摘要: 为准确把握自动驾驶环境下出行方式选择规律，引入面板数据 Mixed logit 模型分析在自动驾驶环境下表征出行者个体社会经济属性的年龄、收入、受教育程度等变量和表征出行方式特性的出行成本、等待时间、在途时间等变量对出行方式选择行为影响作用机理。利用新加坡自动驾驶出行意愿调研获得 150 位受访者在 7 个不同情景的 1 050 个选择意愿有效样本数据，构建自动驾驶环境下出行选择行为模型。结果显示: 模型卡方检验 p 值小于0.000说明模型具有较好的适用性; 参数估计结果显示人群中不同个体对出行成本、等待时间、出行时间存在较强异质性; 边际效应分析显示随着年龄增大选择自动驾驶、公交和步行出行概率增大选择网约车概率降低，当出行成本、出行时间、等待时间增加一倍将使选择自动驾驶出行概率降低近 4.0%。
关 键 词: 交通运输工程; 城市交通; 出行选择行为; 面板 Mixed logit; 自动驾驶; 边际效应
0 引 言
自动驾驶是未来汽车发展的重要方向，其在缓解交通拥堵、节能减排驾驶和提高驾驶安全性方面具有积极影响。自动驾驶经历驾驶员辅助、半自动驾驶、高度自动驾驶、完全自动驾驶 4 个阶段技术发展，目前正在多个城市进行测试，其将对现有出行结构产生一定冲击。自动驾驶带来舒适、便捷的出行体验，激发大量“引致出行需求”[1]，将极大影响交通出行方式。研究自动驾驶环境下出行选择行为，准确把握出行规律，对提升需求预测精度、合理调控城市交通资源具有重大意义。
现有研究热点集中于技术革新和宏观管理两个层面，对自动驾驶环境下出行选择行为研究主要集中于两个层面: 一是挖掘影响自动驾驶出行选择因素，通过个人社会经济属性、活动链属性、出行属性等客观变量[2-7]( 年龄、收入、学历、出行时间、等待时间、出行费用、步行距离) 和表征个体选择偏好、选择预期等心理潜变量[8-10]( 安全性、舒适性、隐私、信任) 来探究出行者选择自动驾驶出行的意向; 二是利用计量经济学、行为学中离散选择模型、结构方程和计划行为理论捕捉显著影响因素，并量化分析不同情景组合下显著因素边际效应[2，4，5，11]。已有研究虽从出行者个人属性和选择方式属性两方面，计量分析自动驾驶使用意向，但对于出行者个体偏好异质性考虑较少，但个体偏好异质性对出行者在进行选择过程起着关键作用。基于次，笔者采用反应自动驾驶使用特征的行为调查( revealed preference，RP) 和反应驾驶员选择的意向调查( stated preference，SP) 数据，引入能够反应个体异质性偏好的面板数据 Mixed logit 建立自动驾驶出行选择模型，探究自动驾驶环境下影响出行行为选择的关键因素，并量化分析因素变化与出行选择之间的作用关系。
1 面板数据混合 Logit 模型
PDML( panel-data mixed logit) 模型适用于处理具有时间序列和截面二维特性的面板数据，对每一时间段中各个选择枝概率进行建模，而截面数据只能对特定情景下选择枝单一时段的选择概率建模。模型估计参数可服从正态分布、对数正态分布、均匀分布、三角分布等分布函数[12-13]，这使得 PDML 模型在采用适当参数分布函数时能够对在不同时间截面个体偏好不同导致选择行为的差异做出合理解释，同时这一随机特性放宽多项 Logit、Ordinal logit、 Nested Logit 等传统 Logit 模型中选择枝独立不相关 ( independence from irrelevant alternatives，IIA) 假设，使得模型适用范围更广阔。
2 数据描述
2.1 数据采集
笔者所用数据来自新加坡自动驾驶出行意愿调研。调研问卷分两部分: 第一部分收集受访者社会经济属性包含受访者年龄、性别、学历、收入、是否拥有驾照、家庭拥有车辆数、居住地和工作地到附近地铁站或公交站距离，以及对自动驾驶偏向性感受 RP 调查; 第二部分在 7 种不同出行情景中个体对自动驾驶、私家车、公交、网约车、步行 5 种方式出行费用、时间、出行选择意愿的 SP 调查。问卷共收集到 150 个受访者完整信息，调研问卷收集情况如表 1。
面板数据是截面上不同个体在不同时间情境下重复观测数据，具有两种特征: 一是个体少，情境多，仅需观测少量个体即可获取较大样本量; 二是个体数多，时间短。其好处在于随着观测值增加，可以提高估计量抽样精度，相比单截面数据建模可获得更多情境信息。
2.2 变量定义
根据采集信息将数据分为个人经济属性、需求偏好、出行特性 3 个部分，共计 25 个变量，具体分类和变量定义见表 1。建模之前先采用相关性分析剔除相关性较大的自动驾驶车辆特性偏好变量。建模过程中利用向后删除变量法依次剔除非显著性变量。
3 结果分析与讨论
3.1 自动驾驶车适用特征分析
基于有效样本统计分析受访者选择自动驾驶出行特征。受访者对自动驾驶安全性、价格、便捷性等特性关心度排序如图 1( a) 。由图 1( a) 可知，安全性是受访者最关注的问题，其次是价格、便捷性、出行时间、技术可靠度和舒适性。可见，相比其他要素，乘客对舒适性的关注并非很高，这与自动驾驶处于小范围推广阶段有关。选择自动驾驶出行中对出行费用期望分布如图 1( b) ，期望接受价格在 0 ～ 10 SGD 占 64. 6%，其中 0 ～ 5 SGD 占 36. 5%，超过 30SGD 占 10.4%，该价格略低于相同情景下的网约车出行成本。选择自动驾驶出行时间长度在 30 min 以内占比 81.7%，如图 1( c) 。
3.2 模型参数标定结果
利用 Stata16.0 软件先对数据进行面板化处理，然后利用 cmxtmixlogit 命令包对模型进行仿真似然参数估计。采用软件默认 Hammersley 法对随机参数提取[14]，提取总数为 576 次。参数估计采用高斯分布对变量进行仿真似然估计。利用向后删除变量法经过多次实验得到模型标定结果如表 2( 选择公共交通作为基准对比方式) 。
由表 2 可知:
1) 随机变量行驶时间、出行成本和等待时间对出行方式选择具有显著影响( p<0.000) ，步行到乘车地点时间变量( p = 0.187) 为非显著因素。出行时间随机参数的估计均值为-0.088 6，随机参数估计标准偏差为 0. 07; 等待 时 间 随 机 参 数 估 计 均 值 为-0.171 7，随机参数估计的标准偏差为 0.251 2; 出行成本随机参数估计均值为-0.326 8，随机参数估计的标准偏差为 0.192 4。以上结果表明，行驶时间、出行成本、等待时间变量系数在人群中存在显著个体异质性。
2) 随机变量行驶时间、出行成本和等待时间对出行方式选择具有显著影响( p<0.000) ，步行到乘车地点时间变量( p = 0.187) 为非显著因素。出行时间随机参数的估计均值为-0.088 6，随机参数估计标准偏差为 0.07; 等待时间随机参数估计均值为-0.171 7，随机参数估计的标准偏差为 0.251 2; 出行成本随机参数估计均值为-0.326 8，随机参数估计的标准偏差为 0.192 4。以上结果表明，行驶时间、出行成本、等待时间变量系数在人群中存在显著个体异质性。
3) 受访者社会经济属性对其在各个情境中选择不同交通方式出行具有显著影响。受教育水平( P = 0.003) 、拥有私家车数量( P = 0. 022) 置信度大于 95%，表明其对选择自动驾驶出行具有显著影响，且其参数符号均为正数，说明随着学历增长相比乘坐公交出行，选择自动驾驶出行概率增大。拥有车辆数估计参数为 1.072 7，相比乘坐公交出行，随着家庭拥有车辆数量的增加，选择自动驾驶出行概率也增大; 受教育水平( P<0.000) 、性别( P = 0.016) 、乘坐地铁频率( P = 0.069) 对选择私家车出行具有显著影响，相比公交，随着乘坐地铁频率的增加，选择私家车的概率将降低; 性别、拥有车辆数对选择步行出行具有显著影响，相比男性驾驶员，女性驾驶员更愿意选择步行出行; 年龄、受教育水平和家庭拥有车辆数对选择网约车具有显著影响，相比选择公交，随着年龄增大，选择网约车出行概率较小。
4) 模型拟合检验结果中 Wald 检验的 P 值小于 0.000 说明模型拒绝变量外生的原假设，表明模型具有较好的适用性。
3.3 边际效应分析
出行方式选择概率为关于估计参数值的非线性函数，难以通过参数值直接观测变量变化对其产生的影响[15-17]。利用边际效应来量化特定情景中某出行方式显著变量增加或者减少一个单位所引起选择出行方式概率变化情况。图 2 分别给出年龄、出行成本、等待时间、出行时间变量边际效应变化。
由图 2 可知:
1) 新加坡选择公交出行概率最大达到 41%，其次为选择私家车、步行、网约车等出行方式。随着年龄增大，选择公交和私家车出行概率变化幅度相对较小，选择网约车出行概率降低 15%。由于需要在线预约，老年人对智能手机使用等新事物敏感度远低于年轻人，因此老年人选择网约车出行概率小。随着年龄增大，选择步行出行方式的概率逐渐增大，增大了 10%。
2) 等待时间增加一倍将使选择自动驾驶出行概率下降 1.3%，对选择公交、网约车、私家车出行概率影响低于 1%。相比公交车、网约车和私家车，选择自动驾驶的乘客对等待时间更为敏感。实际应用场景中应提高车辆调度效率，减少乘客等待时间。
3) 出行成本增加一倍将导致自动驾驶被选择概率降低 3.92%，公交出行概率增加 1.48%，表明自动驾驶出行受成本影响较网约车和自驾车更为明显。由于自动驾驶服务费用高于其他方式，若继续增加费用，将超出乘客心理预期，减少乘客选择概率。自动驾驶车辆在投入市场时需找准定位，合理定价，不可盲目高价。
4) 随着出行时间增加一倍，选择公交出行概率将增加 1.3%，选择网约车、私家车和步行概率仅微小增加，选择自动驾驶出行概率将降低 4.34%。选择自动驾驶的乘客对出行时间更为敏感，反映出自动驾驶在短时间出行具有较好吸引力，随出行时间增加，被选择概率将降低。运营商设置自动驾驶车辆调度、维护站点时应该考虑车辆行驶时间和距离。
4 结 论
引入 PDML 模型对自动驾驶出行选择行为进行分析。以新加坡自动驾驶出行意愿调查数据为基础，构建考虑个体异质性偏好的自动驾驶出行选择行为模型。通过对模型估计参数和显著变量边际效应进行分析，得到以下结论:
1) PDML 模型能够适用于进行包含多个情景的 SP 调查数据，既可横向比较不同情景选择行为变化，又可挖掘同一情景中影响选择行为的因素。
2) 自动驾驶环境下不同交通方式出行选择在人群中表现出较强的个体异质性，个体在出行时间、出行成本和等待时间方面具有较强个体偏好。
3) 显著性变量边际效应结果显示，自动驾驶环境下，随着年龄增加，选择步行出行概率显著增加，选择网约车出行概率显著降低，同时等待时间、出行时间和出行成本增加将导致选择自动驾驶出行的概率降低。——论文作者：连齐才1 ，李 涵1 ，石小林1 ，闫章存2
相关期刊推荐：《重庆交通大学学报·自然科学版》是由重庆交通大学主管主办的国内外公开发行的学术性期刊(双月刊)，主要刊登交通运输工程、道路工程、桥梁与隧道工程、水利工程、航道与港口工程、环境工程、材料工程、抗震减灾工程、地质灾害等方面研究成果。
