宋 臻, 彭金栓, 孫齡波, 張 磊

(重慶交通大學 交通運輸學院,重慶 400074)

汽車是人們的重要出行工具,自動駕駛作為汽車產業(yè)信息化、綠色化、智能化發(fā)展的重要載體,可以為人們提供安全、環(huán)保、便捷、舒適的出行,公共交通作為城市居民的重要出行手段,為居民出行提供了極大的便利。自動駕駛巴士作為兩者的結合產物,將繼承其優(yōu)點,在未來有著廣闊的發(fā)展前景。

隨著2018年第二屆百度AI開發(fā)者大會的召開,百度與金龍客車合作生產的全球首款L4級量產自動駕駛巴士“阿波龍”正式量產下線[1]。伴隨著2019年移動5G技術的普及,宇通自動駕駛巴士正式試運用[2]。自動駕駛巴士在中國市場的投入使用也提上了議程。但是在技術突破的同時,消費者對自動駕駛巴士的接受程度、信任度也將影響著自動駕駛巴士的投入使用,因此調查消費者對自動駕駛巴士的信任程度具有重要意義。

自動駕駛的研究領域較為廣泛,多個學者的研究涉及接受度的調查。針對調查方式的運用,文獻[3]應用汽車技術驗收模型來了解采用和使用情況,對德克薩斯州奧斯汀市556名居民進行在線訪問,針對特定人群進行回訪確認。為了解大眾對于自動駕駛車輛的接受度以及使用和購買意向,文獻[4]進行了基于問卷調查的描述性統(tǒng)計分析。為使接受程度變得多維化,文獻[5]著眼于無人駕駛汽車車內使用用戶和車外觀望用戶,將技術接受和使用的統(tǒng)一理論和愉悅-喚醒-主導框架聯(lián)系起來開發(fā)了一個概念模型。針對自動駕駛對使用者的影響因素的研究,文獻[6]從乘客心理角度出發(fā)結合駕駛時的感知有用性、感知易用性、與SDV相關的信任和感知安全性4個因素建立了一個心理學模型來研究自動駕駛汽車直接體驗的影響因素;而文獻[7]從心理學等理論科學的角度搭建基于用戶心理的無人駕駛信任度的研究模型。為調查采用共享自主汽車服務用戶的特征,文獻[8]運用logit模型進行了陳述選擇調查和分析,并通過引出服務屬性的支付意愿度量,進一步研究共享自主汽車對旅游行為的影響；文獻[9]為了調查在中國地區(qū)的智能駕駛接受度,將廣州設為調查地點,發(fā)放相關調查問卷,對調查對象進行描述性統(tǒng)計分析,并運用多重響應和Pearson相關性分析對智能駕駛和個人信息進行關聯(lián)。

在現(xiàn)有的關于自動駕駛接受度的研究中,描述性統(tǒng)計分析所占的比率較高,但缺少相關理論和數(shù)學模型的支持,而且自動駕駛巴士信任度問題也涉及很多心理影響因素。因此在進行對自動駕駛巴士信任度研究中,采用問卷調查的形式進行數(shù)據(jù)采集,著眼于自動駕駛巴士的潛在用戶,從乘客用戶心理出發(fā),結合結構方程模型的理論,并運用其數(shù)學模型來探索影響乘客信任度的關鍵性因素。

1 結構方程模型

結構方程模型(structural equation modeling,SEM)是一種廣泛使用的線性統(tǒng)計建模技術,通常運用于社會學、心理學、經濟學等領域[10]。

(1) 模型構建。模型構建首先要確立預設模型中的測量模型和結構模型。SEM[10]包括測量模型和結構模型 2個模型。其中顯變量即觀測變量和潛在變量之間的關系用測量模型來反映,潛在變量與潛在變量之間的關系用結構模型來反映。

測量模型是運用觀測變量與潛在變量之間的關系來構建潛變量的模型。具體形式如下:

x=Λxξ+δ

(1)

y=Λyη+ε

(2)

其中:x為外生標識;Λx為連接x變量對ξ變量的因子荷載矩陣;ξ為外生潛變量;δ為x的測量誤差;y為內生標識;Λy為連接y變量對η變量的因子荷載矩陣;η為內生潛變量;ε為y的測量誤差。

頸部富血供包塊一般包括炎性腫塊、腫瘤、先天性疾病以及甲狀腺病變等幾種不同病因導致的疾病。對頸部富血供包塊患者可以采用CT與MRI掃描診斷[1]。

結構模型反映的是不可直接測量的潛在變量之間的關系,具體形式如下:

η=Bη+Γξ+ζ

(3)

其中:η為內生潛變量;B為內生潛變量之間的關系;Γ為外生潛變量對內生潛變量的影響;ξ為外生潛變量;ζ為方程中的干擾項。

(2) 模型識別與模型估計。模型的識別和模型的估計為模型建立的可行性分析提供依據(jù)。在進行模型識別和估計過程中,需要對模型的參數(shù)進行估計,來檢驗已有設計的模型是否符合實際情況,通常運用的估計方法為極大似然法。

(3) 模型評價。初步得到擬合的模型之后,需要對擬合的模型進行評價,來檢測模型的擬合程度。常用的擬合指數(shù)標準見表1所列。

表1 常用的擬合指數(shù)標準

表1中:CMIN/DF為卡方自由度比；CFI為比較擬合指數(shù)；GFI為擬合度指數(shù)；AGFI為調整后擬合度指數(shù)；RMR為殘差均方根;RMSEA為近似誤差均方根。

(4) 模型修正。如果在進行模型評價時,出現(xiàn)不符合擬合標準或模型的適配度欠佳的情況,那么就需要對模型進行修正。在不斷評價和修正的過程中,將其修正成可接受的結果。

2 乘客信任度結構方程模型

構建的模型是在高度自動與完全自動駕駛汽車的公眾接受度研究[11]基礎上,加入一些不可直接測量的潛在變量,采用李克特的5點量表法表示潛變量的測度。分析各個變量之間的關系以及對選擇結構的影響,結合2019年潛在用戶對自動駕駛巴士信任度進行調查,并根據(jù)調查數(shù)據(jù)結果進行探索性因子分析。

2.1 模型變量

模型以乘客信任度作為研究目標。文獻[11]指出智能駕駛在乘客接受度應該考慮智能駕駛的安全性、乘坐的便捷性、使用時的環(huán)保性和推廣后的經濟性。因此本文提出乘客的信任度是因變量即內生潛變量,經濟環(huán)保性、便捷性和安全性是自變量即外生潛變量,探索自變量和因變量之間的關系,建立結構模型,如圖1所示。

圖1 自動駕駛巴士信任度模型結構

經濟環(huán)保性、便捷性、安全性和乘客信任度均為不可直接觀測的潛在變量,需要找到能夠表現(xiàn)它們特征的觀測變量,建立相關的測量模型。文獻[12]指出最能直觀體現(xiàn)經濟環(huán)保性的是節(jié)能減排和乘坐成本,直觀表現(xiàn)便捷性的是乘坐時間。因此本文用A1、A2、A3觀測變量從節(jié)能減排、降低成本方面建立與經濟環(huán)保性的關系;用B1、B2、B3觀測變量從提供更便捷、更方便、更快速的角度建立與便捷性的關系。在安全性觀測變量的確定上,文獻[13]表明自動駕駛汽車的安全應該包括硬件設施安全、軟件的系統(tǒng)安全和法律責任規(guī)范等方面。因此本文用C1、C2、C3、C4、C5觀測變量分別在降低事故率、硬件設施安全、軟件系統(tǒng)安全和法律規(guī)定安全等方面建立與安全性的關系。C1表示降低自動駕駛事故率，其感知收益類變量直接表示自動駕駛巴士安全性;C2表示擔心出現(xiàn)設備或系統(tǒng)故障；C3表示擔心司機或乘客的法律責任問題；C4表示擔心自動駕駛系統(tǒng)被黑客攻擊；C5表示擔心自動駕駛巴士的乘客隱私被泄漏，這些是感知風險類變量,間接表示自動駕駛巴士的安全性。通過直接收益與間接風險相結合共同表示自動駕駛巴士的安全性。由于感知風險類變量與感知收益類變量表現(xiàn)出的情感傾向相反,因此統(tǒng)一將感知風險類變量數(shù)據(jù)轉化為感知收益類變量數(shù)據(jù),以便進行相關假設研究。本文從行動力的角度用T1、T2、T3觀測變量建立與乘客信任度的關系。模型變量描述見表2所列。

表2 模型變量描述

2.2 模型構建

根據(jù)自動駕駛巴士信任度的影響因素構建模型結構,提出以下假設。

H1:自動駕駛巴士的經濟環(huán)保性對乘客的信任度存在著正向影響。

H2:自動駕駛巴士的便捷性對乘客的信任度存在著正向影響。

H3:自動駕駛巴士的安全性對乘客的信任度存在著正向影響。

2.3 數(shù)據(jù)分析

為檢驗各個因素數(shù)據(jù)來源的可靠程度,利用SPSS 25.0軟件對數(shù)據(jù)進行探索性因子分析。探索性因子分析主要采用的是主成份分析法,KMO 取樣適切性量數(shù)為0.843,檢測結果見表3所列,KMO>0.8且顯著性為0.000滿足檢驗標準。在主成分分析的過程中提取其中特征值大于1的因素,其中有3個因素大于1,累積解釋方差為60.77%。各個因素的信度檢驗結果見表4所列,其3個指標的克隆巴赫系數(shù)(Alpha)均大于0.7,信度較高。正交旋轉后的因子載荷矩陣見表5所列,各指標的載荷均大于0.5,其中因素1代表經濟環(huán)保性,因素2代表便捷性,因素3代表安全性,指標的效度較好。

表3 KMO和巴特利特檢驗結果

表4 信度檢驗結果

表5 旋轉后因子載荷矩陣

3 實例分析

以自動駕駛巴士的潛在用戶為研究對象,在初始問卷的設計基礎上,通過預收集對問卷項目進行純化及信效度檢驗,從而得到最終問卷402份。通過剔除不認真填答的樣本,問題連續(xù)選擇極端值超過4個的樣本,問卷填寫缺失值個數(shù)大于3個的樣本,得到有效樣本數(shù)量為367份,有效回收率為91.29%。模型中觀測變量的個數(shù)為14個,分別用符號A、B、C、T表示,對原始模型進行評價并采用MI修正法對模型進行簡單修正,得到最終的檢測指標,結果見表6所列,其數(shù)值均符合使用標準。表6中:χ2為卡方擬合指數(shù)；df為自由度;χ2/df為卡方自由度比。模型計算結果如圖2所示,模型結構有效。

表6 模型適配度檢驗結果

圖2 模型計算結果

3.1 計算結果

利用AMOS 24.0軟件,選擇極大似然法的估計方法對該模型進行計算,得到模型的標準化系數(shù)值和各個變量之間的影響標準化系數(shù)，見表7、表8所列。

表7 標準化系數(shù)值分析

表8 變量之間的影響標準化系數(shù)

從表7可以看出,其P值均小于0.05,說明原結構方程模型的假設成立。根據(jù)表8中潛變量的影響標準化系數(shù)顯示,安全性對乘客信任度標準系數(shù)為0.373,便捷性對乘客信任度標準化系數(shù)為0.322,經濟環(huán)保性對乘客信任度標準化系數(shù)為0.161。數(shù)據(jù)顯示安全性在乘客信任度指標中最高,其次是便捷性,最后是經濟環(huán)保性,實驗結果和實際情況相符合。根據(jù)表8的觀測變量對潛變量的影響標準化系數(shù)顯示,對經濟環(huán)保性影響最大的是能源利用效率,對便捷性影響最大的是服務的方便程度,而對安全性影響最直觀的是事故數(shù)量。其中技術安全是影響安全性的主要因素,包括硬件設施和軟件工程等方面的技術安全。

3.2 群體特征分析研究

根據(jù)統(tǒng)計結果,從性別構成上來看,調查對象劃分為男性調查者和女性調查者,男性調查者有212人,占57.77%;女性調查者有155人,占42.23%。從年齡上來看,調查對象可劃分為青年和中老年,40歲以下年齡段占54.23%。從職業(yè)分類上來看,調查對象可劃分為學生和上班族,學生有55人,占14.99%;其他職業(yè)有312人,占85.01%。乘坐巴士每周5次以上的調查對象有39人,乘坐巴士每周3～5次的調查對象有28人,總共占18.26%;乘坐巴士每周1～2次的調查對象有51人,乘坐巴士每月1～3次的調查對象有62人和乘坐巴士每年1～11次的調查對象有187人,共占81.74%,可分為經常乘坐巴士群體和不經常乘坐巴士群體。分群研究路徑系數(shù)結果見表9所列。

表9 分群研究路徑系數(shù)結果

研究結果表明:

(1) 安全性對乘客信任度的正向影響在任何群體里都顯著存在,但不同群體中的安全性對乘客信任度的影響程度不同。上班族群體最高而不常坐公交群體最低。這是因為對于經常接觸公交的上班族來說,公交安全性的高低直接關系著他們的生命財產安全,而對于不常坐公交群體來說,不與公交做直接接觸,安全性影響程度就不明顯。因此在自動駕駛巴士投入使用的過程中,確保自動駕駛巴士場站安全,自動駕駛巴士的行車安全、車內設施安全、車內隱私安全和自動駕駛巴士硬件設施安全就顯得格外重要,同時自動駕駛巴士安全責任法律規(guī)范也需要逐步建立和完善。

(2) 在各個群體中對便捷性重視程度最高的是上班族群體。在實際生活中,上班族群體在上班期間對時間的要求較高,對公交的便捷程度就比較重視。因此在進行組織線路規(guī)劃時應該注重的是整個公共交通系統(tǒng)的便捷性,企業(yè)與政府相互協(xié)調,讓自動駕駛巴士與其他運輸方式高度結合。比如自動駕駛巴士與軌道交通結合,實現(xiàn)“零損失”換乘,并提供更清晰的服務標識,會提高整個公共交通系統(tǒng)的運行速度。

4 結 論

本文從影響乘客信任度的角度出發(fā),把握潛變量和顯變量的相關關系,分析了自動駕駛巴士乘客信任度的可直接觀測變量和不可直接觀測變量,建立了乘客信任度結構方程模型,分析各個影響因素之間的相關關系和對信任度的影響程度。通過實例分析,對模型的信度進行了檢驗并計算了模型適配度和各個變量之間的影響標準化系數(shù),并根據(jù)分群研究路徑系數(shù)對模型結果進行分析,得出以下結論:

(1) 安全性和便捷性是影響乘客信任度的最主要的2個因素,其中技術安全是影響安全性的主要因素,包括硬件基礎設施和軟件安全工程,而影響便捷性的主要因素是服務的方便程度。

(2) 不同群體所選擇因素的影響程度也不同,但在不同群體中安全性對乘客信任度的正向影響都顯著存在,同時上班族群體對便捷性的重視程度最高。故確保自動駕駛巴士場站安全,自動駕駛巴士的行車安全、車內設施安全、車內隱私安全和自動駕駛巴士硬件設施安全,并同時逐步建立和完善自動駕駛巴士安全責任法律規(guī)范對提高乘客信任度有著顯著積極作用。更清晰的自動駕駛巴士服務導向標識會帶來更便捷的交通,提高上班族對自動駕駛巴士的選擇率。

(3) 在現(xiàn)行研究的情況下,自動駕駛巴士還未普及使用,研究對象也只是自動駕駛巴士潛在用戶。但隨著科技的進步、社會的發(fā)展,自動駕駛巴士將逐漸進入人們生活,影響自動駕駛巴士信任程度的因素也會發(fā)生改變,未來需要進一步的研究。