自动代客泊车接受度及停车选择行为影响因素分析

赵传林, 靳思缘, 武海娟, 丁力

(北京建筑大学土木与交通工程学院, 北京 102616)

自动代客泊车(automated valet parking,AVP)作为L4级高度自动驾驶技术重要分支之一,可以实现车辆在没有驾驶员干预的情况下,自主寻找停车位并完成泊车,具有减少驾驶员停车巡航时间、提高车位利用率等优势。较多学者都致力于自动代客泊车技术的研发和试验,如Bahrami等[1]通过仿真发现自动代客泊车可以减少用户在目的地附近寻找停车位的时间,减少车辆行驶距离;何胜学[2]提出车辆与泊位匹配优化模型,表明自动代客泊车将会增加共享停车位利用率并增加可停放车辆数;Khalid等[3]提出了一种新型自动代客泊车成本优化方案,减少车辆行驶时间、出行成本以及燃料消耗。然而,AVP技术虽可以为公众带来诸多的好处,但是如果公众接受度较低、使用率较低的话,将无法充分发挥其价值。Dong等[4]研究发现如果公众不能广泛接受自动驾驶汽车,预期的社会效益将无法实现。因此,了解公众对于AVP的接受度及使用意向的影响因素,是预测AVP未来市场占有率和推广AVP服务的关键。

目前探讨自动代客泊车基于全局及局部路径规划问题的居多,如Li等[5]将自主代客泊车路径规划问题转化为非线性规划问题。Yu等[6]采用Dijkstra算法求解动态场景的自动代客泊车的全局最短路径问题。Qin等[7]提出一种优化全局路径搜索的新型路径规划方法,缩短了搜索时间。Jeong等[8]基于人工势场法与随机树算法对自主代客泊车的全局路径进行规划。张家旭等[9]对自动代客泊车路径进行全局规划并利用动态窗口算法对局部路径进行规划。

在探讨公众对于新技术接受度的研究方法上,技术接受模型(technology acceptance model,TAM)是最为常用的模型。李振龙等[10]引入预警服务质量、分心感知、个人创新和信任度4个变量,建立扩展TAM模型探讨用户对于车路协同系统的接受度。孙龄波等[11]基于扩展TAM模型探讨公众对于无人驾驶出租车接受度,发现感知有用性、感知易用性和感知风险的影响较为显著。张荣花等[12]基于技术接受模型,引入政策制度支持和汽车共享服务品质建立了购车行为意愿模型,探究共享汽车服务下居民购车意愿。李睿等[13]基于技术接受模型,构建公众对于社交网络交通信息使用意向模型,分析社交网络交通信息对公众出行方式选择的影响。吕能超等[14]对先进驾驶辅助系统的接受度进行探究,发现先进驾驶辅助系统的类别和道路等级对接受度有显著作用。在探讨停车方式选择影响因素方面,董小楠等[15]考虑驾驶员在停车过程中的微观动态选择行为,建立双层停车巡航行为模型,分析驾驶员停车巡航行为。任其亮等[16]基于前景理论,分析商业中心区驾驶员停车选择行为。Soto等[17]将潜变量纳入到停车选择模型中,提升了传统停车选择模型的解释能力和拟合优度。Fu等[18]构建考虑潜变量的混合选择模型,验证了考虑潜变量的模型增加了传统选择模型的解释能力。

综上,目前对自动代客泊车的研究较多基于全局及局部路径规划,而用户对自动代客泊车接受度及其选择行为尚不清晰。如果用户不实际接受自动代客泊车技术,将无法发挥其潜能。因此,有必要探讨公众对于自动代客泊车的接受度及其选择行为的内在机理。为了更好地预测和解释出行者对于自动代客泊车的接受度及实际的使用行为,首先基于扩展技术接受模型构建仅考虑心理潜变量的AVP接受度模型,随后采用随机森林算法与逻辑回归相结合方法,分别构建考虑心理潜变量和不考虑心理潜变量的方式选择模型,进一步分析用户选择行为的各因素之间的作用效果,以期为政府及相关企业发展及自动代客泊车提供依据。

1 变量选取

1.1 潜变量选取

在TAM模型中感知有用性、感知易用性和行为态度是影响行为意向及实际的选择行为的3个重要因素。部分学者为了对模型进行优化,引入一些变量用于分析用户对于新技术的接受程度,如感知风险和信任。用户对于自动驾驶技术信任可能会增强用户的接受度,自动代客泊车作为L4级自动驾驶技术,也同样不例外。Deb等[19]研究发现,信任对于自动驾驶技术的接受度具有显著作用。同时,如果用户认为自动代客泊车技术可能会带来交通事故等风险,可能会拒绝使用该技术。胡晓伟等[20]引入感知风险、服务质量和社会影响三个潜变量,构建扩展技术接受度模型来探讨用户对于共享自动驾驶汽车的使用意愿情况,发现感知风险是自动驾驶技术使用意愿的重要因素。景鹏等[21]对自动驾驶技术接受度的研究成果的进行总结,发现信任、行为态度、感知易用性、感知有用性和感知风险对自动驾驶技术接受度产生关键影响。因此,考虑到自动代客泊车的服务特性,现引入感知风险、信任心理潜变量扩展TAM模型,以更好地解释影响自动代客泊车用户接受度的内在机理,其中各个心理潜变量的定义,如表1所示。

表1 潜变量定义Table 1 Latent variable definitions

1.2 显变量选取

停车选择行为主要受到个人信息属性、出行属性和停车方式属性三方面的影响。关于影响自动代客泊车的个人信息属性,包括性别、年龄、职业、受教育程度、月收入水平、驾龄、车辆使用频率、是否了解自动代客泊车、是否愿意尝试自动代客泊车。在出行属性变量选择上,主要考虑天气、停车时长、出行总成本、出行目的的影响。由于自动代客泊车技术能够自行寻找停车位并完成停车,具有节省驾驶员时间等特点。因此,停车方式属性方面,主要考虑步行距离、巡航时间和停车费用的影响,其中停车费用是指车辆停放在停车场的费用。

2 模型构建

2.1 结构方程模型

基于TAM框架,根据以上确定的心理潜变量构建结构方程模型(structural equation model,SEM)。基础TAM一般假设感知易用性直接影响感知有用性和行为态度,间接影响使用意向;感知有用性直接影响行为态度和行为意向;行为态度直接影响行为意向。有研究证明,信任和感知风险对于行为意向具有重要的作用。如Liu等[22]通过对自动驾驶汽车接受度探讨发现,信任对于感知风险具有负向影响,感知风险对于行为意向具有负向影响。Choi等[23]发现信任对于自动驾驶技术使用意愿具有显著积极影响。因此,本文提出如下假设:

H1:感知易用性对感知有用性有正向影响;

H2:感知易用性对行为态度有正向影响;

H3:感知有用性对行为态度有正向影响;

H4:感知有用性对行为意向有正向影响;

H5:感知风险对信任有负向影响;

H6:感知风险对行为意向有负向影响;

H7:信任对行为态度有正向影响;

H8:信任对行为意向有正向影响;

H9:行为态度对行为意向有正向影响。

针对以上提出的假设构建结构方程模型,模型框架如图1所示。

图1 结构方程模型框架与关系假设Fig.1 Structural equation model framework and relational assumptions

2.2 混合选择模型

建立混合选择模型前,做出如下假设:

(1)停车者的停车选择行为是完全理性的,每个人均选择效用最大的方案。

(2)假定所有出行者均使用私家车出行,停车方式设定为两种,普通停车方式和自动代客泊车。其中自动代客泊车包括3种方案:车辆自动驾驶到目的地附近停车场的停车位;车辆由用户下车点自动驾驶到用户家中停车位进行停车;在等待用户期间,车辆在用户目的地周围进行持续的空载巡航。

(3)效用函数U的随机误差项是相互独立的,均服从Gumbel变量分布。

混合选择模型上层为结构方程模型,下层为由经过变量筛选的心理潜变量和显变量共同作为自变量的逻辑回归模型,如图2所示。结构方程模型,表示影响停车者接受度的各心理潜变量与相对应的观测变量之间及各心理潜变量之间的关系;逻辑回归模型,用于描述选择某种停车方式的概率以及影响该选择的心理潜变量和显变量之间的关系。

效用函数Ui由固定项函数和误差项函数构成,将心理潜变量纳入到固定项中,构成包含心理潜变量和显变量的效用函数。

基于模型变量构建的固定项表示为

(1)

式(1)中:L为停车者个人信息属性变量的个数;M为出行属性变量的个数;N为停车方式属性变量的个数;K为心理潜变量的个数;Tli为选择停车方案i的第l个人信息属性显变量;Smi为选择停车方案i的第m个出行属性变量;Xni为选择停车方案i的第n个停车方式属性显变量;ηki为选择停车方案i的第k个心理潜变量;αli、βmi、λni、γki为待估测的参数。

在计算各变量的固定项函数时,心理潜变量由于无法直接进行测量,则通过结构方程对其参数进行标定,得到各心理潜变量的适配值。在显变量方面,性别、年龄、职业、驾龄、受教育程度、月收入水平、车辆使用频率、是否了解自动代客泊车、是否愿意尝试自动代客泊车、天气、停车时长、出行目的、停车费用、步行距离以及巡航时间根据不同的等级,对其进行赋值;结构模型中的出行总成本按照停车者选择不同的停车方案,代入实际数值进行计算。

本文中分为普通车辆停在停车场、自动代客泊车车辆停在停车场、自动代客泊车车辆停在家中和自动代客泊车车辆空载巡航四种停车方案,分别对其出行总成本进行计算。

图2 混合选择模型框架图Fig.2 Hybrid selection model frames

普通车辆停在停车场成本为

Cg=2tgcr+rg(t-tg)

(2)

式(2)中:Cg为普通停车停在附近停车场总成本;tg为车辆从目的地到普通停车场所用时间;cr为车辆单位时间所消耗的燃油成本;rg为普通停车场单位时间所需的停车费用;t为车辆停车总时间。

自动代客泊车车辆停在停车场成本为

Cp=2tpcr+rp(t-tp)

(3)

式(3)中:Cp为自动代客泊车停在附近停车场总成本;tp为车辆从用户下车点到自动代客泊车停车场所用时间;cr为车辆单位时间所消耗的燃油成本;rp为自动代客泊车停车场单位时间所需的停车费用。

自动代客泊车车辆停在家中成本为

Ch=2thcr

(4)

式(4)中:Ch为车辆停在家中总成本;th为车辆从用户下车点到家中所用时间。

自动代客泊车车辆空载巡航成本为

Cc=tccr

(5)

式(5)中:Cc为车辆空载巡航总成本;tc为车辆空载巡航时间。

3 数据调查

3.1 调查问卷设计

问卷分为个人信息调查、心理潜变量量表信息调查和停车选择行为调查3个部分。其中,在问卷背景中对自动代客泊车技术进行详细介绍,使参与者对自动代客泊车技术有一定的了解。个人信息调查采用RP(revealed preference)调查,收集停车者的个人信息数据;心理潜变量量表信息调查采用李克特5级量表法从“非常不同意”“比较不同意”“一般”“比较同意”“非常同意”进行测量,测量量表如表2所示;停车选择行为调查采用SP(stated preference)调查,其中包括普通停车和自动代客泊车两种方式。对出行天气、出行目的、停车时长、停车费用、步行距离和巡航时间进行场景设计,各属性及水平值如表3所示。借助SPSS软件对各属性进行正交实验设计,获得不同组合。本文排除绝对优势和绝对劣势的场景,最终生成9种场景,每位受访者需在9种不同的场景下进行停车方式的选择。

3.2 数据的描述性统计分析

通过问卷星平台于2022年12月对问卷进行发布,调查区域涉及中国25个省/直辖市。本研究共收集433份问卷,为提高本文收集的数据可信度,剔除答题时间小于180 s的问卷,得到有效问卷384份,问卷有效率88.7%,个人信息统计分析结果如表4所示。

3.3 数据的信度和效度检验

对感知易用性等6个心理潜变量的数据进行信度和效度检验,结果如表5所示。其中各潜变量的Cronbach’s Alpha系数,均大于0.7,删除项后的Cronbach’s Alpha为删除该问题项后对应潜变量的Cronbach’s Alpha,结果表明删除任意一个问题都会降低样本数据的信度,则样本数据信度较高。6个潜变量总体的KMO(Kaiser-Meyer-Olkin)检验值接近0.9,并且每个潜变量KMO检验值均大于0.6,累积方差贡献率达到了75.073%,各测项标准因子荷载在0.6在0.9的范围内,组合信度CR(composite reliability)>0.7,表明该模型效度较高。

表2 潜变量测量量表Table 2 Latent Variable Measurement Scale

表3 属性及水平值Table 3 Properties and level values

表4 样本统计分析结果Table 4 Descriptive statistical analysis of samples

续表4

表5 样本信度与效度检验结果Table 5 Sample reliability and validity test results

4 模型分析

4.1 结构方程模型分析及假设检验

对模型拟合适配指标进行检验,其中卡方/自由度(Chi-square/degree of freedom)为2.917 <3,近似误差均方根(root mean square error of approximation, RMSEA)为0.071<0.08, 绝对拟合优度指数(adjusted goodness-of-fit index, AGFI)为0.874>0.8, 相对拟合指数GFI(goodness-of-fit index)为0.909 >0.8, CFI(comparative fit index)=0.932 >0.8即结构方程模型的各拟合指标值符合参考标准,模型拟合度良好且结构合理。

表6为结构方程模型中各潜变量间路径显著性分析结果,其中路径“感知易用性→感知有用性”“感知易用性→行为态度”“感知有用性→行为态度”“感知风险→信任”“信任→行为意向”“行为态度→行为意向”的显著性水平P<0.05,达到显著要求,且与预测方向一致。从表6中可以看到,信任和行为态度均对行为意向有显著的积极影响,其中行为态度影响程度最大。感知易用性和感知有用性对行为态度产生显著的积极影响,通过行为态度进而间接影响行为意向。

表6 路径显著性分析结果Table 6 Path significance analysis results

结构方程模型中各潜变量间路径关系如图3所示。通过路径显著性分析可知,信任、行为态度、感知易用性和感知有用性对行为意向均产生一定的影响。通过图3中各测项的因子载荷值得到,在感知有用性方面,PU1的因子荷载值最大(0.79),表示停车者对“在车辆自动代客泊车的过程中有更多时间做其他的事情”这一观点越认同,对其行为态度的影响程度越大;在感知易用性方面,PEOU3(0.80)、PEOU1(0.79)影响程度较明显,即停车者越认为理解自动代客泊车的使用机制和学习自动代客泊车软件的使用过程很容易,对其行为态度的影响就越大;在行为态度方面,AT1(0.76)影响程度较明显,停车者对“自动代客泊车是一项好的技术。”这个看法越认同,其行为意愿就越强烈;在信任方面,TR1(0.80)影响程度最大,表明停车者越信任自动代客泊车这个软件,对其行为意向影响程度就越大;在行为意向方面,停车者更倾向于今后推荐亲戚朋友使用自动代客泊车服务SI3(0.76)。

4.2 随机森林分析及变量筛选

随机森林是一种由多棵决策树构成的集成式算法,该算法优势在于稳定性较高,可以处理高维、复杂数据,也可用于评估各变量的重要性[29]。张志刚等[30]基于随机森林建立的CO气体浓度预测模型具有良好的预测精度,并通过变量重要性分析结果表明,测点位置对隧道内CO浓度的影响最大。本文经调试,将决策树分类节点(mtry)设置为7,决策树数目(ntree)设为800,其余参数默认。

通过结构方程模型,得到各心理潜变量的参数值,将心理潜变量与个人信息属性变量、出行属性变量一起作为自变量,来分析出行者的停车选择行为。本文基于随机森林算法,构建包含心理潜变量的随机森林模型和不包含心理潜变量的随机森林模型。为了更好地评估模型性能,本文与决策树算法进行对比,其中包含心理潜变量的模型记为决策树模型①,不包含心理潜变量的模型记为决策树模型②。决策树是一种十分常用的分类和回归的方法,通过预修剪技术来控制树的增长数量,当某节点划分不存在意义,则停止分支[31]。

图3 各潜变量间路径关系及其作用性质Fig.3 The path relationship between the latent variables and its properties

采用ROC (receiver operating characteristic )曲线和AUC(area under curve )值作为评估指标。ROC曲线越接近 1 则代表模型更具有实际意义。当两个模型ROC曲线发生交叉时,则依据ROC曲线下面积对模型进行比较,即AUC值,其取值越接近1代表模型精度越高。

决策树模型①、决策树模型②、随机森林模型①和随机森林模型②的ROC曲线,如图4所示。从图4中,可以看到随机森林模型①的ROC曲线最接近1,更具有实际意义。决策树模型①、决策树模型②、随机森林模型①和随机森林模型②的AUC值分别为0.811、0.828、0.923、0.872,表明随机森林模型①的性能最优,适合进一步分析。在停车选择行为影响因素分析中,考虑心理潜变量的随机森林模型拟合优度更好,表示各心理因素对停车者的停车选择行为产生重要影响。

变量重要程度可以通过平均准确率降低度(mean decrease accuracy, MDA)进行判断,其中MDA值越大则代表该值越重要,随机森林模型①变量排序重要性结果如图5所示。各变量的重要性排序结果从高到低依次为:停车费用、受教育程度、感知风险、出行总成本、行为意向、信任、月收入水平、感知易用性、年龄、巡航时间、职业、驾龄、行为态度、感知有用性、性别、步行时间、是否尝愿意尝试、是否了解自动代客泊车、天气、出行目的、车辆使用频率、停车时长。

图4 ROC曲线对比图Fig.4 ROC curve comparison chart

图5 变量重要性图Fig.5 Variable importance graph

为了保证模型的简洁性,提高模型拟合优度,基于袋外估算误差率对变量进行筛选,从而确定最优模型。袋外估算误差率越小,代表模型精度越高。将变量依据重要性从高到低依次进行随机森林分析,结果表明当变量个数为9时,袋外估算误差率最小,如图6所示。根据变量重要性排序结果,将重要性前9的变量建立逻辑回归模型,依次为停车费用、受教育程度、感知风险、出行总成本、行为意向、信任、月收入水平、感知易用性、年龄。

图6 逐步随机森林分析Fig.6 Stepwise random forest analysis

4.3 逻辑回归分析

逻辑回归是一种广义的线性回归模型,模型简单易操作,具有较强的可解释能力。为增加随机森林模型中自变量对因变量的解释能力,将重要性排序前9的变量进行逻辑回归分析。以选择普通停车方式为效用基础项,对模型进行参数标定。当P>0.05,认为该变量影响不显著,去除模型中不显著变量(感知易用性),模型参数标定及拟合度评价指标结果如表7所示。

由表7的参数标定结果可知:

(1)停车费用、受教育程度、感知风险、出行总成本、行为意向、信任、月收入水平、年龄对停车者的停车选择意向具有显著影响。

表7 参数标定结果Table 7 Parameter calibration results

(2)在个人信息属性方面,受教育程度参数系数为正,说明受教育程度越高,更倾向于选择使用自动代客泊车;月收入水平和年龄参数系数为负,表示月收入水平越高、年龄越年长的人,更倾向于选择普通停车方式。

(3)在出行和停车方式属性方面,出行总成本和停车费用参数系数为负,说明当出行成本越小和停车费用越少时,停车者选择自动代客泊车的概率就越高。

(4)在心理潜变量方面,信任和行为意向参数系数为正,感知风险参数系数为负,说明停车者对于自动代客泊车越信任、行为意向越强烈、感知风险程度越小,更容易选择自动代客泊车。

因此,受教育程度高、年轻的用户选择自动代客泊车的概率将会更高。停车费用和出行总成本为停车者的负向影响因素,则在保证用户体验感的同时,降低用户的出行成本,将会促进更多用户使用自动代客泊车。

5 结论

针对个人信息属性变量、出行属性变量和心理潜变量3个方面对影响自动代客泊车接受度及停车方式选择进行分析,得到以下结论:

停车者的行为意向会受到信任和行为态度的影响,行为态度影响较大,信任次之。感知有用性和感知易用性也会通过行为态度对行为意向产生一定的影响。

考虑心理潜变量的随机森林模型较不考虑心理潜变量的随机森林模型精度更高,拟合优度更好。因此,心理潜变量和个人信息属性、出行属性和停车方式属性等显变量均会对停车选择行为产生重要影响。通过逻辑回归的参数标定结果可知,停车费用、受教育程度、感知风险、出行总成本、行为意向、信任、月收入水平、年龄和感知易用性对停车选择行为产生重要影响。

为了推动自动代客泊车服务的快速发展,首先建议从信任、行为态度等影响用户接受度的角度出发,政府和企业应在自动代客泊车技术知识方面进行宣传,增加用户对自动代客泊车技术的热情;线下组织实车体验活动,增加用户对自动代客泊车技术的信任度。其次,从停车费用和出行总成本角度出发,建议自动代客泊车运营平台完善收费和管理机制,在保证服务质量的前提下降低用户的出行成本,吸引更多用户选择自动代客泊车。

通过问卷调查方式收集了自动代客泊车接受度及停车方式选择情况,并对主要影响因素进行分析,但本文调查的样本数目较少,得到的结果可能存在一定的误差。在未来的研究将可以收集各个地区的样本分别进行分析,探讨各地区影响因素的作用性质是否存在差异,以此寻找关键影响因素。