自动驾驶汽车时代日常行程安排的变化:揭开低调查参与度背后的异质性
本论文是一篇布鲁塞尔大学和代尔夫特理工大学2024年合作发表在《Transportation Research Part A》上利用潜在类别模型识别自动驾驶情景下的日程变化类型的文章，题目为《Daily schedule changes in the automated vehicle era: Uncovering the heterogeneity behind the veil of low survey commitment》。关键词：活动转移、出行时间使用、车上活动、潜在类别分类模型摘要
自动驾驶汽车（AV）的影响，可能不只是“出行更轻松”，还可能重塑个体一整天的活动—出行安排。本文基于一项交互式陈述性活动—出行调查，采用三步潜在类别模型（3-step latent class model）识别自动驾驶情境下的日程变化类型。研究发现：表面上多数受访者似乎“几乎不改变日程”，但这部分结果与较低的问卷投入度显著相关；在更高投入的样本中，存在明显异质性，有的人倾向于把工作转移到车上，有的人更倾向于把休闲活动转移到车上，还有一部分人会在车上增加多种活动。研究说明，自动驾驶的影响并不能简单理解为“出行增加”，而更可能表现为活动转移、时长重组和出发时间调整。导读
传统研究常用“出行时间负效用下降”来解释自动驾驶的行为影响，即假定人们因为可以在车上做事，所以会更愿意出行。但这种解释仍然偏粗。真正值得追问的是：当车内时间可以被重新利用时，人们的一整天会怎样被重新组织？这篇文章的独特之处在于，它不只看平均变化，而是关注隐藏在平均值背后的异质性：不同的人，可能会以完全不同的方式利用自动驾驶带来的时间与空间条件。研究问题
第一，自动驾驶情境下，个体的活动—出行日程会发生哪些变化？第二，这些变化是否存在潜在类型，即不同受访者是否会形成若干种典型的日程调整模式？第三，哪些个体特征、AV态度和问卷投入度因素，会影响受访者更可能属于哪一种变化类型？研究方法
本文采用3-step latent class model，核心思路可以概括为：先用行为变化变量识别潜在类别，再根据后验概率给个体分类，最后用外部变量解释“为什么这个人更可能属于这类”。1.第一步：建立潜在类别模型
这一步只放入指标变量（indicators），即真正用来“定义类别”的行为变化变量。本文的指标变量包括三类：作者没有把所有活动都放进去，而是剔除了在样本中选择很少或几乎没有变化的活动，如购物、家务、服务类活动和“其他”活动；“车上睡眠”也因出现太少被排除。这样做的目的，是保证进入模型的变量确实能有效区分类别，而不是增加噪音。另外，作者使用的不是绝对变化分钟数，而是将活动变化量按总出行时间标准化，也就是用“每一分钟出行时间对应的活动变化量”来建模。这样可以避免长通勤者因为车上时间更长而天然显得“变化更多”。2.第二步：确定类别数，并给个体分类
作者分别估计了1类到6类模型，并比较模型的LL、BIC、类别规模和BVR。虽然BIC随着类别数增加持续下降，但超过5类后会出现占比低于3%的小类别，不利于解释和稳健分析，因此最终选择了5类模型。在类别数确定后，模型会为每个个体计算其属于各类别的后验概率。个体最终被归入概率最大的那一类。因此，潜在类别分析不是简单硬划分，而是先做概率判断，再做类别归属。3.第三步：加入协变量解释类别归属
这一步加入的是协变量（covariates），也就是解释变量。它们不是用来定义类别的，而是用来说明：什么样的人更可能属于哪一类。作者最初考虑了社会经济特征、出行特征、AV态度、个人特征和问卷投入度变量，随后迭代剔除不显著项，最终保留的显著协变量包括：其中最有启发的一点是：作者把问卷投入度也作为解释变量纳入分析。结果显示，那些“几乎不改变日程”的类别，与较短的介绍页阅读时间、较简单的当前日程结构等低投入特征显著相关。这意味着，一部分“无变化”并不一定是真实偏好，而可能是低投入作答的结果。研究结论
1.无变化 / 低投入
2.静态活动小幅变化 / 低投入
3.在AV中工作
4.在AV中休闲
5.在AV中进行多种活动
不同个体并不会以同一种方式响应AV：有人把车当移动办公室，有人把车当休闲空间，也有人会在车上同时安排多种活动。因为最大的两个类别同时表现出较低问卷投入度，说明总体上的“变化不大”很可能被部分夸大了。第三，自动驾驶的影响更像是“重组一天”，而不只是“增加出行”。研究没有发现明显的出行次数变化，却观察到了活动转移、活动时长重构和通勤出发时间调整，这对理解AV行为效应非常关键。研究不足
二是研究基于陈述性问卷，仍然存在“意图—行为差距”；三是自动驾驶的真实体验、减压效果和长期习惯形成，难以通过一次假设性调查完全呈现；未来计划与启示
从方法上看，未来研究应更多结合真实试乘实验、多日活动日志和动态跟踪，以提高对AV行为影响的识别精度。从理论上看，交通行为模型不能再简单停留于“车上可做事→出行更多”这一单一路径，而应进一步纳入：结语
这篇文章最值得关注的，不只是它讨论了自动驾驶会不会改变人们的一天，更在于它揭示了：自动驾驶的影响不是平均发生的，而是以不同类型、不同节奏、不同机制作用于不同人群。因此，理解自动驾驶的真正行为效应，不能只看“平均会不会多出行”，更要看谁在变化、如何变化，以及这种变化是否被表面数据掩盖。这也是本文给活动—出行行为研究带来的重要启示。重点摘录
- 低投入度实验是不是完全不可用。有很多无效问卷的文献参考。
- 出行中的工作活动增加，出行之外的工作活动减少。诸如用餐和整理着装等其他活动也常发生类似的转移，尽管其转移程度相对较轻。
- 自动驾驶情景下，人们会提前下班，将路上的时间也用于工作。
- 该群体的主要车内活动是休闲，这种活动未必与“节省时间”的行为动机有关，而更倾向于一种可被称为“消磨时间”的行为模式。对于这类旅客而言，通勤路途可能是他们唯一能够放松身心、享受独处时光（对于有子女的个体而言尤为如此）的机会，或者是如 Jain 和 Lyons (2008) 所述的那样，获得一段“暂歇”（time-out）的时间。
- 自动驾驶汽车发展可能会进一步模糊人们的工作和生活的边界，比如上车的那一刻人们就已经开始工作了。
注：本文和2021年发表的《A day in the life with an automated vehicle: Empirical analysis of data from an interactive stated activity-travel survey》使用了同一套数据。声明：本推送内容仅代表本人的浅薄理解，由于水平有限，难免出现错误，欢迎大家批评指正。
