基于潜在类别的无人驾驶汽车选择行为

doi:10.13229/j.cnki.jdxbgxb20200390

摘要/Abstract

摘要：

为了分析出行者出行选择偏好的异质性和无人驾驶汽车对出行选择行为的影响，基于扩展技术接受模型的理论框架，将心理潜变量纳入潜在类别条件Logit模型，建立混合选择模型进行实证研究。结果表明：相比传统的条件Logit模型，潜在类别条件Logit模型的拟合优度更高。受访出行者可以分为共享无人驾驶汽车偏好群体、小汽车偏好群体和私人无人驾驶汽车偏好群体，3个潜在类别分别占比为46.5%、13.0%和40.5%。小汽车偏好群体对步行与等待时间和出行费用持正向评价，私人无人驾驶汽车偏好群体对停车费用持负面评价。感知易用性和感知信任两个潜变量对出行者潜在类别划分具有显著影响。

关键词: 交通工程, 出行方式选择, 潜在类别条件Logit模型, 潜变量, 无人驾驶汽车

Abstract:

In order to analyze the preferences heterogeneity of travelers and the influence of autonomous vehicles on travel behavior, this study incorporates the latent psychological variables into the latent-class conditional Logit model based on the theoretical framework of the extended technology acceptance model. A hybrid choice model is established to conduct empirical research. The results show that compared with the traditional conditional Logit model, the latent-class conditional Logit model has higher fitness. Respondents can be divided into three subgroups: the shared autonomous vehicles preference subgroup, car preference subgroup, and private autonomous vehicles preference subgroup. The three subgroups account for 46.5%, 13.0% and 40.5%, respectively. Travelers from the car preference subgroup evaluate the walking and waiting time and travel costs positively, while travelers from the private autonomous vehicle preference subgroup evaluate parking costs negatively. The two latent variables of perceived ease of use and perceived trust have a significant influence on the classification of latent class.

Key words: traffic engineering, travel mode choice, latent-class conditional Logit model, latent variable, autonomous vehicle

中图分类号:

U121

刘志伟,刘建荣,邓卫. 基于潜在类别的无人驾驶汽车选择行为[J]. 吉林大学学报(工学版), 2021, 51(4): 1261-1268.

Zhi-wei LIU,Jian-rong LIU,Wei DENG. Travelers′ choice behavior of autonomous vehicles based on latent class[J]. Journal of Jilin University(Engineering and Technology Edition), 2021, 51(4): 1261-1268.

图/表 9

表1

图 1

表2

表3

表4

表5

表6

表7

图2

参考文献 17

1	Molin E, Mokhtarian P, Kroesen M. Multimodal travel groups and attitudes: a latent class cluster analysis of Dutch travelers[J]. Transportation Research Part A: Policy and Practice, 2016, 83(1): 14-29.
2	Zhang X, Guan H, Zhu H, et al. Analysis of travel mode choice behavior considering the indifference threshold[J]. Sustainability, 2019, 11(19): 1-23.
3	Boxall P C, Adamowicz W L. Understanding heterogeneous preferences in random utility models: a latent class approach[J]. Environmental and resource economics,2002, 23(4): 421-446.
4	Sarrias M, Daziano R. Multinomial Logit models with continuous and discrete individual heterogeneity in R: the GMNL package[J]. Journal of Statistical Software,2017, 79(2): 1-46.
5	Ardeshiri A, Vij A. Lifestyles, residential location, and transport mode use: a hierarchical latent class choice model[J]. Transportation Research Part A: Policy and Practice,2019, 126(10): 342-359.
6	刘建荣,刘志伟. 基于出行者潜在类别的公交出行行为研究[J]. 华南理工大学学报:自然科学版, 2019, 47(6):119-126.
	Liu Jian-rong, Liu Zhi-wei. Analysis of bus users' behavior based on latent class[J]. Journal of South China University of Technology (Natural Science Edition), 2019, 47(6): 119-126.
7	Ben-Akiva M, Mcfadden D, Gärling T, et al. Extended framework for modeling choice behavior[J]. Marketing Letters, 1999, 10(3): 187-203.
8	景鹏,隽志才,查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11): 84-92, 108.
	Jing Peng, Zhi-cai Juan, Zha Qi-fen. Incorporating psychological latent variables into travel mode choice model[J]. China Journal of Highway Transportation, 2014, 27(11): 84-92, 108.
9	Davis F D, Bagozzi R P, Warshaw P R. User acceptance of computer technology: a comparison of two theoretical models[J]. Management science, 1989, 35(8): 982-1003.
10	Venkatesh V, Davis F D. A model of the antecedents of perceived ease of use: development and test[J]. Decision Sciences, 1996, 27(3): 451-481.
11	Mou J, Shin D, Cohen J F. Trust and risk in consumer acceptance of e-services[J]. Electronic Commerce Research, 2016,16(1):141.
12	Bansal P, Kockelman K M, Singh A. Assessing public opinions of and interest in new vehicle technologies: an Austin perspective[J]. Transportation Research Part C: Emerging Technologies, 2016, 67(6): 1-14.
13	Train K E. EM algorithms for nonparametric estimation of mixing distributions[J]. Journal of Choice Modelling, 2008, 1(1): 40-69.
14	Pacifico D, Yoo H I. Lclogit: a Stata command for fitting latent-class conditional Logit models via the expectation-maximization algorithm[J]. The Stata Journal, 2013, 13(3): 625-639.
15	Panagiotopoulos I, Dimitrakopoulos G. An empirical investigation on consumers' intentions towards autonomous driving[J]. Transportation Research Part C: Emerging Technologies, 2018, 95(10): 773-784.
16	Yáñez M F, Raveau S, Ortúzar J D D. Inclusion of latent variables in mixed Logit models: modelling and forecasting[J]. Transportation Research Part A: Policy and Practice,2010, 44(9): 744-753.
17	Wang J, Wang X. Structural Equation Modeling: Applications Using Mplus[M]. Chichester: John Wiley & Sons, 2012.

相关文章 10

[1]	查伟雄,蔡其燕,李剑,严利鑫. 边路车辆出入条件下城市干线信号协调相位差优化[J]. 吉林大学学报(工学版), 2021, 51(2): 565-574.
[2]	栾鑫, 邓卫, 程琳, 陈新元. 特大城市居民出行方式选择行为的混合Logit模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1029-1036.
[3]	孙轶轩, 邵春福, 岳昊, 朱亮. 基于SVM灵敏度的城市交通事故严重程度影响因素分析[J]. 吉林大学学报(工学版), 2014, 44(5): 1315-1320.
[4]	董宏辉,孙晓亮,贾利民,秦勇. 多模态的交通流量预测模型[J]. 吉林大学学报(工学版), 2011, 41(03): 645-649.
[5]	姜桂艳,吴超腾. 基于GPS采集车辆行程时间的路段划分模型[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 177-0181.
[6]	吕能超,严新平,RanBin,徐堃. 基于道路出行者行为的大型活动停车模型[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 135-0139.
[7]	宋现敏,王殿海,金盛. 感应式协调控制下绿信比优化方法[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 154-0157.
[8]	王殿海，孙锋，金盛 . 两相位交叉口左转车通行能力计算方法[J]. 吉林大学学报(工学版), 2007, 37(04): 767-771.
[9]	李洪萍，裴玉龙，杨中良 . 快速路自由流速度及其影响因素 [J]. 吉林大学学报(工学版), 2007, 37(04): 772-776.
[10]	姜桂艳，郑祖舵，白竹，代磊磊，赵佳琪. 拥挤条件下可变信息板交通诱导信息对驾驶行为的影响[J]. 吉林大学学报(工学版), 2006, 36(02): 183-0187.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

潜在变量	显示变量	符号
感知有用（PU）	无人驾驶车辆可以降低交通事故	pu1
	无人驾驶车辆可以降低交通拥堵	pu 2
	无人驾驶车辆可以降低交通成本	pu 3
	无人驾驶车辆可以改善驾驶行为表现	pu 4
感知易用（PEU）	学习使用无人驾驶车辆对我来说很简单	peu 1
	无人驾驶车辆的使用很清晰和容易理解	peu 2
	无人驾驶车辆的使用不需要太多的心理负担	peu 3
感知信任（PT）	无人驾驶车辆是可靠的	pt1
	无人驾驶车辆是值得信赖的	pt 2
	总之，我完全相信无人驾驶车辆	pt 3
社会影响（SN）	对我很重要的人支持我使用无人驾驶车辆	sn1
	对我很重要的人希望我将来能使用无人驾驶车辆	sn 2
	如果身边的人使用无人驾驶车辆，我也会使用的	sn 3
行为意向（BIU）	未来我会使用无人驾驶车辆	biu1
	未来我会购买无人驾驶车辆	biu2
	我会向亲朋好友推荐使用无人驾驶车辆	biu3

变量	表示符号	定义	百分比/%
性别	GEND	女	45.73
性别	GEND	男	54.27
年龄	AGE1	30岁及以下	66.00
	AGE2	31~45岁	13.90
	AGE3	46~55岁	12.23
	AGE4	55岁以上	7.87
受教育程度	EDU	高中及以下	10.05
		大专	11.39
		本科	66.67
		硕士及以上	11.89
家庭月收入（元/月）	HINC1	5000以下	24.29
	HINC2	5000~10000	41.71
	HINC3	10000~20000	21.60
	HINC4	20000以上	12.40
是否有学龄儿童	CHILD	是	53.10
是否有学龄儿童	CHILD	否	46.90
是否拥有驾照	LICENSE	是	42.38
是否拥有驾照	LICENSE	否	57.62
家庭是否拥有小汽车	CAR	是	63.99
家庭是否拥有小汽车	CAR	否	36.01
是否拥有公交 IC卡	ICARD	是	77.72
是否拥有公交 IC卡	ICARD	否	22.28
家庭总人口数	HSIZE	1	5.36
		2	9.21
		3	40.20
		4	20.60
		5人及以上	24.62
通勤方式	CAR2WORK	使用小汽车上班	30.65
	BUS2WORK	使用公交车上班	18.09
	TRAIN2WORK	使用地铁上班	21.94
	OTHERS	其他	29.32

变量	题项	KMO	因子载荷	Cronbach′s Alpha
感知有用性（PU）	pu 1	0.8507	0.918	0.931
	pu 2		0.927
	pu 3		0.923
	pu 4		0.876
感知易用性（EU）	peu 1	0.7750	0.956	0.956
	peu 2		0.964
	peu 3		0.954
感知信任（PT）	pt 1	0.7680	0.974	0.965
	pt 2		0.972
	pt 3		0.955
社会影响（SN）	sn 1	0.7680	0.974	0.965
	sn 2		0.972
	sn 3		0.955
行为意向（BIU）	biu 1	0.7760	0.979	0.932
	biu 2		0.971
	biu 3		0.968

	RMSEA	CFI	TLI	SRMR
参考值	≤0.08	≥0.900	≥0.900	<0.08
模型参数	0.08	0.976	0.967	0.020

类别	CAIC	BIC
2	3682	3655
3	2731	2683
4	2784	2715
5	2848	2758
6	2928	2817