姚榮涵，梁亞林，劉 鍇，趙勝川，楊 瀾

(大連理工大學(xué)交通運(yùn)輸學(xué)院，遼寧大連116024)

0 引 言

近年來，自動(dòng)駕駛汽車(Autonomous Vehicles，AV)和共享經(jīng)濟(jì)受到了國(guó)內(nèi)外眾多學(xué)者的廣泛關(guān)注，兩者相結(jié)合的產(chǎn)物，即共享自動(dòng)駕駛汽車為人們提供了一種新型的出行方式.這一方式可為解決當(dāng)前許多交通問題提供一種替代方案.鑒于新技術(shù)的研發(fā)成本，自動(dòng)駕駛汽車至少在起步階段會(huì)很昂貴，因而起初并不適合個(gè)人購(gòu)買為私家車，所以自動(dòng)駕駛技術(shù)初期更易推動(dòng)共享自動(dòng)駕駛汽車(Shared Autonomous Vehicles，SAV)這樣的商業(yè)模式[1].SAV 的主要優(yōu)勢(shì)之一在于融合了私家車和公共交通兩者的優(yōu)點(diǎn)，即集便利與公有于一體.

SAV 作為一種新型出行方式，其消費(fèi)市場(chǎng)接受度成為學(xué)術(shù)界及商業(yè)界日益關(guān)注的焦點(diǎn).國(guó)外有不少學(xué)者調(diào)查了出行者選擇SAV還是現(xiàn)有出行方式的意愿，分析了SAV對(duì)現(xiàn)有出行方式的影響.Haboucha等探討了出行者對(duì)公共交通和自動(dòng)駕駛技術(shù)的態(tài)度等因素對(duì)其選擇私家車、私人自動(dòng)駕駛汽車和SAV的影響[2].Quarles考慮自動(dòng)駕駛技術(shù)成本分析了私人自動(dòng)駕駛汽車和SAV對(duì)出行者的車輛所有權(quán)選擇、出行方式選擇及家庭選址等的影響[3].Bansal 等討論了不同定價(jià)水平下SAV 使用頻次及SAV潛在用戶特征[4]，針對(duì)8種假設(shè)情境調(diào)查了出行者選擇意愿，分析了自動(dòng)駕駛技術(shù)的長(zhǎng)期公眾接受度和使用情況[5].

SAV 還可與動(dòng)態(tài)合乘系統(tǒng)結(jié)合起來進(jìn)行實(shí)施，即具有相似起終點(diǎn)或有重合出行路線的出行者可以乘坐同一輛車出行一段路程.Krueger 等在澳大利亞調(diào)查了435位來自大城市的居民，使用混合Logit 模型分析了調(diào)查數(shù)據(jù)，結(jié)果表明，出行時(shí)間、出行費(fèi)用及服務(wù)等待時(shí)間是影響出行者接受SAV 合乘服務(wù)的關(guān)鍵因素[1].Gurumurthy 等調(diào)查了隱私安全、道德法律、與陌生人共乘的安全性等因素對(duì)考慮動(dòng)態(tài)合乘服務(wù)的SAV 市場(chǎng)接受度的影響，還針對(duì)不同等級(jí)的自動(dòng)駕駛出行模式和長(zhǎng)距離出行情境分析了出行者對(duì)此類新型出行方式的支付意愿[6].

國(guó)內(nèi)外有關(guān)SAV及其合乘服務(wù)的研究現(xiàn)狀表明，以往研究大多基于離散選擇模型對(duì)SAV 出行方式選擇行為進(jìn)行建模，進(jìn)而分析SAV 公眾接受度的影響因素.事實(shí)上，SAV潛在用戶的特征仍然比較模糊，且不同國(guó)家之間存在較大差異.然而，國(guó)內(nèi)對(duì)此的研究相對(duì)較少，尚未發(fā)現(xiàn)較為系統(tǒng)、全面的中國(guó)消費(fèi)市場(chǎng)對(duì)SAV接受度的報(bào)告.

本研究旨在綜合考慮歷史出行行為、出行方式特性、性格態(tài)度特征及社會(huì)經(jīng)濟(jì)屬性4 方面因素，探討出行者在考慮合乘的SAV 與私家車或公共交通之間的選擇偏好，基于構(gòu)建的混合Logit 模型得到考慮合乘的SAV 出行方式的潛在用戶特征，并討論SAV 投入市場(chǎng)后對(duì)出行者選擇私家車或公共交通可能帶來的影響.

1 混合Logit模型

考慮合乘的SAV出行方式選擇模型的構(gòu)建與其意愿調(diào)查問卷的設(shè)計(jì)有緊密關(guān)系.采用混合Logit(Mixed Logit，ML)模型分析和預(yù)測(cè)考慮合乘的SAV出行方式選擇行為.

依據(jù)離散選擇模型，某種出行方式對(duì)某一出行者的效用包括固定效用和隨機(jī)效用，效用函數(shù)為

式中：Uni為出行方式i對(duì)出行者n的效用；Vni為出行方式i對(duì)出行者n的固定效用(即可觀測(cè)效用)；εni為出行方式i對(duì)出行者n的隨機(jī)效用(即不可觀測(cè)效用)；βk為第k種解釋變量的參數(shù)；K為解釋變量的個(gè)數(shù)；Xkni為出行方式i對(duì)出行者n的第k種解釋變量(即自變量)，此處考慮出行方式i的特性及出行者n的歷史出行行為、性格態(tài)度特征與社會(huì)經(jīng)濟(jì)屬性.

多項(xiàng)Logit 模型假設(shè)隨機(jī)效用服從獨(dú)立極值分布(即Gumbel分布)而且解釋變量的參數(shù)均為常數(shù)，則基于效用最大化原則所得的出行者n選擇出行方式i的概率為

式中：Pni為出行者n選擇出行方式i的概率；Vnj為出行方式j(luò)對(duì)出行者n的固定效用；Jn為出行者n可選出行方式的個(gè)數(shù).

由式(2)可知，出行者n選擇出行方式i和j的概率之比僅與出行方式i和j有關(guān)，而與其他出行方式無關(guān)，這一點(diǎn)即為無關(guān)選項(xiàng)獨(dú)立(Independence from Irrelevant Alternatives，IIA)特性，然而此特性在很多情況下與實(shí)際不相符.

混合Logit 模型認(rèn)為，解釋變量的參數(shù)β=(β1,β2,β3,…,βk,…,βK)是隨機(jī)變化的，并因個(gè)人偏好差異而服從某種形式的分布.由于混合Logit模型(也稱隨機(jī)參數(shù)Logit模型)在解釋變量的參數(shù)中加入了隨機(jī)因素，則考慮了個(gè)體異質(zhì)性和選項(xiàng)相關(guān)性，從而克服了多項(xiàng)Logit模型的IIA缺陷.

將多項(xiàng)Logit模型的選擇概率進(jìn)行加權(quán)平均，則可得混合Logit 模型的選擇概率.從微積分角度來看，混合Logit模型是多項(xiàng)Logit模型的積分式，即

式中：f(β|θ)為已知未知參數(shù)θ時(shí)，解釋變量的參數(shù)β的概率密度函數(shù)；向量β的元素均為隨機(jī)變量，可服從正態(tài)分布、對(duì)數(shù)正態(tài)分布、均勻分布等；θ為概率密度函數(shù)中的未知參數(shù).

2 問卷設(shè)計(jì)與調(diào)查

2.1 問卷設(shè)計(jì)

為探討考慮合乘的SAV這一新型出行方式的潛在用戶特征及其引入市場(chǎng)后對(duì)私家車和公共交通的影響，所設(shè)計(jì)的調(diào)查問卷綜合考慮歷史出行行為、出行方式特性、性格態(tài)度特征及社會(huì)經(jīng)濟(jì)屬性.考慮到受訪者存在倦怠心理，調(diào)查問卷前一部分設(shè)置需要思考的重要內(nèi)容，調(diào)查問卷后一部分設(shè)置無需思考的次要內(nèi)容，這樣也可消除受訪者因個(gè)人隱私而產(chǎn)生的抵觸情緒.基于此，本次調(diào)查問卷從前往后設(shè)置的內(nèi)容依次為歷史出行行為調(diào)查、出行方式選擇調(diào)查、性格態(tài)度特征調(diào)查、社會(huì)經(jīng)濟(jì)屬性調(diào)查.

歷史出行行為調(diào)查主要分析受訪者日常出行中選擇私家車、公共交通、出租車、自行車或步行的使用頻次，以及最近一周內(nèi)每次出行的時(shí)間、距離和費(fèi)用.性格態(tài)度特征調(diào)查主要分析受訪者對(duì)SAV相關(guān)事項(xiàng)描述的擔(dān)憂程度及對(duì)自身性格態(tài)度特征的等級(jí)判斷.社會(huì)經(jīng)濟(jì)屬性調(diào)查主要分析受訪者的社會(huì)經(jīng)濟(jì)屬性.

出行方式選擇調(diào)查屬于意愿(Stated Preference，SP)調(diào)查，根據(jù)受訪者是否擁有私家車將其分為有私家車人群和無私家車人群.針對(duì)有私家車人群，設(shè)置的可選出行方式包括私家車、共享自動(dòng)駕駛專車和共享自動(dòng)駕駛拼車；針對(duì)無私家車人群，設(shè)置的可選出行方式包括公交/地鐵/輕軌、共享自動(dòng)駕駛專車和共享自動(dòng)駕駛拼車.表1為SP調(diào)查涉及的影響因素及其水平值.

表1 出行方式選擇的影響因素及其水平值Table1 Influencing factors and their levels for travel mode choice

為提高SP 調(diào)查效率，在正交試驗(yàn)設(shè)計(jì)基礎(chǔ)上刪除具有明顯優(yōu)勢(shì)的情境，則對(duì)有、無私家車人群分別設(shè)置18和27個(gè)出行方式選擇問題，再將其平分至3套問卷中.

2.2 問卷調(diào)查

鑒于網(wǎng)絡(luò)在線調(diào)查輻射范圍廣泛、信息反饋及時(shí)、節(jié)省人力物力，2019年1～3月課題組采用微信、QQ等網(wǎng)絡(luò)工具在線實(shí)施了此項(xiàng)問卷發(fā)放和數(shù)據(jù)收集工作，共回收問卷488份.經(jīng)過數(shù)據(jù)預(yù)處理，得到有效問卷393份，有效率為80.5%.

對(duì)于有、無私家車人群，有效問卷分別為233份和160 份，每份問卷分別有6 個(gè)和9 個(gè)SP 問題，相當(dāng)于1 398 份和1 440 份SP 有效問卷.采用所得有效數(shù)據(jù)，各類人群占比如表2所示.對(duì)每種因素，各種取值的占比及相對(duì)關(guān)系與實(shí)際情況較為吻合，可見所選樣本具有良好的代表性.有私家車人群中18.0%受訪者無駕照的原因在于其本人無駕照而其家庭有私家車.

3 SAV選擇行為建模及分析

使用歷史出行行為調(diào)查的有效數(shù)據(jù)，利用KMeans聚類法對(duì)受訪者的歷史出行模式進(jìn)行劃分.基于誤差平方和及輪廓系數(shù)獲得最優(yōu)k值為6；使用SPSS 軟件將受訪者按歷史出行模式分為6 類；針對(duì)有、無私家車人群，基于因子分析將性格態(tài)度特征分別劃分為6類和5類，以此確定性格態(tài)度特征變量.

表2 各類人群占比Table2 Percentages of various groups

考慮出行費(fèi)用、車內(nèi)時(shí)間、等待時(shí)間及停車費(fèi)用這些解釋變量的參數(shù)可能服從正態(tài)分布或?qū)?shù)正態(tài)分布，并對(duì)此進(jìn)行全面試驗(yàn).結(jié)果發(fā)現(xiàn)，對(duì)于解釋變量參數(shù)所服從的分布大多數(shù)組合，所得ML模型的擬合度都非常接近.

選擇以往研究最常用的組合(即所有解釋變量的參數(shù)均服從正態(tài)分布)和擬合度最大的組合(即每個(gè)解釋變量的參數(shù)服從正態(tài)分布或?qū)?shù)正態(tài)分布)，使用所獲得的有效數(shù)據(jù)進(jìn)行參數(shù)標(biāo)定.經(jīng)對(duì)比研究，這兩種模型對(duì)所涉及的影響因素所標(biāo)定的正負(fù)性是一樣的，且僅有個(gè)別因素的顯著性有差異，可見這兩種模型都能較好地解釋出行者對(duì)考慮合乘的SAV出行方式的選擇行為.

表3給出擬合度最高的ML 模型對(duì)出行方式選擇和歷史出行行為的標(biāo)定結(jié)果；表4給出擬合度最高的ML 模型對(duì)性格態(tài)度特征和社會(huì)經(jīng)濟(jì)屬性的標(biāo)定結(jié)果.從表3可見，對(duì)于有私家車人群選擇SAV 專車和SAV 拼車，出行費(fèi)用、車內(nèi)時(shí)間、停車費(fèi)用、僅私家車的歷史出行模式、日均出行距離、次均出行時(shí)間是顯著的消極因素，周出行費(fèi)用是顯著的積極因素；對(duì)于無私家車人群選擇SAV 專車和SAV拼車，出行費(fèi)用、車內(nèi)時(shí)間、等待時(shí)間、多方式的歷史出行模式、步行/公交/出租的歷史出行模式、購(gòu)物/休閑/娛樂的出行目的是顯著的負(fù)面因素，日均出行距離、周出行費(fèi)用是顯著的正面因素.

從表4可見，對(duì)于有私家車人群選擇SAV專車和SAV拼車，保守內(nèi)向型性格、認(rèn)為新型出行方式不可靠、職業(yè)為學(xué)生、月收入是顯著的消極因素，積極主動(dòng)型性格、SAV 熟知程度是顯著的積極因素；對(duì)于無私家車人群選擇SAV專車和SAV拼車，保守內(nèi)向型性格、認(rèn)為合乘不可靠是顯著的負(fù)面因素，積極主動(dòng)型性格、職業(yè)為學(xué)生、有駕照、租房是顯著的正面因素.

有私家車人群：越熟知SAV 越愿意選擇SAV專車或SAV 拼車，越是駕駛自信且享受駕駛樂趣越不愿意選擇SAV拼車，若認(rèn)為SAV安全、既不喜歡駕駛又不喜歡做其他事、且有駕照則愿意選擇SAV拼車.

無私家車人群：越是次均出行時(shí)間長(zhǎng)越愿意選擇SAV 專車，若到達(dá)時(shí)間靈活則傾向于選擇SAV拼車，越熟知SAV越不傾向于選擇SAV專車，其中女性、住宿舍者更傾向于選擇SAV專車.

4 結(jié) 論

考慮合乘分析了SAV 潛在用戶的特性，設(shè)計(jì)了考慮合乘的SAV 出行方式選擇意愿調(diào)查問卷.以在線回收的有效數(shù)據(jù)為樣本，根據(jù)K-Means 聚類法劃分了歷史出行模式，利用誤差平方和及輪廓系數(shù)得到最優(yōu)k值為6.使用SPSS軟件按歷史出行模式把有效的問卷調(diào)查數(shù)據(jù)分為6類.采用因子分析，分別對(duì)有、無私家車人群將性格態(tài)度特征整合成6 和5 類性格態(tài)度特征變量.進(jìn)一步，分別對(duì)有、無私家車人群建立了混合Logit模型，運(yùn)用R語(yǔ)言實(shí)現(xiàn)了模型參數(shù)標(biāo)定，并獲得了解釋變量的參數(shù)服從不同分布時(shí)的參數(shù)標(biāo)定結(jié)果.最后，選取解釋變量的參數(shù)擬合度最高的ML模型，詳細(xì)討論了模型參數(shù)的標(biāo)定結(jié)果.

表3 ML 模型對(duì)出行方式選擇和歷史出行行為的標(biāo)定結(jié)果Table3 Calibration results of ML model for travel mode choice and historical travel behavior

表4 ML 模型對(duì)性格態(tài)度特征和社會(huì)經(jīng)濟(jì)屬性的標(biāo)定結(jié)果Table4 Calibration results of ML model for character-attitude characteristics and socio-economic attributes

所得結(jié)果為：出行費(fèi)用、車內(nèi)時(shí)間、等待時(shí)間、歷史出行模式、日均出行距離、次均出行時(shí)間、周出行費(fèi)用、出行目的、性格態(tài)度特征、職業(yè)、住房情況及SAV熟知程度這些因素對(duì)于出行者選擇考慮合乘的SAV 出行方式具有顯著的影響.對(duì)受訪者的出行方式選擇行為來說，除了出行費(fèi)用、車內(nèi)時(shí)間等出行方式特性具有很高的顯著性影響之外，性格態(tài)度特征也具有較強(qiáng)的顯著性影響，而且其顯著性明顯高于性別、年齡、職業(yè)等社會(huì)經(jīng)濟(jì)屬性.這說明，出行者選擇考慮合乘的共享自動(dòng)駕駛汽車時(shí)，其性格態(tài)度至關(guān)重要；相對(duì)來說，年齡、性別等社會(huì)經(jīng)濟(jì)屬性并不會(huì)顯著地影響出行者對(duì)SAV這類新型出行方式的接受度.