發(fā)布時(shí)間：2021-07-31所屬分類：科技論文瀏覽：1次
摘 要： 摘要: 為準(zhǔn)確把握自動(dòng)駕駛環(huán)境下出行方式選擇規(guī)律，引入面板數(shù)據(jù) Mixed logit 模型分析在自動(dòng)駕駛環(huán)境下表征出行者個(gè)體社會(huì)經(jīng)濟(jì)屬性的年齡、收入、受教育程度等變量和表征出行方式特性的出行成本、等待時(shí)間、在途時(shí)間等變量對(duì)出行方式選擇行為影響作用機(jī)理。
摘要: 為準(zhǔn)確把握自動(dòng)駕駛環(huán)境下出行方式選擇規(guī)律，引入面板數(shù)據(jù) Mixed logit 模型分析在自動(dòng)駕駛環(huán)境下表征出行者個(gè)體社會(huì)經(jīng)濟(jì)屬性的年齡、收入、受教育程度等變量和表征出行方式特性的出行成本、等待時(shí)間、在途時(shí)間等變量對(duì)出行方式選擇行為影響作用機(jī)理。利用新加坡自動(dòng)駕駛出行意愿調(diào)研獲得 150 位受訪者在 7 個(gè)不同情景的 1 050 個(gè)選擇意愿有效樣本數(shù)據(jù)，構(gòu)建自動(dòng)駕駛環(huán)境下出行選擇行為模型。結(jié)果顯示: 模型卡方檢驗(yàn) p 值小于0.000說明模型具有較好的適用性; 參數(shù)估計(jì)結(jié)果顯示人群中不同個(gè)體對(duì)出行成本、等待時(shí)間、出行時(shí)間存在較強(qiáng)異質(zhì)性; 邊際效應(yīng)分析顯示隨著年齡增大選擇自動(dòng)駕駛、公交和步行出行概率增大選擇網(wǎng)約車概率降低，當(dāng)出行成本、出行時(shí)間、等待時(shí)間增加一倍將使選擇自動(dòng)駕駛出行概率降低近 4.0%。
關(guān) 鍵 詞: 交通運(yùn)輸工程; 城市交通; 出行選擇行為; 面板 Mixed logit; 自動(dòng)駕駛; 邊際效應(yīng)
0 引 言
自動(dòng)駕駛是未來汽車發(fā)展的重要方向，其在緩解交通擁堵、節(jié)能減排駕駛和提高駕駛安全性方面具有積極影響。自動(dòng)駕駛經(jīng)歷駕駛員輔助、半自動(dòng)駕駛、高度自動(dòng)駕駛、完全自動(dòng)駕駛 4 個(gè)階段技術(shù)發(fā)展，目前正在多個(gè)城市進(jìn)行測試，其將對(duì)現(xiàn)有出行結(jié)構(gòu)產(chǎn)生一定沖擊。自動(dòng)駕駛帶來舒適、便捷的出行體驗(yàn)，激發(fā)大量“引致出行需求”[1]，將極大影響交通出行方式。研究自動(dòng)駕駛環(huán)境下出行選擇行為，準(zhǔn)確把握出行規(guī)律，對(duì)提升需求預(yù)測精度、合理調(diào)控城市交通資源具有重大意義。
現(xiàn)有研究熱點(diǎn)集中于技術(shù)革新和宏觀管理兩個(gè)層面，對(duì)自動(dòng)駕駛環(huán)境下出行選擇行為研究主要集中于兩個(gè)層面: 一是挖掘影響自動(dòng)駕駛出行選擇因素，通過個(gè)人社會(huì)經(jīng)濟(jì)屬性、活動(dòng)鏈屬性、出行屬性等客觀變量[2-7]( 年齡、收入、學(xué)歷、出行時(shí)間、等待時(shí)間、出行費(fèi)用、步行距離) 和表征個(gè)體選擇偏好、選擇預(yù)期等心理潛變量[8-10]( 安全性、舒適性、隱私、信任) 來探究出行者選擇自動(dòng)駕駛出行的意向; 二是利用計(jì)量經(jīng)濟(jì)學(xué)、行為學(xué)中離散選擇模型、結(jié)構(gòu)方程和計(jì)劃行為理論捕捉顯著影響因素，并量化分析不同情景組合下顯著因素邊際效應(yīng)[2，4，5，11]。已有研究雖從出行者個(gè)人屬性和選擇方式屬性兩方面，計(jì)量分析自動(dòng)駕駛使用意向，但對(duì)于出行者個(gè)體偏好異質(zhì)性考慮較少，但個(gè)體偏好異質(zhì)性對(duì)出行者在進(jìn)行選擇過程起著關(guān)鍵作用。基于次，筆者采用反應(yīng)自動(dòng)駕駛使用特征的行為調(diào)查( revealed preference，RP) 和反應(yīng)駕駛員選擇的意向調(diào)查( stated preference，SP) 數(shù)據(jù)，引入能夠反應(yīng)個(gè)體異質(zhì)性偏好的面板數(shù)據(jù) Mixed logit 建立自動(dòng)駕駛出行選擇模型，探究自動(dòng)駕駛環(huán)境下影響出行行為選擇的關(guān)鍵因素，并量化分析因素變化與出行選擇之間的作用關(guān)系。
1 面板數(shù)據(jù)混合 Logit 模型
PDML( panel-data mixed logit) 模型適用于處理具有時(shí)間序列和截面二維特性的面板數(shù)據(jù)，對(duì)每一時(shí)間段中各個(gè)選擇枝概率進(jìn)行建模，而截面數(shù)據(jù)只能對(duì)特定情景下選擇枝單一時(shí)段的選擇概率建模。模型估計(jì)參數(shù)可服從正態(tài)分布、對(duì)數(shù)正態(tài)分布、均勻分布、三角分布等分布函數(shù)[12-13]，這使得 PDML 模型在采用適當(dāng)參數(shù)分布函數(shù)時(shí)能夠?qū)υ诓煌瑫r(shí)間截面?zhèn)�體偏好不同導(dǎo)致選擇行為的差異做出合理解釋，同時(shí)這一隨機(jī)特性放寬多項(xiàng) Logit、Ordinal logit、 Nested Logit 等傳統(tǒng) Logit 模型中選擇枝獨(dú)立不相關(guān) ( independence from irrelevant alternatives，IIA) 假設(shè)，使得模型適用范圍更廣闊。
2 數(shù)據(jù)描述
2.1 數(shù)據(jù)采集
筆者所用數(shù)據(jù)來自新加坡自動(dòng)駕駛出行意愿調(diào)研。調(diào)研問卷分兩部分: 第一部分收集受訪者社會(huì)經(jīng)濟(jì)屬性包含受訪者年齡、性別、學(xué)歷、收入、是否擁有駕照、家庭擁有車輛數(shù)、居住地和工作地到附近地鐵站或公交站距離，以及對(duì)自動(dòng)駕駛偏向性感受 RP 調(diào)查; 第二部分在 7 種不同出行情景中個(gè)體對(duì)自動(dòng)駕駛、私家車、公交、網(wǎng)約車、步行 5 種方式出行費(fèi)用、時(shí)間、出行選擇意愿的 SP 調(diào)查。問卷共收集到 150 個(gè)受訪者完整信息，調(diào)研問卷收集情況如表 1。
面板數(shù)據(jù)是截面上不同個(gè)體在不同時(shí)間情境下重復(fù)觀測數(shù)據(jù)，具有兩種特征: 一是個(gè)體少，情境多，僅需觀測少量個(gè)體即可獲取較大樣本量; 二是個(gè)體數(shù)多，時(shí)間短。其好處在于隨著觀測值增加，可以提高估計(jì)量抽樣精度，相比單截面數(shù)據(jù)建模可獲得更多情境信息。
2.2 變量定義
根據(jù)采集信息將數(shù)據(jù)分為個(gè)人經(jīng)濟(jì)屬性、需求偏好、出行特性 3 個(gè)部分，共計(jì) 25 個(gè)變量，具體分類和變量定義見表 1。建模之前先采用相關(guān)性分析剔除相關(guān)性較大的自動(dòng)駕駛車輛特性偏好變量。建模過程中利用向后刪除變量法依次剔除非顯著性變量。
3 結(jié)果分析與討論
3.1 自動(dòng)駕駛車適用特征分析
基于有效樣本統(tǒng)計(jì)分析受訪者選擇自動(dòng)駕駛出行特征。受訪者對(duì)自動(dòng)駕駛安全性、價(jià)格、便捷性等特性關(guān)心度排序如圖 1( a) 。由圖 1( a) 可知，安全性是受訪者最關(guān)注的問題，其次是價(jià)格、便捷性、出行時(shí)間、技術(shù)可靠度和舒適性。可見，相比其他要素，乘客對(duì)舒適性的關(guān)注并非很高，這與自動(dòng)駕駛處于小范圍推廣階段有關(guān)。選擇自動(dòng)駕駛出行中對(duì)出行費(fèi)用期望分布如圖 1( b) ，期望接受價(jià)格在 0 ～ 10 SGD 占 64. 6%，其中 0 ～ 5 SGD 占 36. 5%，超過 30SGD 占 10.4%，該價(jià)格略低于相同情景下的網(wǎng)約車出行成本。選擇自動(dòng)駕駛出行時(shí)間長度在 30 min 以內(nèi)占比 81.7%，如圖 1( c) 。
3.2 模型參數(shù)標(biāo)定結(jié)果
利用 Stata16.0 軟件先對(duì)數(shù)據(jù)進(jìn)行面板化處理，然后利用 cmxtmixlogit 命令包對(duì)模型進(jìn)行仿真似然參數(shù)估計(jì)。采用軟件默認(rèn) Hammersley 法對(duì)隨機(jī)參數(shù)提取[14]，提取總數(shù)為 576 次。參數(shù)估計(jì)采用高斯分布對(duì)變量進(jìn)行仿真似然估計(jì)。利用向后刪除變量法經(jīng)過多次實(shí)驗(yàn)得到模型標(biāo)定結(jié)果如表 2( 選擇公共交通作為基準(zhǔn)對(duì)比方式) 。
由表 2 可知:
1) 隨機(jī)變量行駛時(shí)間、出行成本和等待時(shí)間對(duì)出行方式選擇具有顯著影響( p<0.000) ，步行到乘車地點(diǎn)時(shí)間變量( p = 0.187) 為非顯著因素。出行時(shí)間隨機(jī)參數(shù)的估計(jì)均值為-0.088 6，隨機(jī)參數(shù)估計(jì)標(biāo)準(zhǔn)偏差為 0. 07; 等待 時(shí) 間 隨 機(jī) 參 數(shù) 估 計(jì) 均 值 為-0.171 7，隨機(jī)參數(shù)估計(jì)的標(biāo)準(zhǔn)偏差為 0.251 2; 出行成本隨機(jī)參數(shù)估計(jì)均值為-0.326 8，隨機(jī)參數(shù)估計(jì)的標(biāo)準(zhǔn)偏差為 0.192 4。以上結(jié)果表明，行駛時(shí)間、出行成本、等待時(shí)間變量系數(shù)在人群中存在顯著個(gè)體異質(zhì)性。
2) 隨機(jī)變量行駛時(shí)間、出行成本和等待時(shí)間對(duì)出行方式選擇具有顯著影響( p<0.000) ，步行到乘車地點(diǎn)時(shí)間變量( p = 0.187) 為非顯著因素。出行時(shí)間隨機(jī)參數(shù)的估計(jì)均值為-0.088 6，隨機(jī)參數(shù)估計(jì)標(biāo)準(zhǔn)偏差為 0.07; 等待時(shí)間隨機(jī)參數(shù)估計(jì)均值為-0.171 7，隨機(jī)參數(shù)估計(jì)的標(biāo)準(zhǔn)偏差為 0.251 2; 出行成本隨機(jī)參數(shù)估計(jì)均值為-0.326 8，隨機(jī)參數(shù)估計(jì)的標(biāo)準(zhǔn)偏差為 0.192 4。以上結(jié)果表明，行駛時(shí)間、出行成本、等待時(shí)間變量系數(shù)在人群中存在顯著個(gè)體異質(zhì)性。
3) 受訪者社會(huì)經(jīng)濟(jì)屬性對(duì)其在各個(gè)情境中選擇不同交通方式出行具有顯著影響。受教育水平( P = 0.003) 、擁有私家車數(shù)量( P = 0. 022) 置信度大于 95%，表明其對(duì)選擇自動(dòng)駕駛出行具有顯著影響，且其參數(shù)符號(hào)均為正數(shù)，說明隨著學(xué)歷增長相比乘坐公交出行，選擇自動(dòng)駕駛出行概率增大。擁有車輛數(shù)估計(jì)參數(shù)為 1.072 7，相比乘坐公交出行，隨著家庭擁有車輛數(shù)量的增加，選擇自動(dòng)駕駛出行概率也增大; 受教育水平( P<0.000) 、性別( P = 0.016) 、乘坐地鐵頻率( P = 0.069) 對(duì)選擇私家車出行具有顯著影響，相比公交，隨著乘坐地鐵頻率的增加，選擇私家車的概率將降低; 性別、擁有車輛數(shù)對(duì)選擇步行出行具有顯著影響，相比男性駕駛員，女性駕駛員更愿意選擇步行出行; 年齡、受教育水平和家庭擁有車輛數(shù)對(duì)選擇網(wǎng)約車具有顯著影響，相比選擇公交，隨著年齡增大，選擇網(wǎng)約車出行概率較小。
4) 模型擬合檢驗(yàn)結(jié)果中 Wald 檢驗(yàn)的 P 值小于 0.000 說明模型拒絕變量外生的原假設(shè)，表明模型具有較好的適用性。
3.3 邊際效應(yīng)分析
出行方式選擇概率為關(guān)于估計(jì)參數(shù)值的非線性函數(shù)，難以通過參數(shù)值直接觀測變量變化對(duì)其產(chǎn)生的影響[15-17]。利用邊際效應(yīng)來量化特定情景中某出行方式顯著變量增加或者減少一個(gè)單位所引起選擇出行方式概率變化情況。圖 2 分別給出年齡、出行成本、等待時(shí)間、出行時(shí)間變量邊際效應(yīng)變化。
由圖 2 可知:
1) 新加坡選擇公交出行概率最大達(dá)到 41%，其次為選擇私家車、步行、網(wǎng)約車等出行方式。隨著年齡增大，選擇公交和私家車出行概率變化幅度相對(duì)較小，選擇網(wǎng)約車出行概率降低 15%。由于需要在線預(yù)約，老年人對(duì)智能手機(jī)使用等新事物敏感度遠(yuǎn)低于年輕人，因此老年人選擇網(wǎng)約車出行概率小。隨著年齡增大，選擇步行出行方式的概率逐漸增大，增大了 10%。
2) 等待時(shí)間增加一倍將使選擇自動(dòng)駕駛出行概率下降 1.3%，對(duì)選擇公交、網(wǎng)約車、私家車出行概率影響低于 1%。相比公交車、網(wǎng)約車和私家車，選擇自動(dòng)駕駛的乘客對(duì)等待時(shí)間更為敏感。實(shí)際應(yīng)用場景中應(yīng)提高車輛調(diào)度效率，減少乘客等待時(shí)間。
3) 出行成本增加一倍將導(dǎo)致自動(dòng)駕駛被選擇概率降低 3.92%，公交出行概率增加 1.48%，表明自動(dòng)駕駛出行受成本影響較網(wǎng)約車和自駕車更為明顯。由于自動(dòng)駕駛服務(wù)費(fèi)用高于其他方式，若繼續(xù)增加費(fèi)用，將超出乘客心理預(yù)期，減少乘客選擇概率。自動(dòng)駕駛車輛在投入市場時(shí)需找準(zhǔn)定位，合理定價(jià)，不可盲目高價(jià)。
4) 隨著出行時(shí)間增加一倍，選擇公交出行概率將增加 1.3%，選擇網(wǎng)約車、私家車和步行概率僅微小增加，選擇自動(dòng)駕駛出行概率將降低 4.34%。選擇自動(dòng)駕駛的乘客對(duì)出行時(shí)間更為敏感，反映出自動(dòng)駕駛在短時(shí)間出行具有較好吸引力，隨出行時(shí)間增加，被選擇概率將降低。運(yùn)營商設(shè)置自動(dòng)駕駛車輛調(diào)度、維護(hù)站點(diǎn)時(shí)應(yīng)該考慮車輛行駛時(shí)間和距離。
4 結(jié) 論
引入 PDML 模型對(duì)自動(dòng)駕駛出行選擇行為進(jìn)行分析。以新加坡自動(dòng)駕駛出行意愿調(diào)查數(shù)據(jù)為基礎(chǔ)，構(gòu)建考慮個(gè)體異質(zhì)性偏好的自動(dòng)駕駛出行選擇行為模型。通過對(duì)模型估計(jì)參數(shù)和顯著變量邊際效應(yīng)進(jìn)行分析，得到以下結(jié)論:
1) PDML 模型能夠適用于進(jìn)行包含多個(gè)情景的 SP 調(diào)查數(shù)據(jù)，既可橫向比較不同情景選擇行為變化，又可挖掘同一情景中影響選擇行為的因素。
2) 自動(dòng)駕駛環(huán)境下不同交通方式出行選擇在人群中表現(xiàn)出較強(qiáng)的個(gè)體異質(zhì)性，個(gè)體在出行時(shí)間、出行成本和等待時(shí)間方面具有較強(qiáng)個(gè)體偏好。
3) 顯著性變量邊際效應(yīng)結(jié)果顯示，自動(dòng)駕駛環(huán)境下，隨著年齡增加，選擇步行出行概率顯著增加，選擇網(wǎng)約車出行概率顯著降低，同時(shí)等待時(shí)間、出行時(shí)間和出行成本增加將導(dǎo)致選擇自動(dòng)駕駛出行的概率降低。——論文作者：連齊才1 ，李 涵1 ，石小林1 ，閆章存2
相關(guān)期刊推薦：《重慶交通大學(xué)學(xué)報(bào)·自然科學(xué)版》是由重慶交通大學(xué)主管主辦的國內(nèi)外公開發(fā)行的學(xué)術(shù)性期刊(雙月刊)，主要刊登交通運(yùn)輸工程、道路工程、橋梁與隧道工程、水利工程、航道與港口工程、環(huán)境工程、材料工程、抗震減災(zāi)工程、地質(zhì)災(zāi)害等方面研究成果。
