霍月英^1,2, 郭晨¹, 朱援¹, 冯晨曦¹
1. 内蒙古大学 交通学院, 内蒙古 呼和浩特 010070;
1. 内蒙古大学 数学科学学院, 内蒙古 呼和浩特 010021
收稿日期：2020-11-29
基金项目：国家自然科学基金资助项目(52062039, 51668048); 中国博士后科学基金资助项目(2019M651089)。
作者简介：霍月英(1985-), 女, 内蒙古凉城人, 内蒙古大学副教授, 博士后研究人员。

摘要：为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现：是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或2元/km即不超过目前滴滴拼车的价格使用SAV.
关键词：共享自动驾驶汽车使用意愿有序Logit模型使用频率使用时机态度潜变量
Use Intention Model of Shared Autonomous Vehicles and Its Impact Factors
HUO Yue-ying^1,2, GUO Chen¹, ZHU Yuan¹, FENG Chen-xi¹
1. Transportation Institute, Inner Mongolia University, Hohhot 010070, China;
1. School of Mathematical Science, Inner Mongolia University, Hohhot 010021, China
Corresponding author: GUO Chen, E-mail: guochen@chd.edu.cn.

Abstract: In order to construct the use intention model of shared autonomous vehicles(SAV) and analyze its impact factors, use timing and use frequency were used to reflect the use intention for SAV. The attitude latent variables were converted into scores using confirmatory factor analyses and they were introduced into the traditional ordered Logit model. The method of modeling SAV use intention by using the ordered Logit models was proposed. Taking personal attributes, commuting characteristics and attitude latent variables as explanatory variables, the SAV use intention models were established. The results showed that the factors such as whether or not to use carpooling like Didi, paying parking fees at the work place and autonomous vehicles(AV) attitude have significant impacts on use timing and use frequency at different prices(1, 2 and 3 yuan/km); the groups that use carpooling like Didi, pay parking fees at the work place and support AV tend to use SAV more frequently and earlier in future; the publics expect to use SAV at a price lower than the current price of the carpooling, i.e.1 or 2 yuan/km.
Key words: shared autonomous vehicles(SAV)use intentionordered Logit modeluse frequencyuse timingattitude latent variable
以自动驾驶技术为依托，共享自动驾驶汽车(shared autonomous vehicles，SAV) 的交通新模式正孕育而生.SAV将传统的共享汽车与自动驾驶整合，提供便宜、便利、舒适的按需出行服务，也称为自动驾驶共享汽车，用户通过手机应用向运营商提交用车请求，车队中的一辆SAV来出发点接用户并送至目的地.自动驾驶汽车及其共享模式可显著提升交通效率，改善交通环境，促进可持续交通系统的构建，同时可避免交通事故，降低事故带来的人员伤亡和财产损失，将是解决当前交通拥堵、污染以及事故频发等社会问题的根本出路^[1].世界各国对SAV寄予了巨大的希望，纷纷投入巨资促进其落地应用.技术发展、政策法规、资本市场、公众态度及使用意愿等共同影响SAV的落地应用^[1-3].其中技术发展、政策法规、资本市场反映的是供给侧的影响，公众态度及使用意愿反映的是需求侧的影响.
目前关于公众对自动驾驶汽车及其共享模式使用意愿的研究正逐渐成为学术界与产业界关注的焦点^[4-11].Krueger等^[9]采用混合Logit模型研究了SAV偏好，研究表明：出行时间、等待时间和票价是影响SAV应用的重要因素；年轻人、目前的共享汽车用户更可能选择拼车式的SAV服务；私家车出行者更可能选择独自使用SAV.Bansal等^[10]基于美国德克萨斯州奥斯汀意向调查数据使用有序Probit模型研究了公众对SAV的支付意愿、使用时机、使用频率，研究发现：80%的受访者认为SAV收费不应该高于目前共享汽车的收费；持有驾照的老年人对自动驾驶技术不太感兴趣；驾驶行为越频繁的个体更可能使用自动驾驶汽车，且有更强烈的支付意愿.Haboucha等^[11]研究了传统小汽车、私有自动驾驶汽车及SAV在通勤出行中的偏好，研究表明：公众对于使用自动驾驶汽车还有很大犹豫，44%选择使用传统小汽车；年轻人、高学历人群、目前比较依赖汽车出行的人群未来可能更早地使用自动驾驶汽车；即使SAV完全免费，仅75%的受访者愿意使用其通勤.
目前我国开展了自动驾驶汽车接受度研究，尚未开展SAV使用意愿研究.相关文献采用技术接受模型、信任因果模型、回归分析等方法进行研究，揭示我国公众对自动驾驶汽车有良好的接受态度，信任对于公众接受自动驾驶汽车有积极影响^[12-13].姚荣涵等^[14]采用混合Logit模型研究了出行者对SAV的选择行为，研究发现出行方式特性、性格态度特征显著地影响出行者的方式选择行为.
在自动驾驶时代，公众对SAV的使用意愿体现在使用时机和使用频率的选择上，即是否愿意尽早地使用SAV(使用时机)、是否愿意频繁地使用SAV(使用频率).本文着眼于使用频率和使用时机这两个使用意愿指标，通过对使用频率和使用时机的建模及分析来探究公众的SAV使用意愿及影响因素.研究结果将为政府制定SAV发展政策、企业实施SAV服务提供决策依据.
1 问卷调查及理论方法本文将使用频率分为“最多一个月1次、至少一个月1次(即多于一个月1次，少于一周1次)、至少一周1次(即多于一周1次，但不完全依赖)、完全依赖SAV出行”4个选项；将使用时机分为“绝不使用、当我的朋友中有50%使用后我将使用、当我的朋友中有10%使用后我将使用、只要推广应用我将尽可能早地使用”4个选项.未来SAV使用价格是不确定的，考虑到SAV没有驾驶员的人工成本，使用价格应较低，同时结合出租车及网约车的价格，将SAV使用价格定为1元/km、2元/km、3元/km，调查公众在不同价格下的使用频率选择意愿.公众对新技术及自动驾驶的态度可能会影响其对SAV的使用意愿.公众的技术兴趣、自动驾驶态度是不能观测的潜变量，只能通过显变量来表征，采用的显变量如图 1所示.显变量采用李克特5级量表(非常不同意、有点不同意、中立、基本同意、非常同意) 进行调查.公众的个人属性和通勤特征可能也会影响其对SAV的使用意愿，本文也对其进行了调查.2019年5月开展了网络问卷调查，调查主要面向北京、上海、广州、深圳，1 159位受访者参与了问卷调查，回收到有效问卷864份.
图 1(Fig. 1)

图 1 理论框架Fig.1 Theoretical framework

使用频率和使用时机是有序次的离散型变量，如使用频率“至少一个月1次”高于“最多一个月1次”、使用时机“只要推广应用我将尽可能早地使用”早于“当我的朋友中有10%使用后我将使用”，因此采用有序Logit模型进行研究.技术兴趣、自动驾驶态度是潜变量，采用验证性因子分析研究潜变量并预测潜变量得分，然后将潜变量得分作为构建使用意愿模型的解释变量.因此，本文以个人属性、通勤特征、潜变量得分为解释变量，不同价格时的使用频率和使用时机为反应变量，采用有序Logit模型建模.本文的理论框架如图 1所示.
2 潜变量分析采用验证性因子分析研究技术兴趣和自动驾驶态度与其显变量之间的表征关系并预测潜变量得分，模型为

(1)

式中：y为显变量矩阵；η为技术兴趣、自动驾驶态度；Λ为系数矩阵；δ为误差项.
潜变量分析结果如表 1所示.拟合优度统计量近似误差均方根(RMSEA)、比较拟合指数(CFI)、Tucker-Lewis指数(TLI)、标准化均方根残差值(SRMR) 分别为0.049，0.933，0.914，0.047，而这些指标的评价范围分别为≤0.08，≥0.900，≥0.900，<0.08^[15]，表明模型拟合良好.技术兴趣及自动驾驶态度的每个显变量的P值均小于0.01，且系数均大于0.4，表明选取的显变量可以较好地表征潜变量.然后分别针对技术兴趣和自动驾驶态度，采用所选取的4个显变量预测技术兴趣得分及自动驾驶态度得分.
表 1(Table 1)

表 1 潜变量分析结果Table 1 Analysis results of latent variables 潜变量 显变量 系数 P值 技术兴趣 T1 0.738 0.000 T2 0.707 0.000 T3 0.663 0.000 T4 0.481 0.000 自动驾驶态度 V1 0.582 0.000 V2 0.552 0.000 V3 0.598 0.000 V4 0.550 0.000

表 1 潜变量分析结果 Table 1 Analysis results of latent variables

3 SAV使用意愿模型及分析3.1 SAV使用意愿的有序选择模型构建通过使用频率和使用时机来体现公众对SAV的使用意愿.基于期望效用最大化理论构建使用意愿的效用函数，令连续变量y_i^*表示个体对使用意愿某选项的潜在随机效用.

(2)

式中：x_i为影响选项i潜在随机效用的个人属性、通勤特征、技术兴趣得分和自动驾驶态度得分；在使用频率模型中选项i=1, 2, 3, 4，分别表示最多一个月1次、至少一个月1次、至少一周1次、完全依赖SAV出行；在使用时机模型中选项i=1, 2, 3, 4，分别表示绝不使用、当我的朋友中有50%使用后我将使用、当我的朋友中有10%使用后我将使用、只要推广应用我将尽可能早地使用；β为个人属性、通勤特征、技术兴趣得分和自动驾驶态度得分等解释变量的系数矩阵；ε_i为误差项，服从标准Logistic分布.
y_i^*为一个连续变量，以离散形式y_i表述^[16]：

(3)

式中，r₁，r₂，r₃为划分使用意愿(使用频率、使用时机)不同类别的分界值，r₁<r₂<r₃.
个体选择y_i的概率为

(4)

式中，P(·)为概率函数.
采用极大似然函数法进行系数矩阵β和分界值r₁，r₂，r₃的估计，将式(4)写为

(5)

式中，F(·)为Logistic分布的累积概率分布函数.
基于式(5)推导出SAV使用意愿有序Logit模型的对数似然函数

(6)

式中：L为选择概率的似然函数；N为个体数量；m_i表示选项i是否被选择，若被选择，m_i为1，否则为0.
在分界值的约束条件下最大化对数似然函数，即可求得相应的参数估计值.
3.2 不同价格的SAV使用频率模型按照3.1节中SAV使用意愿模型构建方法，建立使用频率的选择意愿模型，结果如表 2所示.根据P值及系数(P值小于0.1说明变量对使用频率有显著影响；系数为正说明对SAV使用越频繁，系数为负说明对SAV使用越不频繁)，分析使用价格分别为1，2，3元/km时个人属性、通勤特征、技术兴趣、自动驾驶态度对使用频率选择的影响.
表 2(Table 2)

表 2 SAV使用频率模型结果Table 2 SAV use frequency model results 解释变量 条件取值 使用价格 1元/km 2元/km 3元/km 系数 P值 系数 P值 系数 P值 性别(参照类：男) 女 -0.033 0.817 0.213 0.147 0.215 0.203 教育水平(参照类：高中) 专科 0.694 0.041 0.862 0.014 -0.065 0.863 本科及以上 0.516 0.106 0.328 0.327 -0.506 0.060 月收入/元(参照类：少于3 000元) 3 000~5 000 0.068 0.800 0.302 0.286 -0.583 0.076 >5 000~8 000 0.404 0.116 0.051 0.851 -0.002 0.994 >8 000 0.539 0.045 0.135 0.633 -0.314 0.334 驾龄(参照类：无驾驶证) 5年及以下 0.400 0.100 -0.014 0.957 -0.265 0.359 6年及以上 0.255 0.376 0.048 0.874 0.106 0.754 发生的事故数(参照类：0次) 1~3次 0.060 0.703 -0.153 0.346 -0.163 0.377 4~5次 -0.187 0.664 -0.134 0.751 0.415 0.333 6次以上 -0.981 0.542 -0.615 0.710 0.667 0.678 听说过自动驾驶(参照类：否) 是 0.397 0.304 -0.505 0.160 -1.258 0.001 知道汽车ABS是一种自动驾驶技术(参照类：否) 是 0.046 0.755 0.313 0.041 0.402 0.024 听说过共享汽车(参照类：否) 是 0.619 0.004 0.634 0.005 0.046 0.857 使用过滴滴拼车(参照类：否) 是 0.720 0.000 0.289 0.032 0.499 0.036 通勤距离/km(参照类：小于5 km) 5~10 0.123 0.491 0.097 0.601 -0.297 0.160 >10~15 -0.072 0.741 -0.326 0.251 -0.477 0.062 >15 0.274 0.271 0.005 0.985 -0.499 0.095 通勤方式(参照类：公共交通) 私家车 0.131 0.419 0.076 0.651 0.400 0.308 自行车或步行 0.031 0.904 -0.031 0.910 0.203 0.512 其他 -0.419 0.551 -0.573 0.416 0.496 0.566 工作单位停车费/元(参照类：0元) 1~5 -0.005 0.981 0.680 0.002 0.887 0.000 >5~10 0.183 0.352 0.603 0.003 1.002 0.000 >10元 0.461 0.047 0.902 0.000 1.108 0.000 在工作单位寻找车位时间/min 5~10 0.249 0.035 0.144 0.402 0.028 0.886 (参照类：小于5 min) >10 -0.273 0.279 -0.107 0.689 -0.242 0.421 在工作单位从车位到办公室的步行 5~10 -0.026 0.871 -0.025 0.878 0.107 0.566 时间/min(参照类：小于5 min) >10 -0.612 0.034 -0.285 0.356 0.167 0.617 技术兴趣 — 0.092 0.617 0.467 0.015 0.452 0.037 自动驾驶态度 — 1.482 0.000 1.390 0.000 0.700 0.026 注：表中黑体表示对使用频率有显著影响的变量.

表 2 SAV使用频率模型结果 Table 2 SAV use frequency model results

在价格为1元/km的使用频率选择意愿模型中，分界值r₁，r₂，r₃分别为1.095，2.781，4.870.①对于个人属性，性别、驾龄、发生的事故数、听说过自动驾驶、知道汽车ABS是一种自动驾驶技术等对SAV使用频率没有显著影响；教育水平、月收入、听说过共享汽车、使用过滴滴拼车等对SAV使用频率有显著影响.教育水平为专科(P=0.041，系数为0.694) 与高中的SAV使用频率有显著差异且他们对SAV的使用频率将更高；月收入8 000元以上(P=0.045，系数为0.539) 与少于3 000元的SAV使用频率有显著差异且他们更倾向于依赖SAV出行；听说过共享汽车(P=0.004，系数为0.619) 与没有听说过的SAV使用频率有显著差异且他们对SAV的使用将更加频繁；使用过滴滴拼车(P=0.000，系数为0.720) 与没有使用过的SAV使用频率有显著差异且他们对SAV的使用频率将更高.②对于通勤特征，通勤距离、通勤方式对SAV使用频率没有显著影响；工作单位停车费、在工作单位寻找车位时间、在工作单位从车位到办公室的步行时间对SAV使用频率有显著影响.工作单位停车费10元以上(P=0.047，系数为0.461) 与没有停车费的SAV使用频率有显著差异且他们对SAV的使用频率将更高；在工作单位寻找车位时间5~10 min(P=0.035，系数为0.249) 与小于5 min的SAV使用频率有显著差异且他们将更频繁地使用SAV出行；在工作单位从车位到办公室的步行时间10 min以上(P=0.034，系数为-0.612) 与小于5 min的SAV使用频率有显著差异且他们未来对SAV的使用频率较低，这可能由于在现代快节奏生活中人们珍惜少有的步行机会，想保留更多的步行时间来强身健体.③对于态度潜变量，技术兴趣对SAV使用频率没有显著影响，自动驾驶态度(P=0.000，系数为1.482) 对SAV使用频率有显著影响且越支持自动驾驶的个体越倾向于依赖SAV出行.总体来说，当SAV使用价格为1元/km时，教育水平、月收入、听说过共享汽车、使用过滴滴拼车、工作单位停车费、在工作单位寻找车位时间、在工作单位从车位到办公室的步行时间、自动驾驶态度等对SAV使用频率有显著影响；专科学历者、月收入8 000元以上群体、听说过共享汽车及使用过滴滴拼车的群体、工作单位停车费10元以上群体、在工作单位寻找车位时间5~10 min的群体、支持自动驾驶群体未来对SAV的使用频率更高，更倾向于依赖SAV出行.
在价格为2元/km的使用频率选择意愿模型中，分界值r₁，r₂，r₃分别为0.758，2.702，5.325.①对于个人属性，教育水平、知道汽车ABS是一种自动驾驶技术、听说过共享汽车、使用过滴滴拼车对SAV使用频率有显著影响.教育水平为专科(P=0.014，系数为0.862) 与高中的SAV使用频率有显著差异且他们对SAV的使用频率将更高；知道汽车ABS是一种自动驾驶技术(P=0.041，系数为0.313) 与不知道的SAV使用频率有显著差异且他们将更频繁地使用SAV；听说过共享汽车(P=0.005，系数为0.634) 与没听说过的SAV使用频率有显著差异且他们更倾向于依赖SAV出行；使用过滴滴拼车(P=0.032，系数为0.289) 与没有使用过的SAV使用频率有差异且他们对SAV的使用将更频繁.②对于通勤特征，工作单位停车费对2元/km的SAV使用频率有显著影响.工作单位停车费1~5元(P=0.002，系数为0.680)、>5~10元(P=0.003，系数为0.603)、>10元(P=0.000，系数为0.902) 与没有停车费的SAV使用频率有显著差异且他们更倾向于依赖SAV出行.③对于态度潜变量，技术兴趣(P=0.015，系数为0.467)、自动驾驶态度(P=0.000，系数为1.390) 对2元/km的SAV使用频率有显著影响，对技术越感兴趣的群体、越支持自动驾驶的群体越倾向于使用SAV出行.总体来说，当SAV使用价格为2元/km时，教育水平、知道汽车ABS是一种自动驾驶技术、听说过共享汽车、使用过滴滴拼车、工作单位停车费、技术兴趣、自动驾驶态度对SAV使用频率有显著影响；专科学历者、知道汽车ABS是一种自动驾驶技术、听说过共享汽车、使用过滴滴拼车、工作单位收取停车费、对技术感兴趣、支持自动驾驶的群体未来对SAV的使用频率更高.
在价格为3元/km的使用频率选择意愿模型中，分界值r₁，r₂，r₃分别为0.240，1.731，3.799.①对于个人属性，教育水平、月收入、听说过自动驾驶、知道汽车ABS是一种自动驾驶技术、使用过滴滴拼车对SAV使用频率有显著影响.本科及以上群体(P=0.060，系数为-0.506)、月收入3 000~5 000元群体(P=0.076，系数为-0.583) 的系数为负值，说明未来对3元/km的SAV使用频率较低，价格为1，2元/km时这两个变量的系数均为正值，意味着此情景下他们对SAV使用频率较高，说明这两类群体期望以1元/km或2元/km的价格使用SAV，不能接受3元/km的价格；听说过自动驾驶的人员(P=0.001，系数为-1.258) 未来将不经常使用SAV，2元/km时此类人群也倾向于不经常使用SAV，但价格为1元/km时该变量的系数为正值，意味着此时他们将经常使用SAV，说明听说过自动驾驶的人员受自动驾驶高效、便宜的宣传影响，期望以较低的如1元/km的价格使用SAV；知道汽车ABS是一种自动驾驶技术(P=0.024，系数为0.402) 及使用过滴滴拼车(P=0.036，系数为0.499) 的群体未来将更加依赖SAV出行.②对于通勤特征，通勤距离、工作单位停车费对3元/km时的SAV使用频率有显著影响.通勤距离大于10 km的群体(>10~15 km，P=0.062，系数为-0.477；>15 km，P=0.095，系数为-0.499) 系数为负值，说明未来他们对3元/km的SAV使用频率较低，3元/km使得通勤成本随着通勤距离的增加成3倍增长，他们无法接受这么高的通勤成本而选择低频率使用，当价格为1元/km和2元/km时该变量对SAV使用频率没有显著影响，可见此类群体对3元/km的使用价格很敏感，因此通勤距离大于10 km的群体也希望以1元/km或2元/km的价格使用SAV，无法接受3元/km的价格^①；工作单位收取停车费的群体(1~5元，P=0.000，系数为0.887；>5~10元，P=0.000，系数为1.002；>10元，P=0.000，系数为1.108) 未来将更加频繁地使用SAV出行.③对于态度潜变量，技术兴趣(P=0.037，系数为0.452) 和自动驾驶态度(P=0.026，系数为0.700) 对价格3元/km的SAV使用频率有显著影响，对技术越感兴趣的群体、越支持自动驾驶的群体未来越倾向于依赖SAV出行.总体来说，当SAV使用价格为3元/km时，教育水平、月收入、听说过自动驾驶、知道汽车ABS是一种自动驾驶技术、使用过滴滴拼车、通勤距离、工作单位停车费、技术兴趣、自动驾驶态度对SAV使用频率有显著影响；知道汽车ABS是一种自动驾驶技术、使用过滴滴拼车、工作单位收取停车费、对技术感兴趣、支持自动驾驶的群体未来更倾向于使用SAV出行.
① 本文对有显著影响的变量进行分析得出这一结论.对于通勤距离小于10 km群体的SAV使用频率意愿，本文无法获知.
对比使用价格1，2，3元/km的使用频率发现，教育水平、使用过滴滴拼车、工作单位停车费、自动驾驶态度对3种价格方案下的使用频率均有显著影响；使用过滴滴拼车的群体、工作单位收取停车费的群体、支持自动驾驶的群体在3种价格方案下对SAV使用频率均较高，均倾向于频繁使用SAV出行；有些变量如教育水平、月收入、通勤距离在价格1，2元/km的使用频率模型中系数为正值，在价格3元/km的使用频率模型中系数为负值，系数由正值变为负值说明使用频率的选择意愿由频繁使用转变为不频繁使用，可见总体来说公众期望以1元/km或2元/km的价格使用SAV，不能接受3元/km的价格.调查不同价格的SAV使用频率时告知受访者出租车的价格为1.5~2.8元/km、滴滴拼车的价格为1.1~1.9元/km、共享汽车的价格为1.8~3.0元/km，可见，公众期望以不超过滴滴拼车的价格使用SAV.
3.3 SAV使用时机模型根据3.1节中SAV使用意愿模型构建方法，建立使用时机的选择意愿模型，分界值r₁，r₂，r₃分别为-3.195，0.197，0.906，模型结果如表 3所示.根据P值及系数(P值小于0.1说明变量对SAV使用时机有显著影响；系数为正说明越倾向于尽早地使用SAV，系数为负说明倾向于较晚地使用SAV)，分析个人属性、通勤特征、技术兴趣、自动驾驶态度对使用时机选择的影响.
表 3(Table 3)

表 3 SAV使用时机模型结果Table 3 SAV use timing model results 解释变量 条件取值 系数 P值 性别(参照类：男) 女 0.175 0.242 教育水平(参照类：高中) 专科 -0.152 0.686 本科及以上 -0.300 0.400 月收入/元(参照类：小于3 000元) 3 000~5 000 0.071 0.805 >5 000~8 000 0.294 0.289 >8 000 -0.098 0.733 驾龄(参照类：无驾驶证) 5年及以下 0.194 0.444 6年及以上 -0.008 0.980 发生的事故数(参照类：0次) 1~3次 -0.016 0.922 4~5次 -0.449 0.289 6次以上 1.200 0.428 听说过自动驾驶(参照类：否) 是 0.073 0.842 知道ABS是一种自动驾驶技术(参照类：否) 是 0.090 0.556 听说过共享汽车(参照类：否) 是 0.572 0.014 使用过滴滴拼车(参照类：否) 是 0.460 0.018 通勤距离/km(参照类：小于5 km) 5~10 -0.409 0.035 >10~15 -0.459 0.047 >15 -0.599 0.023 通勤方式(参照类：公共交通) 私家车 -0.146 0.393 自行车或步行 -0.450 0.008 其他 1.227 0.111 工作单位停车费/元(参照类：0元) 1~5 -0.099 0.665 >5~10 0.095 0.651 >10 0.658 0.007 在工作单位寻找车位时间/min(参照类：小于5 min) 5~10 -0.234 0.288 >10 0.038 0.887 在工作单位从车位到办公室的步行时间/min(参照类：小于5 min) 5~10 -0.228 0.056 >10 -0.468 0.030 技术兴趣 — 0.481 0.012 自动驾驶态度 — 1.240 0.000 注：表中黑体用以强调对使用时机有显著影响的变量.

表 3 SAV使用时机模型结果 Table 3 SAV use timing model results

① 对于个人属性，听说过共享汽车、使用过滴滴拼车对SAV使用时机有显著影响.听说过共享汽车(P=0.014) 与没有听说过的SAV使用时机有显著差异且他们将更早地使用SAV；使用过滴滴拼车(P=0.018) 与没有使用过的SAV使用时机有显著差异且他们将更及时地使用SAV.②对于通勤特征，通勤距离、通勤方式、工作单位停车费、工作单位从车位到办公室的步行时间等对SAV使用时机有显著影响.通勤距离5~10 km(P=0.035)，>10~15 km(P=0.047)，>15 km(P=0.023) 与小于5 km的SAV使用时机有显著差异，他们将较晚使用SAV，对SAV的使用更加依赖朋友的选择，即在部分朋友使用后才使用，这可能由于人们不够信任自动驾驶汽车的安全性，长距离乘坐没有安全感，在身边朋友使用后才能逐步建立起使用SAV的信心；通勤方式中自行车或步行(P=0.008) 与公共交通的SAV使用时机有差异且他们将比公交通勤者较晚使用SAV，这可能是由于以自行车或步行通勤的人们一般是热爱慢行交通的人，即使在自动驾驶时代，他们仍然热衷于以慢行交通完成出行；工作单位停车费>10元(P=0.007) 与没有停车费的SAV使用时机有显著差异，他们将尽可能早地使用SAV；工作单位从车位到办公室的步行时间5~10 min(P=0.056)，>10 min(P=0.030) 与小于5 min的SAV使用时机有显著差异，他们将较晚使用SAV，对SAV的使用受朋友的影响，这可能由于现代社会生活节奏快，人们珍惜少有的步行机会，想保留更多的步行时间以锻炼身体.③对于态度潜变量，技术兴趣(P=0.012) 对SAV使用时机有显著影响，对技术越感兴趣越倾向于更早地使用SAV；自动驾驶态度(P=0.000) 对SAV使用时机有显著影响，越支持自动驾驶越倾向于更早地使用SAV.总体来说，听说过共享汽车、使用过滴滴拼车、通勤距离、通勤方式、工作单位停车费、在工作单位从车位到办公室的步行时间、技术兴趣、自动驾驶态度对SAV使用时机有显著影响.听说过共享汽车、使用过滴滴拼车、在工作单位需缴纳10元以上停车费、对技术感兴趣、支持自动驾驶的群体未来将更早地使用SAV；通勤距离大于5 km、工作单位从车位到办公室的步行时间大于5 min的群体未来将较晚使用SAV，他们对SAV的使用容易受朋友的影响，即在部分朋友使用后将使用.
4 结论1) 本文采用验证性因子分析将态度潜变量引入到传统的有序Logit模型中，在选择行为建模中考虑主观心理因素，提出了SAV使用意愿的有序选择模型构建方法.
2) 教育水平、使用过滴滴拼车、工作单位停车费、自动驾驶态度对3种价格方案(1，2，3元/km) 下的SAV使用频率均有显著影响.
3) 听说过共享汽车、使用过滴滴拼车、通勤距离、通勤方式、工作单位停车费、技术兴趣、自动驾驶态度对SAV使用时机有显著影响.
4) 使用过滴滴拼车的群体、工作单位收取停车费的群体、支持自动驾驶的群体在3种价格方案(1，2，3元/km) 下均倾向于频繁地使用SAV出行，且将更早地使用SAV出行.
5) 总体来说公众期望以1元/km或2元/km即不超过目前滴滴拼车的价格使用SAV，不能接受3元/km的价格.
参考文献

[1]	杨洁, 沈梦洁. 中国自动驾驶汽车消费市场接受度调查[J]. 长安大学学报(社会科学版), 2017, 19(6): 34-42. (Yang Jie, Shen Meng-jie. Investigation of consumer market acceptance of automated vehicles in China[J]. Journal of Chang'an University(Social Science Edition), 2017, 19(6): 34-42. DOI:10.3969/j.issn.1671-6248.2017.06.005)
[2]	Payre W, Cestac J, Delhomme P. Intention to use a fully automated car: attitudes and a priori acceptability[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2014, 27: 252-263.
[3]	Dia H, Javanshour F. Autonomous shared mobility-on-demand: Melbourne pilot simulation study[J]. Transportation Research Procedia, 2017, 22: 285-296. DOI:10.1016/j.trpro.2017.03.035
[4]	Shin J, Bhat C R, You D, et al. Consumer preferences and willingness to pay for advanced vehicle technology options and fuel types[J]. Transportation Research Part C: Emerging Technologies, 2015, 60: 511-524. DOI:10.1016/j.trc.2015.10.003
[5]	Kyriakidis M, Happee R, De Winter J C F. Public opinion on automated driving: results of an international questionnaire among 5000 respondents[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2015, 32: 127-140.
[6]	Yap M D, Correia G, Van Arem B. Preferences of travellers for using automated vehicles as last mile public transport of multimodal train trips[J]. Transportation Research Part A: Policy and Practice, 2016, 94: 1-16.
[7]	Lu Z, Du R, Dunham-Jones E, et al. Data-enabled public preferences inform integration of autonomous vehicles with transit-oriented development in Atlanta[J]. Cities, 2017, 63: 118-127. DOI:10.1016/j.cities.2017.01.004
[8]	Shen Y, Zhang H M, Zhao J H. Integrating shared autonomous vehicle in public transportation system: a supply-side simulation of the first-mile service in Singapore[J]. Transportation Research Part A: Policy and Practice, 2018, 113: 125-136.
[9]	Krueger R, Rashidi T H, Rose J M. Preferences for shared autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2016, 69: 343-355.
[10]	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: 1-14.
[11]	Haboucha C J, Ishaq R, Shiftan Y. User preferences regarding autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2017, 78: 37-49.
[12]	黄位. 基于计划行为理论和技术接受模型的自动驾驶汽车接受度研究[D]. 镇江: 江苏大学, 2019. (Huang Wei. Research on the acceptance of fully autonomous vehicle based on theory of planned behavior and technology acceptance model[D]. Zhenjiang: Jiangsu University, 2019. )
[13]	Liu P, Guo Q R, Ren F, et al. Willingness to pay for self-driving vehicles: infiuences of demographic and psychological factors[J]. Transportation Research Part C: Emerging Technologies, 2019, 100: 306-317.
[14]	姚荣涵, 梁亚林, 刘锴, 等. 考虑合乘的共享自动驾驶汽车选择行为实证分析[J]. 交通运输系统工程与信息, 2020, 20(1): 228-233. (Yao Rong-han, Liang Ya-lin, Liu Kai, et al. Empirical analysis of choice behavior for shared autonomous vehicles with concern of ride-sharing[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 228-233.)
[15]	Wang J C, Wang X Q. Structural equation modeling: applications using Mplus[M]. New York: John Wiley & Sons Inc, 2012.
[16]	Hosmer D W, Lemeshow S. Applied logistic regression[M]. 2nd ed. New York: John Wiley & Sons Inc, 2000.