發布時間：2021-07-31所屬分類：科技論文瀏覽：1次
摘 要： 摘要: 為準確把握自動駕駛環境下出行方式選擇規律，引入面板數據 Mixed logit 模型分析在自動駕駛環境下表征出行者個體社會經濟屬性的年齡、收入、受教育程度等變量和表征出行方式特性的出行成本、等待時間、在途時間等變量對出行方式選擇行為影響作用機理。
摘要: 為準確把握自動駕駛環境下出行方式選擇規律，引入面板數據 Mixed logit 模型分析在自動駕駛環境下表征出行者個體社會經濟屬性的年齡、收入、受教育程度等變量和表征出行方式特性的出行成本、等待時間、在途時間等變量對出行方式選擇行為影響作用機理。利用新加坡自動駕駛出行意愿調研獲得 150 位受訪者在 7 個不同情景的 1 050 個選擇意愿有效樣本數據，構建自動駕駛環境下出行選擇行為模型。結果顯示: 模型卡方檢驗 p 值小于0.000說明模型具有較好的適用性; 參數估計結果顯示人群中不同個體對出行成本、等待時間、出行時間存在較強異質性; 邊際效應分析顯示隨著年齡增大選擇自動駕駛、公交和步行出行概率增大選擇網約車概率降低，當出行成本、出行時間、等待時間增加一倍將使選擇自動駕駛出行概率降低近 4.0%。
關 鍵 詞: 交通運輸工程; 城市交通; 出行選擇行為; 面板 Mixed logit; 自動駕駛; 邊際效應
0 引 言
自動駕駛是未來汽車發展的重要方向，其在緩解交通擁堵、節能減排駕駛和提高駕駛安全性方面具有積極影響。自動駕駛經歷駕駛員輔助、半自動駕駛、高度自動駕駛、完全自動駕駛 4 個階段技術發展，目前正在多個城市進行測試，其將對現有出行結構產生一定沖擊。自動駕駛帶來舒適、便捷的出行體驗，激發大量“引致出行需求”[1]，將極大影響交通出行方式。研究自動駕駛環境下出行選擇行為，準確把握出行規律，對提升需求預測精度、合理調控城市交通資源具有重大意義。
現有研究熱點集中于技術革新和宏觀管理兩個層面，對自動駕駛環境下出行選擇行為研究主要集中于兩個層面: 一是挖掘影響自動駕駛出行選擇因素，通過個人社會經濟屬性、活動鏈屬性、出行屬性等客觀變量[2-7]( 年齡、收入、學歷、出行時間、等待時間、出行費用、步行距離) 和表征個體選擇偏好、選擇預期等心理潛變量[8-10]( 安全性、舒適性、隱私、信任) 來探究出行者選擇自動駕駛出行的意向; 二是利用計量經濟學、行為學中離散選擇模型、結構方程和計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[2，4，5，11]。已有研究雖從出行者個人屬性和選擇方式屬性兩方面，計量分析自動駕駛使用意向，但對于出行者個體偏好異質性考慮較少，但個體偏好異質性對出行者在進行選擇過程起著關鍵作用�；诖�，筆者采用反應自動駕駛使用特征的行為調查( revealed preference，RP) 和反應駕駛員選擇的意向調查( stated preference，SP) 數據，引入能夠反應個體異質性偏好的面板數據 Mixed logit 建立自動駕駛出行選擇模型，探究自動駕駛環境下影響出行行為選擇的關鍵因素，并量化分析因素變化與出行選擇之間的作用關系。
1 面板數據混合 Logit 模型
PDML( panel-data mixed logit) 模型適用于處理具有時間序列和截面二維特性的面板數據，對每一時間段中各個選擇枝概率進行建模，而截面數據只能對特定情景下選擇枝單一時段的選擇概率建模。模型估計參數可服從正態分布、對數正態分布、均勻分布、三角分布等分布函數[12-13]，這使得 PDML 模型在采用適當參數分布函數時能夠對在不同時間截面個體偏好不同導致選擇行為的差異做出合理解釋，同時這一隨機特性放寬多項 Logit、Ordinal logit、 Nested Logit 等傳統 Logit 模型中選擇枝獨立不相關 ( independence from irrelevant alternatives，IIA) 假設，使得模型適用范圍更廣闊。
2 數據描述
2.1 數據采集
筆者所用數據來自新加坡自動駕駛出行意愿調研。調研問卷分兩部分: 第一部分收集受訪者社會經濟屬性包含受訪者年齡、性別、學歷、收入、是否擁有駕照、家庭擁有車輛數、居住地和工作地到附近地鐵站或公交站距離，以及對自動駕駛偏向性感受 RP 調查; 第二部分在 7 種不同出行情景中個體對自動駕駛、私家車、公交、網約車、步行 5 種方式出行費用、時間、出行選擇意愿的 SP 調查。問卷共收集到 150 個受訪者完整信息，調研問卷收集情況如表 1。
面板數據是截面上不同個體在不同時間情境下重復觀測數據，具有兩種特征: 一是個體少，情境多，僅需觀測少量個體即可獲取較大樣本量; 二是個體數多，時間短。其好處在于隨著觀測值增加，可以提高估計量抽樣精度，相比單截面數據建�？色@得更多情境信息。
2.2 變量定義
根據采集信息將數據分為個人經濟屬性、需求偏好、出行特性 3 個部分，共計 25 個變量，具體分類和變量定義見表 1。建模之前先采用相關性分析剔除相關性較大的自動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 結果分析與討論
3.1 自動駕駛車適用特征分析
基于有效樣本統計分析受訪者選擇自動駕駛出行特征。受訪者對自動駕駛安全性、價格、便捷性等特性關心度排序如圖 1( a) 。由圖 1( a) 可知，安全性是受訪者最關注的問題，其次是價格、便捷性、出行時間、技術可靠度和舒適性�？梢�，相比其他要素，乘客對舒適性的關注并非很高，這與自動駕駛處于小范圍推廣階段有關。選擇自動駕駛出行中對出行費用期望分布如圖 1( b) ，期望接受價格在 0 ～ 10 SGD 占 64. 6%，其中 0 ～ 5 SGD 占 36. 5%，超過 30SGD 占 10.4%，該價格略低于相同情景下的網約車出行成本。選擇自動駕駛出行時間長度在 30 min 以內占比 81.7%，如圖 1( c) 。
3.2 模型參數標定結果
利用 Stata16.0 軟件先對數據進行面板化處理，然后利用 cmxtmixlogit 命令包對模型進行仿真似然參數估計。采用軟件默認 Hammersley 法對隨機參數提取[14]，提取總數為 576 次。參數估計采用高斯分布對變量進行仿真似然估計。利用向后刪除變量法經過多次實驗得到模型標定結果如表 2( 選擇公共交通作為基準對比方式) 。
由表 2 可知:
1) 隨機變量行駛時間、出行成本和等待時間對出行方式選擇具有顯著影響( p<0.000) ，步行到乘車地點時間變量( p = 0.187) 為非顯著因素。出行時間隨機參數的估計均值為-0.088 6，隨機參數估計標準偏差為 0. 07; 等待 時 間 隨 機 參 數 估 計 均 值 為-0.171 7，隨機參數估計的標準偏差為 0.251 2; 出行成本隨機參數估計均值為-0.326 8，隨機參數估計的標準偏差為 0.192 4。以上結果表明，行駛時間、出行成本、等待時間變量系數在人群中存在顯著個體異質性。
2) 隨機變量行駛時間、出行成本和等待時間對出行方式選擇具有顯著影響( p<0.000) ，步行到乘車地點時間變量( p = 0.187) 為非顯著因素。出行時間隨機參數的估計均值為-0.088 6，隨機參數估計標準偏差為 0.07; 等待時間隨機參數估計均值為-0.171 7，隨機參數估計的標準偏差為 0.251 2; 出行成本隨機參數估計均值為-0.326 8，隨機參數估計的標準偏差為 0.192 4。以上結果表明，行駛時間、出行成本、等待時間變量系數在人群中存在顯著個體異質性。
3) 受訪者社會經濟屬性對其在各個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) 、擁有私家車數量( P = 0. 022) 置信度大于 95%，表明其對選擇自動駕駛出行具有顯著影響，且其參數符號均為正數，說明隨著學歷增長相比乘坐公交出行，選擇自動駕駛出行概率增大。擁有車輛數估計參數為 1.072 7，相比乘坐公交出行，隨著家庭擁有車輛數量的增加，選擇自動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、擁有車輛數對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對選擇網約車具有顯著影響，相比選擇公交，隨著年齡增大，選擇網約車出行概率較小。
4) 模型擬合檢驗結果中 Wald 檢驗的 P 值小于 0.000 說明模型拒絕變量外生的原假設，表明模型具有較好的適用性。
3.3 邊際效應分析
出行方式選擇概率為關于估計參數值的非線性函數，難以通過參數值直接觀測變量變化對其產生的影響[15-17]。利用邊際效應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、等待時間、出行時間變量邊際效應變化。
由圖 2 可知:
1) 新加坡選擇公交出行概率最大達到 41%，其次為選擇私家車、步行、網約車等出行方式。隨著年齡增大，選擇公交和私家車出行概率變化幅度相對較小，選擇網約車出行概率降低 15%。由于需要在線預約，老年人對智能手機使用等新事物敏感度遠低于年輕人，因此老年人選擇網約車出行概率小。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) 等待時間增加一倍將使選擇自動駕駛出行概率下降 1.3%，對選擇公交、網約車、私家車出行概率影響低于 1%。相比公交車、網約車和私家車，選擇自動駕駛的乘客對等待時間更為敏感。實際應用場景中應提高車輛調度效率，減少乘客等待時間。
3) 出行成本增加一倍將導致自動駕駛被選擇概率降低 3.92%，公交出行概率增加 1.48%，表明自動駕駛出行受成本影響較網約車和自駕車更為明顯。由于自動駕駛服務費用高于其他方式，若繼續增加費用，將超出乘客心理預期，減少乘客選擇概率。自動駕駛車輛在投入市場時需找準定位，合理定價，不可盲目高價。
4) 隨著出行時間增加一倍，選擇公交出行概率將增加 1.3%，選擇網約車、私家車和步行概率僅微小增加，選擇自動駕駛出行概率將降低 4.34%。選擇自動駕駛的乘客對出行時間更為敏感，反映出自動駕駛在短時間出行具有較好吸引力，隨出行時間增加，被選擇概率將降低。運營商設置自動駕駛車輛調度、維護站點時應該考慮車輛行駛時間和距離。
4 結 論
引入 PDML 模型對自動駕駛出行選擇行為進行分析。以新加坡自動駕駛出行意愿調查數據為基礎，構建考慮個體異質性偏好的自動駕駛出行選擇行為模型。通過對模型估計參數和顯著變量邊際效應進行分析，得到以下結論:
1) PDML 模型能夠適用于進行包含多個情景的 SP 調查數據，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) 自動駕駛環境下不同交通方式出行選擇在人群中表現出較強的個體異質性，個體在出行時間、出行成本和等待時間方面具有較強個體偏好。
3) 顯著性變量邊際效應結果顯示，自動駕駛環境下，隨著年齡增加，選擇步行出行概率顯著增加，選擇網約車出行概率顯著降低，同時等待時間、出行時間和出行成本增加將導致選擇自動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
相關期刊推薦：《重慶交通大學學報·自然科學版》是由重慶交通大學主管主辦的國內外公開發行的學術性期刊(雙月刊)，主要刊登交通運輸工程、道路工程、橋梁與隧道工程、水利工程、航道與港口工程、環境工程、材料工程、抗震減災工程、地質災害等方面研究成果。
SCISSCIAHCI
