考慮潛變量的自動駕駛汽車租賃行為

姚榮涵 ，楊 瀾 ，王 仲

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

近些年，人們越來越關(guān)注自動駕駛汽車（autonomous vehicle，AV），國內(nèi)外各大汽車廠商、互聯(lián)網(wǎng)公司紛紛致力于AV 的研發(fā)、生產(chǎn)、測試及試運(yùn)營，極大地推動了AV 及其技術(shù)的蓬勃發(fā)展. 由于初期投入資金較多，AV 至少在起步階段很昂貴. 此時(shí)，AV 租賃勢必會為出行者提供一種選擇.

分時(shí)租賃和點(diǎn)對點(diǎn)（peer-to-peer，P2P）租賃是租車行業(yè)中兩種典型的運(yùn)營模式. 將分時(shí)或P2P 租賃與AV 相結(jié)合，形成AV 分時(shí)租賃與AV P2P 租賃兩種新的商業(yè)模式，為出行者提供兩種新型的出行方式，其優(yōu)勢在于未購買AV 的人群通過支付少許車輛使用費(fèi)就可享受AV 的便利.

AV 租賃模式可融合AV 與汽車租賃的優(yōu)點(diǎn)，是一種共享自動駕駛汽車（shared autonomous vehicle，SAV）商業(yè)運(yùn)營模式. 當(dāng)前，較多研究關(guān)注汽車租賃意愿和SAV 市場接受度，但很少有研究探討AV 租賃的市場接受度.

有關(guān)汽車租賃意愿，許多學(xué)者使用不同城市的調(diào)查數(shù)據(jù)探討了影響人們租賃汽車的各種因素，并采用混合Logit、條件Logit 等離散選擇模型對所選數(shù)據(jù)進(jìn)行建模分析，結(jié)果顯示人們在非通勤出行時(shí)更愿意選擇租車、共享出租車和自由浮動式租車等方式[1-2]. 與汽車租賃非常相關(guān)的是汽車共享. 有關(guān)汽車共享使用意愿，研究人員針對不同類型車輛、汽車共享發(fā)展階段及不同年齡段討論了影響人們選擇汽車共享的各種因素[3-6]. 有研究分析了共享電動汽車的上車距離和剩余電量對出行者方式選擇行為的影響[3]. 杭州市的調(diào)查[4]表明，50%的受訪者愿意嘗試使用汽車共享而推遲購買汽車；韓國首爾的汽車共享計(jì)劃發(fā)現(xiàn)，選擇汽車共享而放棄私家車的會員從早期階段的2.3%增加至成熟階段的4.3%[5]. 還有研究[6]顯示，受過高等教育的年輕成年人比其他群體更傾向于使用按需乘車服務(wù). 唐立等[7]使用混合Logit 模型分析了出行者使用網(wǎng)約車的意愿，并對出租車和網(wǎng)約車的費(fèi)用進(jìn)行了邊際效應(yīng)分析，明確了價(jià)格對出行結(jié)構(gòu)的影響.

有關(guān)SAV 市場接受度，研究者為有（無）私家車受訪者提供包括私家車、私人AV、SAV （公共交通、私人AV、SAV）的出行方式選擇集，探究了人們選擇SAV 的意愿以及影響因素[8-10]，還討論了安全性、環(huán)保性等潛在因素[11]. 這些研究并沒有全面考慮各種潛在因素，而且建模時(shí)僅單獨(dú)使用Logit 模型或結(jié)構(gòu)方程模型（structural equation model，SEM），以致難以發(fā)揮Logit 模型和SEM 各自的優(yōu)勢. 事實(shí)上，出行者的心理狀態(tài)及其對車內(nèi)時(shí)間的感知程度也會影響出行者選擇某種出行方式. 朱順應(yīng)等[12]使用模糊化的出行時(shí)間建立了忽略出行成本且含模糊特性變量的出行方式預(yù)測Logit 模型. 李聰穎等[13]探討了自行車騎行者生理、心理與綜合負(fù)荷感知的特性及規(guī)律. 劉志偉等[14]同時(shí)考慮了出行選擇偏好的異質(zhì)性和心理因素對出行方式選擇的影響.

綜上，對于出行者方式選擇行為，簡單可行的Logit 模型的使用頻率較高，但是該模型存在無法揭示潛在因素（如認(rèn)知態(tài)度、心理狀態(tài)等）的明顯缺陷.然而，此類潛在因素對AV 租賃行為又至關(guān)重要. 考慮歷史出行行為、出行方式特性、認(rèn)知態(tài)度特征及社會經(jīng)濟(jì)屬性四方面因素研究出行者對AV 分時(shí)租賃、AV P2P 租賃、私家車、公共交通的選擇偏好. 為提取影響出行者選擇行為的潛在因素，融合SEM 和多項(xiàng)Logit （multinomial Logit，MNL）模型，建立描述AV 租賃行為的結(jié)構(gòu)方程-多項(xiàng)Logit （structural equation-multinomial Logit，SE-MNL）模型，分析SEMNL 和MNL 模型的參數(shù)標(biāo)定結(jié)果，為未來AV 運(yùn)營模式及市場開發(fā)提供參考.

1 Logit 模型

1.1 MNL 模型

離散選擇模型認(rèn)為，某種出行方式對某一出行者的效用由固定效用和隨機(jī)效用組成[15]，即

式中：Uit、Vit、εit分別為出行方式i對出行者t的效用、固定效用、隨機(jī)效用.

通常，固定效用可表達(dá)為若干種影響因素（解釋變量或自變量）的線性組合. MNL 模型僅考慮顯變量（可觀測變量），則固定效用[15]為

MNL 模型認(rèn)為隨機(jī)效用服從獨(dú)立極值（Gumbel）分布，而且自變量的參數(shù)均為常數(shù). 那么，基于效用最大化原則所得的出行者t在顯變量影響下選擇出行方式i的概率[15]為

1.2 SE-MNL 模型

事實(shí)上，出行方式選擇行為的影響因素并非都是顯變量，有時(shí)是潛變量（不可觀測變量）. SEM 是一種多元統(tǒng)計(jì)分析方法，描述顯變量與潛變量及潛變量之間的關(guān)系[16]. 對出行者從多種出行方式中選擇其一，當(dāng)同時(shí)考慮顯變量與潛變量，可融合SEM與MNL 模型. 此時(shí)，固定效用函數(shù)同時(shí)包含顯變量和潛變量，則式（2）變形為

為估計(jì)潛變量的參數(shù)，需要建立潛變量與顯變量之間的相關(guān)關(guān)系. 根據(jù)結(jié)構(gòu)方程模型，潛變量與顯變量之間的關(guān)系可表達(dá)為

融合SEM 與MNL 模型時(shí)，依然假設(shè)隨機(jī)效用服從獨(dú)立極值（Gumbel）分布且自變量（包括顯變量和潛變量）的參數(shù)均為常數(shù)，所建新模型稱為SEMNL 模型. 此時(shí)，出行者t在潛變量與顯變量的共同影響下選擇出行方式i的概率為

SE-MNL 模型采用如圖1 所示的雙層結(jié)構(gòu)，上層利用SEM 描述顯變量與潛變量的邏輯關(guān)系（通常顯示為路徑圖），一般需要根據(jù)修正指標(biāo)獲得各條路徑上的載荷值；下層采用MNL 模型表達(dá)顯變量與由顯變量表示的潛變量之間的關(guān)系，再進(jìn)行參數(shù)標(biāo)定和假設(shè)檢驗(yàn)，進(jìn)而獲得各種出行方式的選擇效用和選擇概率.

圖1 SE-MNL 模型結(jié)構(gòu)Fig. 1 Structure diagram of SE-MNL model

2 問卷設(shè)計(jì)及數(shù)據(jù)獲取

2.1 問卷設(shè)計(jì)

為探討出行者對AV 分時(shí)和P2P 租賃兩種新型AV 租賃模式的接受程度及使用意愿，所設(shè)計(jì)的調(diào)查問卷依次涉及歷史出行行為、出行方式特性、認(rèn)知態(tài)度特征及社會經(jīng)濟(jì)屬性4 類.

歷史出行行為調(diào)查了解出行者擁有駕照情況及其家庭擁有私家車情況、最近一周的出行次數(shù)和費(fèi)用、每次出行的里程及主要出行目的. 認(rèn)知態(tài)度特征調(diào)查將潛在影響因素分為車內(nèi)環(huán)境、便捷性、安全性、乘車體驗(yàn)和舒適性[17]，為每一特征設(shè)置3 個(gè)水平（情境問題），再了解受訪者對所提問題的贊成程度.社會經(jīng)濟(jì)屬性調(diào)查了解受訪者的基本情況.

出行方式特性調(diào)查屬于意愿（stated preference，SP）調(diào)查，將受訪者按其家庭擁有私家車情況分為有私家車人群和無私家車人群. 前者選擇的出行方式有私家車、AV 分時(shí)租賃和AV P2P 租賃；后者選擇的出行方式有公交/地鐵/輕軌、AV 分時(shí)租賃和AV P2P 租賃. 表1 列出了SP 調(diào)查考慮的影響因素及其水平值.

表1 出行方式選擇影響因素及水平值Tab. 1 Influencing factors and their levels for travel mode choice

為提高SP 調(diào)查效率，設(shè)計(jì)正交試驗(yàn)方案后刪除具有明顯優(yōu)勢的方案. 結(jié)果，針對有、無私家車人群分別設(shè)置18 個(gè)和27 個(gè)SP 情境問題. 進(jìn)一步，將這些情境問題平分后設(shè)置3 套問卷.

2.2 數(shù)據(jù)獲取

考慮到線上調(diào)查具有成本低、回收速度快、可結(jié)構(gòu)化設(shè)置問題等優(yōu)勢，采用問卷星和社交軟件（如微信、QQ 等）發(fā)放問卷，一共回收了565 份問卷. 經(jīng)過數(shù)據(jù)預(yù)處理，有效問卷為459 份，有效率為81.2%.

有、無私家車人群的有效問卷分別為348 份和111 份，其每份問卷分別有6 個(gè)和9 個(gè)SP 情境問題，則所得SP 有效問卷分別有2088 份和999 份. 表2給出了基于有效數(shù)據(jù)得到的受訪者的社會經(jīng)濟(jì)屬性的描述性統(tǒng)計(jì)結(jié)果.

從表2 可見：有、無私家車人群中18～45 歲的青年受訪者分別占84.2%和93.7%，即受訪者中青年人占比很高. 為更有針對性地研究，進(jìn)一步提取有效問卷中18～45 歲青年人的397 份樣本，重點(diǎn)分析青年人選擇租賃AV 的意愿.

表2 社會經(jīng)濟(jì)屬性的描述性統(tǒng)計(jì)結(jié)果Tab. 2 Descriptive statistical results of socio-economic attributes

3 AV 租賃行為建模及分析

3.1 模型變量關(guān)系分析

使用歷史出行行為變量、出行方式特性變量、認(rèn)知態(tài)度特征變量和社會經(jīng)濟(jì)屬性變量分別表示問卷調(diào)查的各部分內(nèi)容. 認(rèn)知態(tài)度特征受個(gè)體主觀感受影響而不可直接觀測，因此認(rèn)知態(tài)度特征變量屬于潛變量. 其余三類變量都可直接觀測，均屬于顯變量. 采用SEM 建立顯變量與潛變量之間的邏輯關(guān)系，進(jìn)而使用顯變量表示潛變量，然后探討潛變量對出行者選擇AV 租賃模式的影響. 利用AMOS 軟件經(jīng)過多次修正后所得的顯變量與潛變量的關(guān)系路徑如圖2 所示，該圖基于SEM 確定顯變量與潛變量的邏輯關(guān)系，進(jìn)而得到各條路徑上的載荷值. 圖2 為SE-MNL 模型上層顯變量與潛變量的關(guān)系路徑，所得結(jié)果用于SE-MNL 模型下層的參數(shù)標(biāo)定.

圖2 顯變量與潛變量的關(guān)系路徑Fig. 2 Relationship paths between observed and latent variables

圖2 中，長方形和橢圓所示變量分別為顯變量和潛變量，單向箭頭代表顯變量與潛變量之間存在因果關(guān)系，箭頭處括號內(nèi)所標(biāo)數(shù)字分別表示針對有、無私家車青年人所得參數(shù)值，這里包括由SEM 標(biāo)定所得的兩類參數(shù)值. 第一類參數(shù)值是由出行距離、年齡、教育程度、婚姻狀況和小孩人數(shù)這些顯變量指向潛變量，為顯變量表示潛變量的參數(shù)值；第二類參數(shù)值是由車內(nèi)環(huán)境、便捷性、安全性、乘車體驗(yàn)和舒適性這些潛變量指向車內(nèi)座位數(shù)等15 種顯變量的參數(shù)值. 此處描述顯變量與潛變量關(guān)系的模型也稱為測量模型，屬于驗(yàn)證性因素分析.

從第一類參數(shù)值可知：隨出行距離增加，青年人越來越不關(guān)注AV 分時(shí)和P2P 租賃方式的便捷性；隨年齡增加，青年人更看重AV 分時(shí)和P2P 租賃方式的安全性；受教育程度越高的有私家車青年人，或者受教育程度越低的無私家車青年人，越注重AV 分時(shí)和P2P 租賃方式的車內(nèi)環(huán)境和乘車體驗(yàn)；已婚青年人更關(guān)注AV 分時(shí)和P2P 租賃方式的舒適性；有私家車的已婚青年人比無私家車的已婚青年人更關(guān)注AV 分時(shí)和P2P 租賃方式的便捷性；隨出行距離增加，有私家車青年人越來越不關(guān)注AV 分時(shí)和P2P 租賃方式的乘車體驗(yàn)，而無私家車青年人越來越關(guān)注AV 分時(shí)和P2P 租賃方式的乘車體驗(yàn)；相比無私家車青年人，有私家車青年人隨小孩人數(shù)增加而越來越關(guān)注AV 分時(shí)和P2P 租賃方式的舒適性.

從第二類參數(shù)值可知：車內(nèi)空氣狀況最能表征AV 分時(shí)和P2P 租賃方式的車內(nèi)環(huán)境. 針對有私家車青年人，租車復(fù)雜程度最能代表AV 分時(shí)和P2P租賃方式的便捷性；車輛新舊程度最能表征AV 分時(shí)和P2P 租賃方式的安全性；租車服務(wù)水平最能代表AV 分時(shí)和P2P 租賃方式的乘車體驗(yàn)；內(nèi)部整潔情況最能表征AV 分時(shí)和P2P 租賃方式的舒適性.針對無私家車青年人，到存車點(diǎn)距離最能代表AV分時(shí)和P2P 租賃方式的便捷性；手續(xù)齊全程度最能表征AV 分時(shí)和P2P 租賃方式的安全性；車輛通風(fēng)情況最能體現(xiàn)AV 分時(shí)和P2P 租賃方式的乘車體驗(yàn)；座椅舒適程度最能表征AV 分時(shí)和P2P 租賃方式的舒適性.

3.2 模型參數(shù)標(biāo)定結(jié)果

TransCAD 軟件為出行方式選擇行為分析提供了包括MNL 模型的多種離散選擇模型，其中采用極大似然估計(jì)法（method of maximum likelihood）標(biāo)定離散選擇模型中各變量的參數(shù)值. 軟件內(nèi)部是經(jīng)過若干次迭代后輸出出現(xiàn)概率最大的參數(shù)值，并使用t檢驗(yàn)確定各變量的顯著性.

本研究選用TransCAD 軟件標(biāo)定MNL 模型和SE-MNL 模型下層的參數(shù). 具體來說，使用MNL和SE-MNL 兩種模型分別分析調(diào)查所得的青年受訪者的有效數(shù)據(jù). 使用MNL 模型時(shí)，考慮歷史出行行為、出行方式特性與社會經(jīng)濟(jì)屬性，這里借助TransCAD 軟件獲得不含潛變量模型的參數(shù)標(biāo)定結(jié)果. 使用SE-MNL 模型時(shí)，增加認(rèn)知態(tài)度特征，這里借助AMOS 軟件由SEM 得到含潛變量的所有顯變量，再采用TransCAD 軟件獲取含潛變量模型的參數(shù)標(biāo)定結(jié)果.

表3 對比了MNL 和SE-MNL 兩種模型對出行方式選擇和歷史出行行為的標(biāo)定結(jié)果. 從表3 可以看出：1） 隨著出行費(fèi)用、車內(nèi)時(shí)間、等待時(shí)間或停車費(fèi)用的增加，青年人明顯越來越傾向于放棄AV 分時(shí)和P2P 租賃方式；2） 有私家車且有駕照和無私家車且無駕照的青年人明顯愿意選擇AV 分時(shí)和P2P 租賃方式；3） 周出行頻率越高，有私家車青年人越傾向于選擇AV 分時(shí)和P2P 租賃方式；4） 日均出行距離越遠(yuǎn)，無私家車青年人越不愿意選擇AV 分時(shí)和P2P 租賃方式；5） 周出行費(fèi)用越高，有私家車青年人越愿意選擇AV 分時(shí)和P2P 租賃方式；6） 無論何種出行目的，有私家車青年人傾向于選擇私家車而不是AV 分時(shí)和P2P 租賃方式；當(dāng)上班/上學(xué)、外出業(yè)務(wù)時(shí)，無私家車青年人可能愿意選擇AV 分時(shí)和P2P 租賃方式；當(dāng)購物/休閑/娛樂時(shí)，無私家車青年人可能不愿意選擇AV 分時(shí)和P2P 租賃方式.

表3 MNL 與SE-MNL 模型對出行方式選擇和歷史出行行為的標(biāo)定結(jié)果Tab. 3 Calibration results of MNL and SE-MNL models for travel mode choice and historical travel behavior

表4 對比了MNL 和SE-MNL 兩種模型對社會經(jīng)濟(jì)屬性和認(rèn)知態(tài)度特征的標(biāo)定結(jié)果. 從表4可以看出：1） 女性和小孩多的無私家車青年人更傾向于選擇AV 分時(shí)和P2P 租賃方式；2） 年齡越長的無私家車青年人可能更愿意選擇AV 分時(shí)和P2P 租賃方式；3） 無私家車青年人中，學(xué)生、上班族和其他職業(yè)者更愿意選擇AV 分時(shí)和P2P 租賃方式；4） 受教育程度越低的有私家車青年人越愿意選擇AV 分時(shí)和P2P 租賃方式；5） 已婚青年人更愿意選擇AV 分時(shí)和P2P 租賃方式；6） 有、無私家車青年人選擇AV 分時(shí)和P2P 租賃方式時(shí)都明顯看重安全性和舒適性，同時(shí)無私家車青年人還關(guān)注AV 分時(shí)和P2P 租賃方式的便捷性和乘車體驗(yàn).

表4 MNL 與SE-MNL 模型對社會經(jīng)濟(jì)屬性和認(rèn)知態(tài)度特征的標(biāo)定結(jié)果Tab. 4 Calibration results of MNL and SE-MNL models for socio-economic attributes and cognition-attitude characteristics

對于有、無私家車青年人，MNL 和SE-MNL 模型的擬合度分別為0.167 和0.170、0.275 和0.284，這說明引入潛變量能夠更好地描述出行者選擇AV 分時(shí)和P2P 租賃方式的行為.

4 結(jié) 論

融合結(jié)構(gòu)方程模型和多項(xiàng)Logit 模型分析了青年人對自動駕駛汽車分時(shí)和P2P 兩種新型租賃模式的選擇意愿. 通過研究，可得如下結(jié)論：

1） SE-MNL 模型通過引入潛變量融合了結(jié)構(gòu)方程模型與MNL 模型，彌補(bǔ)了MNL 模型無法反映潛在因素影響出行者方式選擇行為的缺陷.

2） 對有、無私家車青年人，SE-MNL 模型比MNL模型的擬合度分別高出1.8%和3.3%，說明分析AV租賃行為時(shí)應(yīng)特別關(guān)注某些潛在因素.

從表2 可見：有、無私家車人群中18～45 歲的青年受訪者分別占84.2%和93.7%，即受訪者中青年人占比很高. 為更有針對性地研究，進(jìn)一步提取有效問卷中18～45 歲青年人的397 份樣本，重點(diǎn)分析青年人選擇租賃AV 的意愿.

3） 出行費(fèi)用、車內(nèi)時(shí)間、駕照情況、出行目的和婚姻狀況以及AV 的便捷性、安全性、舒適性和出行者的乘車體驗(yàn)都是影響青年人選擇新型AV 租賃方式的顯著性因素，尤其是無法直接觀測的那些潛在因素，這些發(fā)現(xiàn)有助于完善AV 租賃市場的運(yùn)營模式.

由于受調(diào)查方式及經(jīng)費(fèi)所限，本研究采集的樣本主要集中于18～45 歲的青年人，故研究結(jié)果可能不適用于青年人以外的其他人群. 后續(xù)研究將采用多種抽樣方式，并擴(kuò)大抽樣范圍，以便更全面地分析不同年齡段的各類人群對自動駕駛租賃方式的選擇意愿.