考慮細化用戶群體的全自動駕駛汽車使用意愿

崔 馨 玥， 趙 勝 川

(大連理工大學 交通運輸學院, 遼寧 大連 116024)

0 引 言

自動駕駛汽車的社會效益在于減少交通事故、緩解交通擁堵、高效地使用燃料并降低排放[1].將自動駕駛汽車作為公共交通工具可以使交通系統(tǒng)更加清潔，使城市交通可持續(xù)發(fā)展[2].隨著中國5G網(wǎng)絡(luò)及自動駕駛汽車的實驗和落地，公眾對自動駕駛汽車的接受態(tài)度也會發(fā)生變化，態(tài)度在一定程度上會影響人們的使用意愿[3]，進而影響行為.公眾使用自動駕駛汽車的態(tài)度和意愿，將有助于推動自動駕駛技術(shù)的落地和自動駕駛汽車進入市場.因此，了解行為意向至關(guān)重要.此外，更好地了解公眾的接受態(tài)度并區(qū)分潛在用戶群體，識別群體特征，可以為未來自動化交通背景下的自動駕駛汽車發(fā)展提供有針對性的建議.

隨著技術(shù)接受模型等行為理論的完善和成熟，國內(nèi)外學者越來越關(guān)注用戶的內(nèi)在感知，基于內(nèi)在感知態(tài)度的分析常應(yīng)用潛變量模型.Panagiotopoulos 等[4]提出了社會影響對使用意愿的作用，結(jié)果顯示感知信任和社會影響對使用意愿有積極影響.社會影響被越來越多的研究者[5-6]加入結(jié)構(gòu)中.Acheampong等[2]在研究中提出感知收益，并發(fā)現(xiàn)其對采用行為的積極影響.Liu等[7]的研究也驗證了感知收益的正向促進作用.很多自動駕駛汽車市場細分的研究根據(jù)態(tài)度對受訪者進行了群體分類，探究不同群體間的異構(gòu)性，對于不同的群體可以更有針對性地提出相應(yīng)改善措施.El Zarwi等[8]使用潛在類別選擇模型，將受訪者分為3類，不同群體的社會經(jīng)濟屬性顯示，非采用者所占比例最多(82.98%)，高收入群體和男性更有可能是早期采用者.Nielsen等[9]使用主成分分析，根據(jù)受訪者對自動駕駛汽車的態(tài)度和期望將群體分為懷疑型、熱衷型和冷漠壓力型駕駛員.其中，對自動駕駛汽車充滿熱情的熱衷型通常是男性、年輕人，居住在大都市地區(qū)，而懷疑型則是居住在人口密度較低地區(qū)的老年人.Hardman等[10]發(fā)現(xiàn)，不同群體間在收入、性別、年齡、受教育程度、家庭用車數(shù)、家庭人數(shù)等方面均有統(tǒng)計學差異.Berrada等[11]使用層次聚類研究了受訪者的個人屬性及使用意愿，劃分出5類群體.潛變量模型、主成分分析等都是聚類思想，將相關(guān)性大或距離小的樣本分為一組，無特定的分類標準及分類數(shù).此前使用聚類方法的研究所劃分出的群體以3類和5類為主[8-13]，受訪者既呈現(xiàn)出積極和消極狀態(tài)，又出現(xiàn)了多樣性心理，如懷疑、不確定等.

一方面，對于使用意愿的很多研究中都考慮了感知收益[14-15]，是在感知有用性基礎(chǔ)上加入社會收益的拓展因素，但沒有研究將兩個變量分開，討論感知收益間的關(guān)系.另一方面，中國的市場細分研究[16-17]使用Griffin公式[18]，根據(jù)雙極態(tài)度分類[19]將受訪者分為積極組、消極組、搖擺組和冷漠組，均是對不同接受態(tài)度的受訪者按標準進行特定群體劃分，聚類分析研究不足，對不固定分類標準的群體劃分考慮不全面.

為了探究聚類情況下的市場細分情況，分析使用意愿，本研究針對全自動駕駛汽車(SAE，L5)使用偏最小二乘法結(jié)構(gòu)方程模型進行分析；根據(jù)人們對自動駕駛汽車的態(tài)度指標，使用引入隸屬度概念的模糊C均值聚類算法和潛在剖面分析將受訪者聚類，比較兩種聚類方式劃分出的群體差異；定義不同受訪者群體并進行方差分析，識別群體特征，尋找對群體有作用的使用意愿影響因素，針對不同類型群體提出全自動駕駛汽車的發(fā)展策略.

1 數(shù)據(jù)收集及準備

針對未來潛在的全自動駕駛汽車用戶，通過線上和線下方式進行了問卷調(diào)查.為了避免人們對自動駕駛了解不夠而出現(xiàn)誤解，增大誤差，影響數(shù)據(jù)的真實性，問卷開始先給出了相關(guān)說明，即自動駕駛技術(shù)使車輛在無須駕駛員操作的情況下，通過車輛上布置的各類傳感器，對周圍環(huán)境進行感知并做出決策.自動駕駛等級分為6級(L0～L5)，全自動駕駛(L5)為研究對象.全自動駕駛汽車可以在任何條件下自動駕駛，由駕駛系統(tǒng)負責所有的駕駛行為，完全不需要人為操作.通過介紹全自動駕駛汽車，希望人們在對自動駕駛汽車有一定了解的情況下回答問題，提高問卷的可信度.問卷共25題，分為兩個部分：基本信息(7題)及使用自動駕駛汽車相關(guān)的心理測評量表(18題).基本信息包括性別、年齡、教育程度、是否有駕照、是否有車(是否帶有駕駛輔助系統(tǒng))、是否有事故經(jīng)歷.在分析中，是否有車和是否帶有駕駛輔助系統(tǒng)合為一題統(tǒng)計.測量題項(item)使用五點李克特量表(5-point Likert scale)衡量，從十分反對到十分認同，依次記為1～5分.數(shù)據(jù)收集于2019年5月，調(diào)查最終共收集有效樣本204個，受訪者個體屬性如表1所示，量表中構(gòu)念(construct)及題項設(shè)計如表2所示.

表1 個體屬性統(tǒng)計表

表2 構(gòu)念及題項設(shè)計

題項包括感知有用性(perceived usefulness，PU)、感知社會收益(perceived social benefit，PSB)、感知風險(perceived risk，PR)、社會影響(social influence，SI)和使用意愿(behavioral intention，BI)，PU3及BI3是反問題，在分析前先將其正向化.探索性因子分析結(jié)果顯示，KMO(Kaiser-Meyer-Olkin)統(tǒng)計量為0.870，巴特利特球形度檢驗顯著(p<0.001)，可以使用因子分析.經(jīng)驗證性因子分析，刪除因子荷載過小的題項PU3，剩余各題項的克隆巴赫α系數(shù)均大于0.700，組合信度(CR)大于0.700，平均變異抽取量(AVE)在0.500以上，結(jié)果如表3所示.

表3 問卷信效度分析

2 理論方法及模型框架

2.1 結(jié)構(gòu)方程模型

態(tài)度等變量往往存在測量誤差，且由多個指標共同反映，而結(jié)構(gòu)方程模型可以允許測量誤差的存在并假設(shè)自變量與多個因變量間的關(guān)系，因此本研究使用結(jié)構(gòu)方程模型分析使用意愿及影響因素.潛變量選用PU、PSB、PR、SI、BI，潛變量間的假設(shè)關(guān)系如圖1所示.

通常結(jié)構(gòu)方程模型使用最大似然估計方法(ML)，對樣本量要求較大.而偏最小二乘法(PLS)估計結(jié)構(gòu)方程適用于小樣本模型，因此，本研究使用PLS-SEM分析方法.

2.2 模糊C均值聚類

k-means是一種常用的基于歐氏距離的聚類算法，它以數(shù)據(jù)點到聚類中心的某種距離作為優(yōu)化的目標函數(shù)[24].但k-means聚類是一種硬聚類算法，每個樣本點最終都會被劃分到確定的類別中(屬于該類別的概率為1或0).模糊C均值聚類算法融合了k-means聚類和模糊理論，用隸屬度表示樣本點屬于某一簇的程度，相比于硬聚類算法更加靈活，其目標函數(shù)為

(1)

式中：uij為樣本點xi屬于j簇的隸屬度，對于固定的i，樣本點屬于各簇的隸屬度總和為1；m為模糊指數(shù)，當m過大，聚類效果變差，而m過小，則會趨于硬聚類算法；cj為j簇的簇中心.隸屬度和簇中心不斷迭代直至滿足收斂條件.

2.3 潛在剖面分析

混合模型聚類同樣是一種軟聚類算法：根據(jù)樣本間的成員概率而不是樣本間距離進行聚類.這種基于模型的聚類方式得出的是樣本點屬于某一類別的概率，根據(jù)概率決定所屬類別.潛在剖面模型的連續(xù)外顯變量若呈正態(tài)分布(高斯分布)，則其本質(zhì)上即為高斯混合模型.它由許多正態(tài)分布函數(shù)加權(quán)疊加而成，可以表示出任意分布.在研究中，潛在剖面模型從連續(xù)的外顯變量中獲取類別潛變量，并對樣本進行分類.假設(shè)連續(xù)的外顯變量呈正態(tài)分布，其數(shù)學模型為[24-26]

(2)

本研究樣本共有204個，屬于小樣本，使用偏最小二乘法結(jié)構(gòu)方程模型(PLS-SEM)，通過SmartPLS 軟件對數(shù)據(jù)進行分析，各變量間的路徑系數(shù)及檢驗結(jié)果如圖2所示.

結(jié)果顯示，感知有用性、感知社會收益和社會影響對使用意愿有積極影響，其中，社會影響的作用(β=0.37，p<0.01)大于個人感知社會收益(β=0.23，p<0.05)，其次是感知有用性(β=0.19，p<0.10)和感知風險(β=-0.14，p<0.05).對于受訪者而言，社會環(huán)境及親友的行為可以促使人們使用這類車輛；同時，全自動駕駛汽車為交通系統(tǒng)整體帶來的減少交通擁堵等效益也會對公眾行為產(chǎn)生影響.感知社會收益對感知有用性表現(xiàn)出很強的積極影響(β=0.47，p<0.01).本研究中，社會影響作用顯著，除了對使用意愿有直接影響外，受訪者的親友和所處的社會環(huán)境對感知社會收益也有積極影響(β=0.67，p<0.01).通過中介分析發(fā)現(xiàn)，社會影響不僅直接促進使用意愿，還會通過感知社會收益對使用意愿產(chǎn)生間接的顯著作用.鼓勵公眾使用全自動駕駛汽車的政策除了提高感知收益(即感知有用性和感知社會收益)外，還可以從社會影響入手.

4 用戶細分結(jié)果及分析

根據(jù)以往研究[16-17，27-28]，將感知收益和感知風險作為判斷態(tài)度的依據(jù).本研究從感知收益和感知風險角度，對不同態(tài)度的群體進行分類.模糊C均值聚類算法和潛在剖面分析都需要提前確定最佳聚類數(shù)量.

4.1 模糊C均值聚類及潛在剖面分析結(jié)果

Xie-Beni指標能表現(xiàn)聚類有效性，通過比較Xie-Beni指標、劃分系數(shù)及劃分熵，確定聚類數(shù)為3.根據(jù)每個分類的題項得分，將3組群體分別命名為搖擺組(類別1，N=87)、消極組(類別2，N=88)和積極組(類別3，N=29)(圖3)，Me為題項得分的估計均值.通過觀察各組得分發(fā)現(xiàn)，消極組的感知風險得分比感知收益高，但整體相差不大，感知風險沒有處于較高水平(小于4.0).搖擺組在感知收益及感知風險方面的得分都較高(4.0～4.5)，體現(xiàn)出對全自動駕駛汽車的矛盾態(tài)度.積極組認同全自動駕駛汽車的良好效益而忽視風險.

潛在剖面分析使用赤池信息準則(AIC)、貝葉斯信息準則(BIC)、樣本量調(diào)整后BIC(aBIC)等多項指標衡量不同分類數(shù)下的聚類效果，AIC、BIC、aBIC及熵值越小，聚類效果越好.此外，有研究顯示LMR檢驗(Lo-Mendell-Rubin adjusted LRT test，LMRT)不易受到外顯指標數(shù)、樣本量即指標相關(guān)性等影響[29]，相比于AIC及BIC更加穩(wěn)定，可以作為擬合指標.使用Mplus軟件進行潛在剖面分析，分類數(shù)為2～5，結(jié)果如表4所示.

表4 潛在剖面分析模型擬合指標

從結(jié)果看出，k=2及k=3時，LMRT的p值顯著(p<0.05)，模型擬合有明顯改善，從k=4開始，雖然AIC、BIC及aBIC等逐漸減小，但模型開始變得與k-1模型差別不顯著.從k取2、3時的模型指標來看，分為3類比分為2類時的模型有了改善，于是選擇將樣本集合分為3類，命名為搖擺組(類別1，N=87)、消極組(類別2，N=94)和積極組(類別3，N=23)(圖4).模糊C均值聚類和潛在剖面分析都將樣本劃分為3類，分類重合達到96%，兩種方法分類大致相同，結(jié)果的不同之處在于模糊C均值聚類會將更多的受訪者分為積極組，導(dǎo)致模糊C均值中積極組的某些感知收益得分比搖擺組要低，而潛在剖面分析的積極組感知收益得分整體比搖擺組高.

4.2 不同群體方差分析

對模糊C均值聚類和潛在剖面分析各組進行效應(yīng)量計算(表5)和方差分析.結(jié)果顯示，潛在剖面分析所劃分的群體間存在更多的顯著性差異，是否有駕照、社會影響(SI1-3)和使用意愿(BI1-3)表現(xiàn)出一定程度的影響.相比之下，模糊C均值聚類結(jié)果顯著因素少，且效應(yīng)量小，于是選擇潛在剖面分析結(jié)果進行后續(xù)分析.

潛在剖面分析的方差分析(ANOVA)結(jié)果顯示(表6)，不同群體間的教育程度(p=0.076)和是否有駕照(p=0.007)差異呈現(xiàn)顯著性.在教育程度和是否有駕照方面，積極組表現(xiàn)出了與另外兩組的顯著性差異.教育程度最高的群體是搖擺組(M=1.92，DS=0.55)，其次是消極組(M=1.87，DS=0.59)和積極組(M=1.61，DS=0.66).與消極組和搖擺組不同，積極組大部分受訪者沒有駕照(65.2%).在社會影響和使用意愿上，消極組與另外兩組差異顯著(p<0.01).搖擺組和積極組易受到社會影響且使用意愿較高，而消極組最低.

表6 不同群體的屬性及變量分布

4.3 結(jié)果分析及啟示

研究選用潛在剖面分析將樣本分為積極組、搖擺組和消極組，大部分人(88.7%)對全自動駕駛汽車持有矛盾心理或消極態(tài)度，這與Nielsen等[9，12]的研究成果相似.在全自動駕駛汽車沒解決技術(shù)上的問題時，大部分受訪者對全自動駕駛汽車仍處于觀望狀態(tài).

消極組(46.1%)對感知收益認同較低，對風險有些擔憂但不強烈，整體上認為全自動駕駛汽車的風險大于收益.該群體中有駕照、無車的男性較多，74.5%的人沒有事故經(jīng)歷，不會受到親友影響，對使用全自動駕駛汽車保持中立態(tài)度.搖擺組(42.6%)與消極組的受訪者數(shù)相當，組成個體的社會經(jīng)濟屬性相似，教育程度高.其對感知收益和感知風險的認同較高，易受環(huán)境影響，希望嘗試使用全自動駕駛汽車.積極組占樣本量的11.3%，受訪者更加年輕[9]，教育程度較低，大部分人沒有駕照(65.2%)，有更少的事故經(jīng)歷.積極組可能因無法駕駛汽車或?qū)︸{駛汽車沒有興趣，更容易接受全自動駕駛汽車；且事故經(jīng)歷更少，對風險的擔憂并不強烈.此外，他們?nèi)菀资艿江h(huán)境影響，并對使用全自動駕駛汽車抱有熱情.積極組可能成為全自動駕駛汽車的早期使用者，而消極組更有可能是全自動駕駛汽車的滯后使用者.

積極組雖然占比不高，但對感知收益得分較高，在強烈認同全自動駕駛汽車優(yōu)勢的情況下，其心理態(tài)度較為穩(wěn)定[30].搖擺組對風險的擔憂水平超過消極組，且感知收益與感知風險得分較為持平，積極和消極的態(tài)度會導(dǎo)致?lián)u擺組的穩(wěn)定性較弱，易受社會影響，傾向于被外界信息所改變[28，31].根據(jù)對受訪者的分組提出了以下措施：

(1)完善全自動駕駛汽車各類標準和規(guī)定.從制造角度上降低風險，在法律方面明確責任劃分，降低消費者顧慮.

(2)定位消費者.早期用戶定位為無駕照、持積極態(tài)度的人群，爭取搖擺組用戶.對于搖擺組用戶，針對其心理狀態(tài)不穩(wěn)定的特點，應(yīng)積極宣傳全自動駕駛汽車的最新技術(shù)和潛在效益，打消他們的使用顧慮以提高感知收益，降低感知風險，促使該群體轉(zhuǎn)變.此外，可以增加公共交通中全自動駕駛汽車的占有率，如在小范圍內(nèi)設(shè)立固定線路的無人公交，增加乘坐體驗，以增加公眾對全自動駕駛汽車的了解和感知有用性，使未來人們在購買汽車時更多地考慮全自動駕駛汽車.同時，搖擺組和積極組都是易受周圍人及環(huán)境影響的群體，增加全自動駕駛汽車占有率及親友的使用率可以確保積極組的使用率，并帶動搖擺組使用此類車輛.消極組考慮在全自動駕駛汽車得到一定程度普及后，發(fā)生態(tài)度上的轉(zhuǎn)變進而使用全自動駕駛汽車.汽車廠家可增加試駕活動并鼓勵分享使用感受，帶動態(tài)度轉(zhuǎn)變.

(3)在未來建設(shè)方面，考慮建設(shè)全自動駕駛汽車專用道、智能網(wǎng)聯(lián)汽車與基礎(chǔ)設(shè)施互聯(lián)規(guī)劃最佳路線等，通過提高個人和社會的收益來提高公眾群體的感知，以促使更多用戶使用.

5 結(jié) 論

(1)感知收益內(nèi)部存在顯著影響關(guān)系，感知社會收益對感知有用性有積極影響.感知風險對使用意愿有消極影響.社會影響是影響不同群體使用意愿的關(guān)鍵因素，可以通過直接和間接的方式影響使用意愿.

(2)聚類算法將受訪者確定為消極組、搖擺組和積極組3類.不同組間，教育程度、是否有駕照、社會影響和使用意愿的差異顯著.搖擺組和消極組占樣本的88.7%，這兩類受訪者的教育程度較高且持有駕照；搖擺組和積極組更易受外界社會影響且愿意嘗試使用全自動駕駛汽車，可以結(jié)合聚類后組內(nèi)的樣本特征，采取措施使搖擺組的態(tài)度發(fā)生轉(zhuǎn)變.

(3)從3個方面提出措施：制定標準和各類法律法規(guī)；定位消費者且根據(jù)不同群體特征采取不同的針對性措施；計劃未來全自動駕駛汽車的管理方法，整體通過提高感知收益和同伴感染力并降低感知風險的方式推動公眾選擇全自動駕駛汽車.

本文雖然取得了上述初步研究成果，但由于本研究收集的樣本量較小，且大部分樣本來源于網(wǎng)絡(luò)調(diào)查，教育程度較高的年輕人居多，研究成果還有待今后利用大樣本數(shù)據(jù)進行驗證.