服务因素对共享自动驾驶车辆服务质量的非线性影响及其演变

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Evolving nonlinear impacts of service factors on shared autonomous vehicle service quality

本研究基于自动驾驶出行服务（SAVs）乘客短视频数据，结合文本挖掘与机器学习方法，揭示服务因素与乘客满意度之间的非线性关系及动态演变。发现六个关键服务因素，其中自动驾驶技术、舒适性和服务效率最为重要，且其属性随商业化进程从性能属性向兴奋属性转变。

　　

赵丹婷|曹杰森|董志

长安大学交通工程学院，中国陕西省西安市710064

摘要

共享自动驾驶车辆（SAVs）的可持续运营依赖于服务质量。现有研究通常采用横断面调查，并假设服务因素对服务质量的影响是线性的，忽略了它们的非线性效应和时间动态。本研究利用Apollo Go乘客在三个时间段内发布的短视频，结合文本挖掘和机器学习技术，探讨了乘客对服务因素、服务质量及其非线性关系的讨论。研究结果揭示了SAVs的六个关键服务因素：其中，自动驾驶技术是服务质量最重要的预测因素，其次是舒适性和服务效率。随着时间的推移，自动驾驶技术已从“性能”属性转变为“吸引人”的属性；舒适性则从“吸引人”的属性转变为“基本”属性；服务效率和价格也从“吸引人”的属性演变为“性能”属性。特征与互动以及安全性始终分别被视为“吸引人”的和“基本”的属性。这些发现为SAV服务的优化和改进提供了有益的见解。

引言

共享自动驾驶车辆（SAVs）是一种结合了自动驾驶和共享出行的技术，已成为智能交通系统的重要组成部分（Greifenstein, 2024）。为了提高运输效率并减少碳排放，各国正在加速SAVs的商业化进程（Zhou and Xu, 2023）。其中，中国的SAV领域，以百度Apollo Go或中文名称“罗博快跑”为代表（图1），已经实现了大规模的商业应用。

Apollo Go在过去几年中实现了规模化商业推广。2022年，它在武汉推出了首个自动驾驶商业服务。到2025年，该服务已在22个城市完成了超过1700万次出行，累计行驶里程达到2.4亿公里（百度百科, 2025）。因此，Apollo Go已成为全球最大的自动驾驶出行平台（百度百科, 2025）。

尽管发展迅速，但SAV的服务质量及其相关因素仍大多未被充分研究，其长期可持续性仍是一个未解之谜。服务质量指的是乘客对服务效率、驾驶技能和安全性等服务因素的整体评价（de O?a et al., 2014, Dong et al., 2025）。保持高质量的服务不仅对留住现有乘客至关重要，也是吸引潜在用户的关键（Dai et al., 2021）。

虽然已有研究探讨了SAV的服务质量及其对运营管理的影响（Chee et al., 2020, Dai et al., 2021, Dong et al., 2025），但这些研究存在两个局限性。首先，大多数研究假设服务因素与服务质量之间存在线性关系。这一假设未能考虑到服务因素对服务质量的非线性影响，而最近的相关研究经常观察到这种非线性关系（Cao and Cao, 2017, Fakfare et al., 2021, Zhao et al., 2023）。这种忽视会低估某些服务因素的重要性，从而导致政策决策的偏差和资源分配的低效（Kano et al., 1984, Zhao et al., 2023）。其次，大多数研究采用横断面调查，仅能提供某一时间点的快照。这种方法忽略了随着这项新兴技术市场的发展，乘客对服务质量评价可能发生的变化。这会导致政策建议过于僵化，无法适应乘客不断变化的期望（Fakfare et al., 2021）。鉴于这些局限性，有必要探讨SAV服务因素对服务质量的非线性影响以及这些影响在整个技术部署生命周期中的演变过程。

通过分析中国Apollo Go乘客发布的短视频，本研究试图填补这两个空白。我们旨在回答以下问题：（1）哪些服务因素在乘客讨论中占据主导地位？（2）SAV的服务因素是否对服务质量有非线性影响？（3）随着服务规模的扩大，这些影响如何演变？本研究对学术界做出了三项贡献：首先，通过分析乘客生成的数据，基于用户反馈识别服务因素，而不依赖于研究者预设的假设；其次，将消费者满意度的非线性理论引入SAV领域，提供了对乘客评价的更细致的理解；第三，描述了这些影响的时间动态，并揭示了不同服务因素在技术商业化过程中的作用变化。这为创新扩散理论的发展奠定了基础。

本文的其余部分安排如下：第2节回顾了服务质量的研究，重点关注社交媒体数据和非线性分析框架；第3节介绍了短视频数据的收集方法和分析方法；第4节探讨了服务因素和服务质量的评估，以及它们之间的非线性关系和时间变化；第5节总结了主要发现，并讨论了政策含义和未来研究方向。

方法论

图3展示了本研究使用的方法及相关输出。我们首先收集了Apollo Go乘客的短视频，将其转录为文本，然后进行主题分析以识别关键服务因素。通过对这些单个因素和全文的情感分析，我们分别得出了这些因素和服务质量的评分。最后，我们开发了机器学习模型来确定这些因素在预测服务质量方面的相对重要性。

词云分析

词云显示，SAV乘客最常讨论的是驾驶条件、车内设施和出行体验。图4显示了出现频率最高的100个词，其中最常见的三个词是“车辆”、“罗博”和“速度”。“车辆”排名最高，因为讨论主要集中在乘客所乘坐的车辆上，并扩展到了与其他道路上的车辆的互动。“罗博”频繁出现，因为这是Apollo Go的中文名称。“速度”也多次被提及。

结论

关于SAV服务质量的研究正在增加，但服务因素对服务质量的非线性影响及其时间变化仍不清楚。受社交媒体数据应用和基于调查的研究中使用的非线性分析框架的启发，本研究利用短视频数据探讨了SAV服务质量的非线性效应和时间动态。所提出的方法也可用于评估其他受到关注的新兴出行服务。

作者贡献声明

赵丹婷：撰写初稿、可视化、方法论设计、数据分析。曹杰森：审稿与编辑、方法论设计、概念构建。董志：撰写初稿、可视化、资金筹集。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了陕西省社会科学基金 [#2025F010] 的支持。在准备过程中，我们使用了DeepSeek和Gemini工具来改进英文表达和可读性。根据建议的修改意见，我们对内容进行了语法和风格上的调整。我们对出版物的内容负全部责任。