基于扩展技术接受度模型的共享自动驾驶汽车用户使用意愿研究

共享自动驾驶汽车是智慧交通和绿色交通的重要发展方向之一,但目前其相关研究仍不充分,影响用户使用共享自动驾驶汽车意愿的因素及其作用机理有待深入剖析.为此,本文首先通过引入感知风险、服务质量和社会影响三个潜变量,构建了扩展技术接受度模型.然后将扩展技术接受度模型的潜变量、个人社会经济属性变量和出行方式属性变量整合到多项Logit模型,构建混合选择模型,并以用户选择共享自动驾驶汽车出行的概率衡量用户使用共享自动驾驶汽车的意愿.最后基于SP调查数据标定模型参数,得到潜变量关系及关键影响因素,通过弹性分析研究关键因素对用户使用意愿的影响.结果表明,感知有用性、出行费用、感知易用性、等待时间的影响最为显著,对应的弹性值分别是0.0502、-0.0401、0.0385和-0.0350.本研究对相关企业及相关政府部门发展和推广共享自动驾驶汽车具有重要参考价值.     

考虑潜变量的自动驾驶汽车租赁行为

将自动驾驶汽车（autonomous vehicle，AV）与分时租赁、点对点（peer-to-peer，P2P）租赁模式相结合，为出行者提供新型的出行方式. 为探究出行者租赁自动驾驶汽车的行为特征，分析出行者对AV分时租赁、AV P2P租赁、私家车、公共交通的选择意愿及其影响因素. 基于出行方式选择意愿的调查数据，将结构方程模型（structural equation model，SEM）与多项Logit （multinomial Logit，MNL）模型相结合，建立同时标定显变量与潜变量参数的结构方程-多项Logit （structural equation-multinomial Logit，SE-MNL）模型，对比分析了MNL与SE-MNL模型的参数标定结果. 研究结果表明:在95%的置信水平下，显变量中的出行费用、车内时间、驾照情况、出行目的、婚姻状况以及潜变量中的便捷性、安全性、乘车体验、舒适性对出行者选择AV分时租赁或P2P租赁的影响都是显著的；SE-MNL模型的拟合度较MNL模型高出2%～3%.      

自动驾驶影响下的出行行为研究综述

从小汽车出行总需求、出行方式选择、在途时间利用三方面梳理了自动驾驶影响下的出行行为研究现状,分析了用于研究自动驾驶对出行行为影响的数据基础与研究方法,总结了影响自动驾驶环境下出行方式选择的关键因素,指出了出行行为研究存在的问题和未来发展方向。研究结果表明:出行总需求的相关研究主要关注当前服务不足人口的潜在出行,大多通过需求假设分析潜在的变化,在假设的可靠性和结果的准确度方面还存在不足;出行方式选择的相关研究显示车辆服务和出行属性、社会人口和家庭属性、出行习惯属性、居住地和环境属性、个人心理和偏好属性等是影响出行方式选择的关键因素,考虑到不同的研究对象、场景设计与分析方法,性别、年龄、持有驾照、家庭结构等因素对出行行为的具体影响还有待进一步检验;人们对自动驾驶时代在途时间利用的方式和受益程度的认知存在较大的不确定性与异质性,亟需理论模型来进一步讨论潜在的时间利用变化;基于自动驾驶对出行行为影响相关研究的局限性,提出了建立自动驾驶汽车的规范化描述和丰富数据采集方式,开展横向与纵向对比研究,加强各影响因素异质性的考量,辨析自动驾驶时代各类出行行为间的相互影响机制的改进方向。      

后悔理论视角下的出行选择行为(英文)

应用随机后悔最小化理论与随机效用最大化理论,分别建立RRM-MNL模型和RUM-MNL模型研究了出行方式选择行为。在模型参数、拟合优度方面对2个模型进行了比较,应用直接弹性分析了在交通管理措施评价方面的区别,并通过城际出行方式中的飞机、火车、长途汽车、小汽车4种出行方式数据进行实际验证。分析结果表明:相比于RUM-MNL模型,RRM-MNL模型能够描述在多属性方案选择过程中的部分补偿性决策行为和折衷效应,能更真实地反映实际出行行为选择过程;等待时间、出行时间和出行费用对飞机、火车和长途汽车3种出行方式的选择概率都具有弹性;在RRM-MNL模型中,等待时间对3种方式的弹性值分别较RUM-MNL模型的低7.30%、13.14%和7.70%。可见,对于同一属性变量,出行者具有不同的选择偏好,会表现出不同的选择行为。     

考虑合乘的共享自动驾驶汽车选择行为实证分析

共享自动驾驶汽车(Shared Autonomous Vehicles，SAV)是自动驾驶汽车和共享经济相结合的产物，为人们提供了一种新型的出行方式. 为探究出行者在考虑合乘的SAV与私家车或公共交通之间的选择偏好，实施了SAV选择意愿调查，并分析了考虑合乘的SAV的潜在用户特征. 基于问卷调查所得有效数据，采用K-Means 聚类法划分了历史出行模式，利用因子分析对性格态度特征进行了分类. 分别对有无私家车人群建立解释变量的参数服从不同分布的混合Logit 模型，并对参数标定结果进行对比分析. 研究结果表明，出行方式特性非常显著地影响出行者方式选择行为，性格态度特征是影响出行者选择考虑合乘的SAV出行方式的显著因素，且其显著性明显高于性别、年龄等社会经济属性.     

无人驾驶汽车对出行方式选择行为的影响

无人驾驶汽车对出行者出行选择行为具有重要影响,进而可以影响到城市交通需求、城市空间布局和城市规划. 基于扩展技术接受模型和考虑不同出行者偏好的异质性,建立带潜变量的随机系数Logit模型,研究出行者的出行特征、心理潜变量和个体的社会经济属性对无人驾驶汽车选择行为的影响. 结果表明:与传统的多项Logit模型相比,带潜变量的随机系数Logit模型拟合度更高;不同的出行者对出行费用的偏好具有异质性,在效用函数中,出行费用服从正态分布;无人驾驶汽车选择行为不仅受到出行特征和社会经济属性的影响,而且还受到感知信任、社会规范和行为意向等心理潜变量的影响;降低无人驾驶汽车的出行费用可以提升出行者选择无人驾驶汽车出行的概率.      

基于态度-行为模型的低收入通勤者出行方式选择

为了分析城市低收入通勤者交通方式选择行为,揭示个体社会经济属性、活动 属性和潜在态度变量对出行者出行方式选择的影响,基于抚顺市居民一日出行调查数 据,采用态度-行为模型探究低收入通勤者出行方式选择机理.首先基于多指标多原因模 型分析影响态度变量的外在因素,结果表明性别、驾照拥有情况和年龄对态度变量的构 成影响较大.然后,分别建立含潜变量和不含潜变量的多项Logit 模型,发现含潜变量的选 择模型更能解释出行行为,社会经济属性、活动属性和态度变量对低收入通勤者出行方 式选择影响存在一定差异.     

考虑偏好差异的后疫情时代居民出行方式选择行为研究

为探究后疫情时代居民出行方式选择行为，运用选择实验的方法，基于问卷调查获得选择行为数据，构建出行方式选择的混合Logit模型和潜在类别条件Logit模型。采用Stata软件标定模型参数，得到后疫情时代影响居民出行方式选择的主要因素。结果表明，两种模型均体现了个体出行方式选择的异质性，潜在类别条件Logit模型与混合Logit模型相比拟合优度提高了13%， 预测精度提高了3.03%，为突发公共卫生事件下分析出行行为的个体异质性提供了一种有效工具。潜在类别条件Logit模型根据居民所处低、中风险区两种情景，分别将居民划分为4类、5类人 群。从出行方式属性上看，等待时间和在途时间成为居民选择出行方式最重要的影响因素。从个人社会经济属性上看，在后疫情时代收入更高的女性更倾向选择私家车出行，年龄越大对行程费用越敏感，男性更愿意选择公交、地铁出行。     

动态停车预约收费条件下的出行行为选择研究

近年来,停车预约动态收费发展迅速,但是现有文献缺乏对动态停车预约收费条件下的出行行为选择的影响因素和影响机理的研究。本文基于宁波市动态定价停车预约意愿问卷数据,综合考察了驾驶人的个人属性、出行特性、停车特征和建成环境,建立了预约、不预约、转移到其他停车场、转移到其他交通方式4种行为选择的巢式Logit模型,并对相关变量进行了显著性分析和弹性分析。结果表明:年龄、家庭年收入、出行目的、出发时刻、出行距离、停车时长、排队时间、预约费用、目的地停车场数量以及出发地和目的地是否有轨道站点影响显著,高收入、通勤、高峰小时出行和长时间停车的人群更倾向于选择预约停车。模型拟合结果显示,考虑出发地和目的地建成环境的巢式Logit模型能够在一定程度上提高出行行为选择预测的精准度。     

自动驾驶环境下驾驶人接管行为结构方程模型

为提取自动驾驶环境下驾驶人接管行为的关键影响因素,使用驾驶模拟器和眼动仪进行自动驾驶环境下驾驶人接管试验;采集了11个受试者对5种接管情境的反应数据,包括车辆运行数据和眼部运动数据,并调查了受试者的个人属性;基于实测数据定性分析和情境差异定量分析的结果,利用AMOS软件建立了描述驾驶人接管行为的结构方程模型;假设纵向接管行为、横向接管行为和眼部运动行为是3个潜在变量,找到可以表征这3个潜在变量的9个观测变量;根据修正指数多次修正得到最终的结构方程模型,由此获得表征驾驶人接管行为的各变量间的关系及对应的参数。研究结果表明:驾驶人接管自动驾驶车辆的全过程可分为5个阶段,即感知反应、减速避让、加速回升、稳定恢复以及稳定运行;当左前方车辆汇入当前车道,此时驾驶人接管风险较高;横向驾驶行为与纵向驾驶行为、眼部运动行为均显著负相关,相关系数分别为-0.226和-0.223,纵向驾驶行为与眼部运动行为正相关,相关系数为0.152;平均速度、总体横摆角均值、一秒内扫视时间可分别高度解释驾驶人接管自动驾驶车辆时纵向、横向及眼部的潜在行为。可见,此模型能有效揭示驾驶人接管自动驾驶车辆的整体行为与局部行为,有助于改进人机交互模式与自动驾驶接管请求提示。