放的群体期望使用自动驾驶提升出行空间质量，家庭责任将促使交通不便的居民使用共享自动驾驶汽车节省时间成本；个体社会经济特征间存在交叉，体现在家庭责任重、“90 后”、本市户口、高收入、高学历、男性等身份标签的叠加会加大居民对自动驾驶汽车的偏好程度（图1）。

根据模型结果和初步结论，我们可以刻画出自动驾驶汽车使用人群的几组画像：一是高收入、高学历的本市男性群体。经济条件、学历、户籍与性别优势使他们会更倾向于选择购买自动驾驶汽车，使用共享自动驾驶汽车；二是已婚的“90 后”群体。90 后“数字原住民”的身份让他们更加信赖科技，愿意购买自动驾驶汽车。而已婚后照顾家庭、孩子责任的增加让他们希望使用共享自动驾驶汽车提升时间价值；三是交通不便但家庭经济收入与生活幸福感较高的家庭，这类群体需要使用自动驾驶解决“最后一公里”问题，改善出行质量。原出行的道路拥堵情况与自身开放包容的价值观促使他们选择购买自动驾驶汽车，而家庭孩子数的增加让他们更倾向于选择共享自动驾驶汽车提升时间价值（图2）。

3 结论

本文基于交叉性视角使用迭代随机森林模型，初步探究了个体出行特征、空间特征、与主客观社会经济特征交互作用，如何影响居民对自动驾驶汽车的偏好。一方面，基于可解释机器学习交叉性分析，更加细微、深刻地刻画了居民的多重特征所呈现的高阶交互效应，一定程度上解决了交叉性视角的方法论挑战；另一方面，复杂的交叉性效应使得制定精细化的技术治理政策缺乏可操作性。在未来的研究中，仍需要增强机器学习模型可解释性与政策可操作性之间的联系，以及通过结合理论驱动与数据驱动的方式构建交叉性分析框架，以实现对技术演进更为精准有效的刻画。