理解停车预约系统中的行为不确定性：一种混合SEM-Logit-机器学习方法 王灿（Can Wang） 叶晓飞（Xiaofei Ye） 严星晨（Xingchen Yan） 王涛（Tao Wang） 陈军（Jun Chen）

《Systems》：Understanding Behavioral Uncertainty in Parking Reservation Systems: A Hybrid SEM-Logit-Machine Learning Approach Can Wang, Xiaofei Ye, Xingchen Yan, Tao Wang and Jun Chen

　　摘要
停车预约系统（PRS）被宣传为智能城市停车工具，但其持续使用仍然有限，因为用户面临技术不确定性和时间安排相关的不确定性。本研究开发了一个行为分析框架，结合了结构方程建模（SEM）、陈述偏好二元逻辑模型和随机森林学习。SEM研究了感知有用性、感知易用性、感知风险、社会影响和行为态度如何影响用户再次使用的意愿。二元逻辑模型考察了在10种预约机制和三种到达情景下用户是否会保留他们预约的停车位。然后使用随机森林来测试非线性预测和交互效应，再次使用的意愿通过两个再次使用意愿指标的平均值来衡量，模型性能通过传统的决定系数（R2）、均方误差和平均绝对误差来评估。结果表明，感知风险抑制了感知有用性和行为态度；提前到达尤其是晚到达会显著降低预约保留率；折扣强度是最强的正向操作杠杆。随机森林还显示，感知风险的影响取决于感知易用性：更直观的界面可以缓解风险对预测再次使用意愿的负面影响。这些发现表明，PRS中的行为不确定性是感知的、情境的和交互的。因此，PRS的设计应结合灵活的时间管理、透明的实时信息和低摩擦度的用户界面。

1. 引言
快速的城市化和持续的机动化加剧了中国主要城市的停车压力，这一趋势在国家车辆增长统计数据中得到了体现[1]。尽管地方政府扩大了停车供应并推广了智能停车服务，但在密集的商业区、医院区、交通枢纽区和混合用途区，车辆拥有量与有效停车容量之间的不匹配仍然很大。同时，行业报告表明中国的智能停车市场仍在继续扩大[2]。因此，停车预约系统（PRS）越来越多地被视为更有效地分配稀缺停车资源的数字工具，减少空驶交通，并提高旅行者停车决策的可预测性。从操作角度来看，PRS通常允许用户提前预约特定的停车位或停车资源，在指定的时间窗口内确认到达，并根据实际行为与预约条件的偏差面临基于规则的结果，如折扣、押金没收、取消限制或超时收费。尽管有这些优势，PRS在中国仍然使用不足。对中国智能停车部署的评论指出存在平台碎片化、服务覆盖不均和规则执行不一致等问题[3]。许多用户仍然认为基于预约的停车方式风险高、不便或比传统停车方式过于僵化。实际上，PRS要求用户做出时间上的承诺：他们不仅需要预订停车位，还要将实际到达和离开时间与预约时间窗口对齐。一旦实际时间与计划不符，用户可能会面临等待、取消摩擦、罚款风险，或者预订的停车位不再实用[4]。从这个意义上说，PRS还涉及对失去灵活性的担忧，因为预约可能会将旅行者锁定在一个在行程发展不如预期时变得不那么吸引人的停车选项中。更广泛地说，PRS的潜在集体效益，如减少空驶和更好的停车管理，在实践者导向的讨论中也得到了强调[5]。这个问题最好理解为停车决策中的行为不确定性。在PRS背景下，行为不确定性指的是计划停车行为与实际停车行为之间的不匹配，特别是关于到达和离开时间以及这种偏差在预约机制中引发的后果。先前的研究已经探讨了预约设计、分配效率和初始技术接受度，但很少关注时间不确定性如何影响用户在使用系统后的持续参与度。为了解决这一差距，本研究结合了三种互补的方法，并明确了它们的不同作用。首先，SEM用于解释再次使用意愿的潜在心理决定因素；预测变量包括感知有用性（PU）、感知易用性（PEOU）、感知风险（PR）和社会影响（SI），预测结果是再次使用的意愿（IR）。其次，陈述偏好二元逻辑模型解释了在实验性变化的到达情景和规则组合下的预约保留行为；这里的因变量是受访者在情景揭示后是否仍然选择预约的停车位。第三，随机森林作为IR的非线性预测模型，用于检测SEM中可能不明显的交互模式，特别是PR的效果是否取决于PEOU。

本研究有三个贡献。首先，它将PRS的再次使用重新定义为感知不确定性和实际行为偶然性的结果。其次，它将潜在的心理机制与基于情景的停车选择联系起来，从而将态度接受度和操作保留度联系起来。第三，它提供了一个行为分析框架，以互补的方式使用这些方法：SEM解释了结构化的潜在关系，逻辑模型在受控情景下捕捉了陈述的停车选择，随机森林探索了非线性预测和交互效应。图1总结了这一综合分析框架。

2. 文献综述
2.1 PRS设计、分配和定价
早期的PRS研究关注提前预约是否可以提高停车分配效率并降低搜索成本[6,7]。基于预约的系统作为更广泛的智能停车基础设施的一部分被引入，通常依赖于在线预订、智能卡识别和实时可用性更新。后续工作通过动态定价、需求响应分配和共享停车匹配机制进一步完善了这些想法。这一系列研究确立了预约逻辑可以提高系统效率，但通常假设用户会按照预约条件行事。
第二部分工作研究了定价、执行和共享停车操作[8,9,10]。这些研究表明，预约灵活性、市场反馈和罚款设计可以显著改变停车位利用率和运营商收入。然而，大多数分析仍然以运营商为中心，强调优化而非用户的持续接受度。因此，时间偏差的行为后果通常被视为操作噪声，而不是长期需求的中心决定因素。最近的系统导向研究还探讨了智能停车系统的更广泛架构和行为逻辑[11,12]。
除了预约操作之外，与停车相关的优化还扩展到了新兴的自动化停车领域。Ye等人（2026）[13]通过基于代理的模拟方法研究了共享自动驾驶车辆的影响和新型停车定价政策的可行性，表明停车需求不仅在数量上发生变化，而且在空间分布上也发生了变化，基于定价的监管可以帮助缓解低效的空驶行为。尽管该研究没有专注于预约行为，但它强调了停车系统设计越来越多地涉及效率与服务之间的权衡，而不仅仅是容量最大化。

2.2 技术接受度和持续使用意愿
技术接受度文献为理解PRS的使用提供了有用的基础。TAM及其扩展一致表明，感知有用性和感知易用性是数字移动服务采用和持续使用的强大决定因素[14,15]。在智能停车及相关系统中，当用户认为平台可以节省时间、提高出行便利性并且操作起来不需要太多努力时，他们更愿意采用或再次使用该平台。
最近的研究通过纳入感知风险、信任、隐私和社会影响来扩展了TAM[16,17,18,19,20,21]。这些扩展对于PRS尤为重要，因为基于预约的停车要求用户依赖系统的可靠性、支付规则和执行机制。在中国背景下，社会影响可能特别显著，因为同伴推荐、集体规范和感知的公共利益可以影响行为，除了个人效用之外。
来自相邻停车领域的相关证据进一步支持了态度构念的相关性。Ye等人（2022）[22]通过测量用户的使用意愿来研究共享自动驾驶车辆的停车选择，而Yang等人[21]和Zhang与Sui[10]表明，感知有用性、感知易用性、行为态度、社会影响和感知风险共同影响了基于应用程序和智能停车环境下的停车决策。这表明，在新技术下的停车选择不仅仅是操作性的；它们还受到可用性、风险和行为接受度的驱动。

2.3 到达不确定性、停车选择和数据驱动的行为分析
虽然相关文献较少，但越来越多的研究开始探讨停车不准时和需求不确定性的影响。关于逾期停车行为、共享停车匹配和基于预约的需求管理的研究表明，与计划时间的偏差会在分配、排队和罚款暴露方面产生连锁冲突[4,9,10,23,24]。然而，这些工作大多停留在操作层面，很少讨论用户如何感知这种不确定性，它如何改变他们的态度，或者它如何影响旅行条件变化后是否履行预约的最终决定。
最近在交通行为研究中的进展也表明，没有单一的建模方法足以解决这个问题。离散选择模型适用于在实验性变化的规则下测量情景依赖的停车决策，而机器学习模型可以捕捉非线性响应面和交互结构。最近的综述还显示，PRS研究正朝着更广泛的综合和更丰富的数据驱动设计发展。例如，Zhang等人（2023）[25]回顾了停车预约研究在库存控制、分配、定价和性能评估方面的进展，而Torres Lahoz等人（2023）[26]展示了机器学习如何在潜在类别选择设置中帮助进行态度细分。新兴的停车预测研究还强调了不确定性感知的推断和更丰富的时空模式提取（Borowska-Stefanska等人，2025 [27]；Nezhadettehad等人，2025 [28]）。
在离散选择层面，Ye等人（2021）[29]使用多项式逻辑模型分析了停车应用程序选择行为，证明了离散选择方法在基于应用程序的停车决策中的有效性。在更广泛的城市移动性层面，Ye等人（2024）[30]使用TCN–Attention模型通过同时捕捉时间、空间和天气特征来预测在线打车需求，展示了机器学习方法在提取与旅行相关的行为和需求中的非线性模式的价值。

2.4 研究空白
因此，文献留下了两个实质性空白和一个方法论机会。首先，相对于初始采用，PRS的持续使用尚未得到充分探索。其次，即使在明确研究基于预约的停车中的心理因素的研究中，行为不确定性也很少同时被视为心理构念和情境停车选择问题。第三，有机会在一个连贯的行为分析框架内结合潜在变量建模、离散选择分析和机器学习，使每种方法解决再次使用问题的不同层面，而不是重复相同的推断。

3. 方法论
3.1 SEM模型：再次使用意愿的潜在心理决定因素
SEM组件通过纳入感知风险（PR）、社会影响（SI）和行为态度（BA）来解释再次使用意愿（IR）。在本文中，SEM以传统的验证意义使用：作者根据理论基础预先指定假设的因果路径，然后估计模型以测试观察到的协方差结构是否支持这些路径。这种区分很重要，因为模型不会自动发现方向；相反，它评估潜在构念及其观察指标之间理论指定关系的拟合度和显著性。
感知有用性（PU）和感知易用性（PEOU）代表了TAM的核心构念[14]。PR捕捉了预约可能失败的情况，例如到达时发现停车位已被占用或在实际停车时间与预约时间窗口不符时产生额外费用[17]。SI反映了感知的外部认可和集体利益，与更广泛的技术接受度扩展一致[15]，BA捕捉了用户对PRS作为行为选项的总体评价，符合计划行为理论[31]。基于这一框架，作者指定了从PU到BA的正向路径，从PEOU到PU的正向路径，从SI到BA和IR的正向路径，以及从PR到BA和IR的负向路径。用于这些潜在构念的测量项目列在表1中。表1列出了SEM模型的测量项目。SEM调查在线进行，对象是中国几个城市的经验丰富的PRS用户。在回答之前，受访者被展示了PRS过程的标准化描述，包括预约、到达、取消和罚款相关规则，以便所有参与者共享一个共同的决策背景。问卷首先收集了人口统计和旅行相关信息，然后使用五点李克特量表测量了18个指标。由于三个PEOU项目的表述是负面的，因此对它们的回答进行了反向编码，以便更高的数值始终代表更大的使用便利性。图2展示了指导验证分析的概念性SEM结构，表2报告了样本构成。受访者主要集中在学士学位水平类别中，这反映了在线、以应用程序为导向的抽样渠道，以及当前PRS用户往往是相对熟悉技术的城市司机这一事实。图2. PRS重用意图的概念性SEM模型。箭头表示潜在构念之间的假设方向关系。表2. SEM样本的描述性统计（N = 702）。

3.2. 二元Logit模型：到达不确定性下的预订保留
第二个分析部分从潜在感知转向实际停车选择。它关注预订保留，即已经预订的用户在到达时是否仍然选择预订的停车位。这个问题在行为上很重要，因为完成预订并不能保证最终会遵守规定。用户可能会提前到达并不得不等待，或者迟到并面临罚款或不确定性，或者因为旅行当天的时间和成本权衡发生变化而改变选择。因此，围绕10种预订机制和三种到达情景设计了一个陈述偏好实验：提前10分钟到达、准时到达和迟到20分钟到达。对于每种机制-情景组合，受访者可以在三个停车选项中进行选择：预订的停车位、目的地停车位和附近的替代停车位。实验每个受访者产生了30个陈述选择。在整个机制设计中，关键的解释变量在不同水平上有所变化：折扣率 = {0, 0.1, 0.2}；押金 = {0, 10, 20元}；取消限制 = {30, 60分钟}；迟到罚款 = {50%附加费，押金减半，押金全额没收}；以及超时罚款 = {无，双倍费用}。为了清晰起见，这三个选项定义如下：
预订停车位：用户通过PRS在旅行前已经预订的停车位。
目的地停车位：位于或直接服务于旅行目的地的停车位。当用户因价格、可用性或预订规则而提前预订了其他符合条件的停车位时，它与预订停车位不同。
附近替代停车位：位于目的地附近的另一个非预订的替代停车位。在陈述偏好实验中，这个选项没有严格定义具体的半径（例如1公里）；而是指在实际距离上接近且可步行的替代方案。这个选项涉及增加步行距离和减少停车等待时间之间的权衡。预订机制的详细信息见表3。

3.3. 随机森林模型：非线性预测和交互作用发现
第三个分析部分使用监督机器学习来预测IR并识别SEM中可能不明显的非线性交互效应。在机器学习模块中，IR表示两个重用意图项目（IR1和IR2）的受访者级别的平均值，这使得将结果视为有界连续响应以进行基于比较回归的预测变得合适。因此，使用线性回归作为透明的线性基准，而不是作为SEM的潜在变量替代品。随机森林遵循Breiman [32] 引入的集成学习逻辑。比较了五种算法：随机森林、线性回归、K-最近邻（KNN）、支持向量回归（SVR）和梯度提升决策树（GBDT）。模型性能使用均方误差（MSE）、平均绝对误差（MAE）和传统的决定系数（R2）在保留数据上进行评估。额外的分析和稳健性检查是在Python 3.11中使用statsmodels和scikit-learn实现的。

4. 结果
4.1. SEM结果
表5中总结的CFA结果表明，所有六个潜在构念的可靠性令人满意，收敛有效性也符合要求。标准化因子载荷范围从0.738到0.839，Cronbach’s alpha范围从0.805到0.856，所有构念的复合可靠性超过0.80，平均提取方差（AVE）在每种情况下都超过0.50。由于PEOU1–PEOU3是负面表述的项目，因此在估计之前对它们的回答进行了反向编码；因此，报告的因子载荷应相对于潜在的使用便利性构念来解释，而不是原始陈述的原始表述方向。为了加强区分效度的评估，附录A还报告了Fornell–Larcker和HTMT检验。

表5. 验证性因子分析结果。表6报告了结构路径估计，图3展示了相应的路径图。结构模型也显示出可接受的拟合度（χ2/df = 1.781，CFI = 0.967，TLI = 0.959，IFI = 0.967，GFI = 0.940，RMSEA = 0.047）。PEOU显著增加了PU（β = 0.413，p < 0.001）和BA（β = 0.246，p < 0.001），而PU对BA有正面影响（β = 0.217，p = 0.002）。SI对BA（β = 0.292，p < 0.001）和IR（β = 0.182，p = 0.015）有正面直接影响。PR显著抑制了PU（β = ?0.291，p < 0.001）和BA（β = ?0.254，p < 0.001）。IR的最强直接预测因子是PEOU（β = 0.260，p < 0.001）。因此，从PU到IR（β = 0.142，p = 0.058），从PR到IR（β = ?0.140，p = 0.073），以及从BA到IR（β = 0.162，p = 0.058）的直接路径被解释为边缘效应而非传统意义上的显著效应。实质上，这些系数表明可用性和社会认可度是持续使用的最稳定直接驱动因素，而有用性、态度和风险也很重要，但主要是通过联合和间接途径起作用。

4.2. 二元Logit结果
表7报告了二元Logit估计结果。二元Logit结果显示，到达时间的不确定性对预订保留有显著影响。与准时到达相比，提前到达使保留预订停车位的几率降低了大约65.5%（比值比，OR = 0.3449），而迟到则使这一几率降低了近92%（OR = 0.0812）。因此，时间偏差并非次要因素；它们是陈述偏好实验中放弃预订的最强大情境驱动因素。

4.3. 随机森林结果
表8比较了所测试机器学习模型的预测性能。机器学习比较确认随机森林是原始研究中报告的算法中表现最好的预测模型。在修订后的手稿中，评估指标明确定义为标准决定系数R2，而不是伪R2。比较用于显示从用户感知到重用意图的映射并非纯线性，并且可以从灵活的非线性模型中受益。

表9报告了基于交互作用的随机森林模型的特征重要性结果。引入交互项并没有改善基线随机森林规范之外的全局拟合指标，但特征重要性分析在行为上仍然具有信息价值。表9中报告的特征重要性值是由拟合的随机森林回归器产生的基于杂质的特征重要性分数。特别是，PR × PEOU被证明是最具信息量的交互项之一，表明用户不是孤立地处理风险；他们会将其与可用性和其他态度状态一起评估。附录A还报告了随机森林稳健性估计中使用的超参数设置。

图4中的保留热图显示，准时到达在所有10种机制下始终产生最高的保留率，而迟到即使在相对有利的定价规则下也会降低保留率。排除停车费差异的稳健性规范产生了几乎相同的预测性能（AUC = 0.6809 vs. 0.6810），并保持了强烈的提前和迟到效应，证实了情景结果的稳定性。

图5、图6和图7中的龙卷风分析确定了每种情景下最敏感的机制杠杆。在所有三种情景中，折扣强度和停车费差异导致预测保留概率的最大变化。龙卷风图应理解为当一个变量在其观察设计范围内移动而其他变量保持不变时预测概率的绝对变化。因此，较长的条形表示实际影响力更强。在迟到情况下，停车费差异的影响甚至比折扣强度更大，表明面临迟到的用户特别可能重新考虑预订是否仍然值得遵守。

4.3. 随机森林结果
表8比较了所测试机器学习模型的预测性能。机器学习比较确认随机森林是原始研究中报告的算法中表现最好的预测模型。在修订后的手稿中，评估指标明确定义为标准决定系数R2。比较用于显示从用户感知到重用意图的映射并非纯线性，并且可以从灵活的非线性模型中受益。

图3显示了PRS重用意图的估计SEM路径图。单头箭头表示结构路径，弯曲的双头箭头表示协方差。中介分析进一步阐明了风险的作用。除了SEM的路径分解结果外，修订后的手稿还报告了基于2000次重采样的自助法稳健性检验。PR对IR的负间接效应在整个95%自助区间内保持在零以下（大约[?0.102, ?0.033]），而PEOU对IR的正间接效应保持在零以上（大约[0.041, 0.131]。这些结果加强了风险通过其对感知有用性和行为态度的不利影响部分削弱重用意图的解释，而使用便利性则通过直接和间接渠道增强重用意图。分解逻辑遵循Baron和Kenny [33] 的经典中介框架。

5. 讨论
综合这三个分析部分，可以看出PRS中的行为不确定性是多层次的。在感知层面上，结构方程模型（SEM）证实，停车预约系统（PRS）会削弱人们的有利态度，并通过降低感知有用性和行为态度间接降低用户的再次使用意愿。在情境层面上，逻辑回归模型（logit model）表明，即使在进行了预约之后，轻微的时间偏差也会显著改变实际的停车选择。在互动层面上，随机森林（Random Forest）的结果显示，风险的影响取决于系统的可用性：相同程度的风险对不同用户的行为后果是不同的。这是该综合框架的主要理论价值所在。这项研究并没有提出一个新的潜在变量，而是揭示了不确定性如何在不同层次的感知、明确的选择和非线性反应之间传播。这种综合解释在两个方面推动了停车预约系统（PRS）的相关研究：首先，它超越了“采用”与“不采用”的二元对立，关注了用户的再次使用行为和预约保留情况；其次，它表明，基于预约的停车系统的持续使用不能仅用态度接受来解释，用户还必须相信系统能够容忍实际到达时间的不确定性。因此，PRS与其他许多移动应用程序不同，因为它们的行为逻辑同时具有数字化和时间性特征。

5.2 实际意义
逻辑回归的证据表明，积极的激励措施比简单的惩罚措施更有效。在大多数情况下，折扣强度是最强的可控机制变量，能够显著提高用户留存率（OR = 7.09）。这表明平台运营商应优先考虑及时奖励、现金返还或积分激励，而不是增加惩罚性收费。PRS的实际挑战不仅在于用户可能会迟到，还在于预约的有效性、排队情况以及规则触发的支付行为都受到机制中设定的到达时间窗口的影响。尽管迟到会受到严厉的惩罚，但这种惩罚强度并不意味着运营商应该加大惩罚力度。相反，迟到系数表明，迟到本身已经足以引发用户的放弃行为。引入宽限期、一次性免费重新安排或动态重新分配窗口可能会比更严格的惩罚措施更能保留用户。这一点在高方差旅行环境中尤为重要，因为交通拥堵或排队可能导致到达时间延迟10到20分钟。

随机森林的结果还显示，界面质量具有风险缓冲作用。一个易于理解、易于导航且规则透明的平台可以减轻用户对风险的感知。实时占用信息、惩罚触发前的倒计时提示以及清晰的费用显示可以同时实现两个目标：提高使用便利性并减少不确定性的行为影响。类似的风险缓冲机制在数字金融和保险领域也有广泛讨论，这不仅增强了该机制的合理性，还强调了PRS适应需要根据具体情境进行定制设计。此外，社会影响的积极作用表明，政府和运营商应宣传PRS带来的集体利益，如减少空驶车辆、提高停车秩序和改善停车场管理。在中国背景下，这种集体认知可能尤为重要，因为技术使用往往受到社会认可和公共利益叙事的影响。同时，这种关系也可能具有文化维度，修订后的手稿也指出，跨文化验证是未来研究的一个有用方向。

5.3 局限性与未来研究
本研究存在一些局限性。首先，SEM和逻辑回归分析依赖于用户的主观态度和选择，而非实际的平台使用数据。尽管情景实验具有丰富的行为信息，但关于实际预约完成、取消和超时情况的实地数据将增强研究的外部有效性。其次，随机森林模型虽然能够识别用户互动模式，但本身无法提供因果解释。第三，由于采用了主观偏好设计，某些逻辑回归变量（如停车费用差异和情景虚拟变量）之间存在高度相关性。第四，尽管随机参数选择模型是一个有价值的扩展，但本文更注重可解释的基线模型，并通过响应者分组分析和广义估计（GEE）的稳健性检验来补充研究，而不是直接假设偏好存在显著差异。未来的研究应结合平台交易数据、基于GPS的到达记录和纵向调查数据，以考察用户在多次成功或失败后的再次使用意愿变化。随机参数模型或潜在类别选择模型也可以用来识别用户对准时性的容忍度和价格敏感性的差异。更正交的实验设计将有助于更准确地识别定价和惩罚效果。

6. 结论
本研究通过整合结构方程模型、二元逻辑回归分析和随机森林模型，围绕用户的行为不确定性，深入分析了停车预约系统的再次使用意愿。SEM的结果验证了一个扩展的技术接受模型，其中感知易用性、感知有用性和社会影响支持用户的再次使用意愿，而感知风险则通过直接和间接途径抑制这一意愿。主观偏好逻辑回归模型进一步表明，预约保留率对到达时间非常敏感：提前到达会降低保留率，而迟到则会进一步降低这一比例。机器学习分析还揭示，感知风险的负面影响取决于系统的可用性，感知易用性可以在一定程度上缓解这种风险。核心观点是，停车预约系统中的不确定性不仅是一个感知问题，也不是一个单纯的操作问题，它同时涉及感知、情境和互动因素。因此，以用户为中心的停车预约系统应结合灵活的时间管理、透明的信息展示和简洁的界面设计。那些承认用户行为不完美的系统比假设用户完全遵守规则的系统更有可能留住用户。