How does travel satisfaction affect preference for shared electric vehicles? An empirical study using large-scale monitoring data and online text mining

Abstract:

Shared electric vehicles (SEVs) are an emerging mode of transportation that offers advantages in environmental protection. It is unclear which aspects of future travel will be affected by user satisfaction. According to the Attributional Theory of Motivation and Emotion, emotional responses will affect the motivations of usersrsquo; future behaviour. In this paper, we used sentiment analysis to construct a user travel satisfaction index for SEVs based on text data from one of the largest social network platforms in China. In addition, we used a vector autoregression model to analyse the impact of travel satisfaction on preference for SEVs. For this model, we used a large-scale data set of travel records combined with point of interest information of SEVs that covered 1.64 million records of 3,100 vehicles. The results showed that an increase in user satisfaction will increase the usage frequency of SEVs in future trips. An increase in satisfaction will reduce rental times of returning users in the short term, but it has no effect on travel distance. Moreover, low rates of satisfaction of SEVs are attributed to the fault rate of vehicles and poor services. Arranging SEV services around restaurants and commercial areas will result in higher user satisfaction.

Keywords: Sentiment analysis; Travel satisfaction; Shared electric vehicles; Vector autoregression model; Text mining

1.Introduction

In recent years, electric vehicles (EV) have developed rapidly due to the development of battery technology and charging technology, as well as the support of government subsidy policies (Zhou et al., 2020). Shared vehicles (SV) have also received attention as measures to reduce vehicle ownership, promote multimodal transportation, and reduce greenhouse gases and pollutants (Fan et al., 2018). Therefore, with the rise of the sharing industry and the development of electric vehicles, shared electric vehicles (SEV) have become popular in larger cities around the world (Wadudz and Mattioli, 2021). The introduction of SEV has brought huge changes to the shared travel of urban residents. SEV can replace the traditional internal combustion engine shared vehicle, and almost no carbon emissions (Lu et al., 2020). It is important to distinguish SEVs in China from ride sharing services, such as Uber, as SEVs are more akin to bicycle sharing in which the vehicle is owned by the operator and is available for anyone to use. Driving a SEV can not only reduce costs but also contribute to environmental protection (Wang et al., 2020).

In China, the emergence of 'Internet plus Travel' has changed peoples patterns of travel. With the rapid development of EVs, the Internet of vehicles technology, and the maturity of mobile payment technology, SEVs will become the driving force of low-carbon travel (Meng et al., 2020). SEVs satisfy users travel needs for trips between from 10 and 50 kilometres, and they are more comfortable and less frequently used than buses and subways. In urban transportation systems, bus travel is slow, and in some remote areas in which there is no bus service, people have no choice but to rely on private vehicles (Hu et al., 2018). Therefore, in this case, SEVs have the potential to replace private vehicles. The use of SEVs can reduce the resource demand for vehicles, including road and parking resources, and the operating efficiency of SEVs exceeds that of private vehicles (Lai et al., 2020). According to statistics, 300 million people hold drivers licences in China, but the number of private vehicles is only 160 million. The phenomenon of 'licence without a car' is very common in China. SEVs can meet the transportation needs of a large number of people who have a drivers licence but do not own a car. Compared with traditional taxis and online car-hailing, SEV uses the internet to achieve rapid turnover which can maximize the utilization of vehicles (Jacquillat and Zoepf, 2018). At the same time, vehicle purchases and traffic restrictions are a growing trend in urban areas (Jian et al., 2017), and Chinas large cities have become increasingly strict with vehicle purchase requirements. Therefore, SEVs meet the self-driving needs of car owners, thereby reducing their willingness to purchase private vehicles and demand for parking and ultimately achieving the goal of urban traffic congestion control (Munzel et al., 2018). The popularization of SEVs will reduce thedemand for private vehicles.

User feedback on SEV use is an important factor to the future development of SEVs. Therefore, user satisfaction with shared travel is an important factor of shared travel behaviour. Most previous studies have focused on identifying the factors that affect travel satisfaction. In this paper, we focused on how user satisfaction rates influence future travel behaviours. We used Sina Weibo, Baidu Tieba, and natural language processing methods to identify SEV users satisfaction after use. In addition, it combined with large-scale monitoring travel data for matching. We found that users are generally dissatisfied with their SEV experience. Moreover, we have confirmed that user satisfaction is an important factor that affects future use of SEVs. The innovative use of social media data for analysis in this study has practical implications for evaluating and improving usersrsquo; experience with SEVs.

2. Literature review

In the past decade, many studies have defined and measured travel satisfaction and investigated its relevance. Most studies rely on a one-way theoretical framework, where travel satisfaction is the dependent variable. However, feedback effects, such as the impact of travel satisfaction on travel behaviour, hav

剩余内容已隐藏，支付完成后下载完整资料

出行满意度如何影响对共享电动汽车的偏好?使用大规模监测数据和在线文本挖掘的实证研究

摘 要

共享电动汽车(SEVs)是一种新兴的交通方式，在环境保护方面具有优势。目前还不清楚用户满意度会影响未来出行的哪些方面。根据动机和情绪的归因理论，情绪反应会影响用户未来行为的动机。在本文中，我们使用情绪分析的基础上，从中国最大的社交网络平台之一的文本数据构建了一个用户的旅游满意度指数的SEV。此外，我们使用了向量自回归模型来分析旅游满意度对SEVs偏好的影响。对于这个模型，我们使用了一个大规模的数据集的旅行记录结合点的利益信息的SEVs，覆盖164万记录的3100辆车。结果表明，用户满意度的提高将增加未来出行中SEVs的使用频率。在短期内，满意度的提高会减少返回用户的租赁时间，但对出行距离没有影响。此外，低满意率的SEVs归因于故障率的车辆和糟糕的服务。在餐厅和商业区周围安排SEV 服务会带来更高的用户满意度。

关键词 情感分析；出行满意度；共享电动汽车；向量自回归模型；文本挖掘

1.介绍

近年来，由于电池技术和充电技术的发展，以及政府补贴政策的支持，电动汽车(EV)发展迅速(Zhou 等人2020)。共享车辆(SV)也受到了关注，作为减少车辆拥有量，促进多式联运，减少温室气体和污染物的措施(Fan 等人, 2018)。因此，随着共享产业的兴起和电动汽车的发展，共享电动汽车(SEV)在全球较大的城市(Wadudz和Mattioli，2021)开始流行起来。SEV的推出，给城市居民的共享出行带来了巨大的变化。SEV可以替代传统的内燃机共享车辆，并且几乎没有碳排放(Lu 等人,2020)。将中国的电动汽车与Uber等拼车服务区分开来非常重要，因为电动汽车更类似于自行车共享，即车辆归运营商所有，任何人都可以使用。驾驶 SEV 不仅可以降低成本，还可以促进环境保护(Wang等人,2020)。

在中国，“互联网 旅游”的出现改变了人们的出行方式。随着电动车、车联网技术的快速发展，以及移动支付技术的成熟，电动车将成为低碳出行的驱动力(Meng 等人, 2020)。电动车满足了用户在10公里到50公里之间的出行需求，而且比公交车和地铁更舒适，使用频率更低。在城市交通系统中，公交车行驶缓慢，在一些没有公交车服务的偏远地区，人们别无选择，只能依靠私家车(Hu 等人,2018)因此，在这种情况下，SEVs有取代私家车的潜力。使用电动汽车可以减少车辆的资源需求，包括道路和停车资源，电动汽车的运营效率超过私家车(Lal 等人,2020)。据统计，中国有3亿人持有驾照，但私家车数量只有1.6亿。“无牌无车”的现象在中国非常普遍。 SEVs可以满足大量拥有驾照但没有汽车的人的交通需求。与传统出租车和网约车相比，SEV利用互联网实现快速周转，可以最大限度地提高车辆的利用率(Jacquillat和Zoepf，2018)。与此同时，市区车辆限购、限行的趋势日益(Jian 等人,2017)，而中国大城市对车辆的购买要求也越来越严格。因此，SEVs满足了车主的自动驾驶需求，从而降低他们购买私家车的意愿和停车需求，最终实现城市交通拥堵治理的目标。(Munzel等人2018年)SEVs的普及将减少私人车辆的需求。

用户对SEV使用的反馈是未来SEV发展的重要因素。因此，用户对共享出行的满意度是共享出行行为的重要因素。以往的研究大多集中在确定影响旅游满意度的因素。在本文中，我们专注于用户满意度如何影响未来的旅游行为。我们使用新浪微博、百度贴吧、自然语言处理等方法对SEV用户使用后的满意度进行了识别。此外，还结合大规模监测出行数据进行匹配。我们发现用户普遍对自己的SEV体验不满意。而且，我们已经确认，用户满意度是影响未来使用 SEVs 的重要因素。在这项研究中，创新性地使用社交媒体数据进行分析，对于评估和改善用户使用 SEV 的体验具有实际意义。

2.文献综述

在过去的十年中，许多研究定义和测量旅行满意度，并调查其相关性。大多数研究依赖于单向的理论框架，其中旅游满意度是因变量。然而，反馈效应，如旅行满意度对旅行行为的影响，几乎没有被测试。此外，关于人们如何体验共享旅行等新型旅行方式的文献资料很少。在这一节中，我们介绍了关于SV和 EV 用户满意度的研究，我们参考这些研究来了解现状，因为关于SEV出行和用户满意程度的研究极为罕见。

SVS作为一种创新的低碳运输方式，可以减少交通对环境的影响。近年来，共享运输系统引起了越来越多的兴趣。SVS是对公共交通系统的有效补充。Qi and Chen (2019)建立了一个计量经济模型来估计中国SV市场的环境后果。他们发现环境后果与SV市场密切相关。Chen和Kockelman(2016)的研究结果表明，使用SV后，使用者的平均个人交通能耗和温室气体排放量减少了约51%。露娜等人(2020)采用系统动态建模方法研究电动汽车共享计划对碳排放的影响。SEV的采用为城市交通提供了直接和间接的好处，但取决于政府的支持。

大多数研究都集中在电动汽车用户的满意度、电动汽车购买和接受度调查(Soares etal 2016)。Hoch等人(2012)提出了一种方法来优化充电时间、成本和驾驶时间，并根据基础设施的实际情况最大限度地提高电动汽车的客户满意度。Wang等人(2021)进行了一项关于充电设施满意度和司机风险态度的在线调查，并分析了用户对充电选项的偏好。Zhang等人(2020)研究了不同类型电动汽车用户的充电偏好，建立了用户满意度综合模型。通过网上调查，Okada等人(2019)调查了非电动车车主的意向和购买电动车的车主购买后的满意度。他们的研究结果显示，环保意识间接影响电动汽车用户的购买后满意度。Chu等人(2019)发现，在韩国和中国，用户对电动车的满意度较高，与最初的购买动机有关。Ma等人(2017)表明，电动汽车的客户满意度研究不同于传统燃油汽车。Shaheen等结果(2020)表明，通过汽车共享接触电动汽车增加了用户在未来购买零排放车辆的概率。Jena(2020)利用深度学习技术捕捉印度消费者对电动车的感受、态度和情绪。因此，我们提出，减少空气污染的努力的成功取决于消费者对电动汽车的感知和理解。

对于用户对共享出行的满意度，Migliore等(2018)通过问卷调查和使用地理信息技术测量用户对 SV的满意度Tc调查了意大利巴勒莫汽车共享的潜在需求。Franke等人(207)研究了电动汽车用户满意度的相关因素和个人感知范围，结果强调了个人满意度对电池电动汽车(BEV)接受的核心作用。Kwon等人(2020)发现节约成本的意愿是影响BEV用户满意度的关键因素，用户对行驶距离和充电的满意度对BEV使用者的整体满意度有积极影响。Loacute;pez-Lamba等人的研究(2017)的调查显示，电动车驾驶者的满意度很高，这可以归因于电动车没有噪音污染，加速快，安全性高。

在共享出行行为的研究方面，大多数共享出行的研究使用问卷。Wielinski等(2017)对共享汽车和共享单车用户进行了两次关于“出发-目的地”的在线调查。这些数据被用来分析用户的典型旅行行为，并进行比较分析。弗勒里等人(2017)在法国对259人进行了在线调查，以评估决定使用SV服务的心理变量。他们发现，用户决定共享出行最重要的因素是便利程度。虽然以往的研究使用问卷调查电动汽车驾驶行为，只有少数使用大规模和长期的驾驶信息数据。

动作的动机

情绪的响应

归因

个人的行为

图1 动机与情绪的简化归因理论步骤

情绪是由个体的欲望和需要所中介的一种心理活动。情绪是激励系统的基本组成部分(Weiner，1979)，可以影响个人行为和活动效率。个人内在原因与情绪息息相关。此外，当一个物体或情况满足了主体的愿望和需要时，就会产生积极的情绪;否则，负面情绪就会产生。Weiner (1986)认为，行为不是一个独立的过程，而是一个介于行为结果和随后行为之间的中介认知过程。行为后果的归属会影响对随后结果的预期和情感反应。这是动机与情绪的归因理论;简化的步骤如图所示。1.虽然归因不是一维的，行为结果的原因也很复杂，但对行为结果产生的情绪反应是很重要的。个人情绪和认知是影响后续行为的主要因素。因此，我们可以通过研究情绪反馈来理解之前的行为是如何影响未来行为的动机的。

大多数现有的研究使用问卷调查或旅行数据来调查旅行满意度。大多数论文都对影响旅游满意度的因素旅游模式和环境进行了详细的研究。然而，微型问卷调查是一个被动的信息披露过程，可能受到数据收集周期长和成本高的影响。根据动机和情绪的归因理论，一个人的情绪是影响一个人行为的重要因素。现有的研究尚未考虑使用SEV后的用户情绪将如何影响未来的行为。因此，本文重点研究了用户对SEVs的满意度对未来出行的影响。

3.方法

3.1数据来源和处理

在文件中使用的数据集包括三种不同类型的数据组合到我们的数据集中。包括来自SEV用户在互联网上在线评论的文本数据、实时监测出行数据和信息点(POl)位置信息数据。将这些数据结合起来，可以得到更多样化的数据集，得到更真实、更现实的结果。

3.1.1注释文本数据

文中数据来源于新浪微博、百度贴吧及相关论坛的网络评论与深圳的SEVs相关。新浪微博拥有超过4亿活跃用户和各类用户群体，是中国最大的社交媒体平台。百度站吧是讨论特定话题的论坛。这些平台在线评论的文字数据可以准确反映用户使用SEVs的感受和意见。2018年深圳的共享汽车总数约为6000辆。相比之下，我们的驾驶数据集包含了3100辆汽车的数据，这些车辆包括七种不同的车型。对提供这些模型的三个SEV运营商(iGo，Gofun，和深圳的Liandongy)进行了有针对性的文本抓取。我们还在帖子的标题、内容、时间中搜素了深圳、SEV共享出行、分时租赁等相关词汇。由于SEV用户是我们研究的对象，为了保证研究数据的准确性，我们排除了其他实体的文本数据，如广告。文字数据时间段为2018年1月1日至12月31日。在排除重复、无关和异常的帖子之后，我们获得了16200条文本数据的观察。

表1 词典的组成

我们对网上评论中的文字数据进行如下处理。首先，我们利用《中国知网词库》构建了四本词典。具体情况见表1，然后，我们使用字典解析成任意长度的句子片段，根据他们的主要词。最后，我们去除了停止词，得到处理后的文本数据，以供后续分析。

3.1.2 驾驶数据和 POI 数据

我们还利用实时监测的车辆在深圳的驱动数据。从2018年3月13日到12月 19日，总共有163万次观测。数据包括行驶里程、租赁期限、起止日期、电池的起止充电状态(SOC)，起始经纬度坐标等，开始和结束时间精确到分钟，数据由国家新能源汽车监测管理平台提供，该平台是由工业部于2016年建立的全国NEV监测系统。截至2020年年底，“NEV”总数的四分之三以上已与其连接。数据收集的方式主要是通过电池和驱动系统。这些数据包括速度、电池电压和位置坐标等信息。这些数据每隔1s、10s和30s进行收集(Zhang等人，2017年)。

本文使用了深圳2018年的45万个POI观测数据。每个POI观测包含四个信息:位置类别、位置名称、位置坐标和位置分类。每个类别都有其相应的代码和名称，以便于信息的收集和识别。我们使用地图坐标和地理信息系统(GIS)集成数据与经纬度坐标和多类别的位置类型。每个位置都有三个等级的分类。例如，在食品和饮料的大类别内，中间的类别代表中餐厅或西餐厅，最小的类别则捕获餐厅的具体名称。日期匹配与情绪数据合并，以便干后续研究的发展。根据旅程的出发地点，我们将组合后的 POI数据分为十类地点。表2A显示了示例编号和位置说明。SEV用户按上升地点集中在公司企业周边地区，约占样本的 25%。停车场、车站、住宅区的数量也相对较多。

图2 从起点到终点的位置类型和数量

注:公司、企业是指各类商务楼、公司、企事业的所在地。运输。设施和服务包括火车站、地铁站和各种类型的停车场。生活服务场所是指理发店、美容美甲店、邮政所。体育休闲服务是指各类体育场馆、电影院等娱乐场所。保健服务是指诊所和医院。

根据收集到的数据，我们绘制了深圳每一次SEV出行的路线，包括从开始到结束的站点类型和数量。从三种出发点到十种目的地的映射分布如图2所示。从公司出发的人往往会选择商业区、交通设施和个人服务场所作为目的地。尤其是从交通设施和服务出发的旅行，在目的地的选择上最为普遍，随着时间的推移，餐馆和购物中心作为目的地的比例有所增加，但停车场和地铁站仍然是最常见的目的地。医院和政府机构是最不常见的目的地。<!--

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[589703]，资料为PDF文档或Word文档，PDF文档可免费转换为Word