中国商业自动驾驶出行服务情感倾向的演变：基于在线评论的分析

《Travel Behaviour and Society》：Evolution of sentiment orientation for Chinese commercially autonomous ride-hailing: An online review–based analysis

　　摘要：百度Apollo Go在武汉的推出，标志着中国首次大规模商业部署自动驾驶打车服务。在这类服务更广泛推广之前，迫切需要对公众接受度进行客观评估。然而，现有的研究大多依赖于假设性场景和短暂的观察窗口，因此其发现可能与现实世界的动态存在偏差。本研究聚焦于Apollo Go引发公众关注后的整整一年时间，利用微博上相关的评论作为实证基础，探讨公众情绪取向的演变。具体而言，我们通过网络爬虫收集了2024年7月7日至2025年7月6日期间包含Apollo Go和自动驾驶打车相关内容的41,009条评论，运用潜在狄利克雷分配（Latent Dirichlet Allocation）进行主题建模，并借助百度智能云情感分析API（Baidu Smart Cloud Sentiment Analysis API）进行情感分类。通过将这些评论置于重大事件和地区差异的背景下，我们研究了公众对关键话题的关注和情绪如何随时间变化。主要研究结果如下：（1）公众关注度呈现出明显的阶段性变化。在初期，讨论主要集中在自动驾驶对出租车司机就业的影响上；随着商业运作的推进，公众关注点逐渐转向乘客安全和乘车体验。（2）尽管整个研究期间的整体情感得分仅为0.35，但公众情绪呈现波动上升的趋势。（3）重大事件导致公众情绪的明显波动。技术突破、安全性能的披露以及行业发展的积极信号通常会提升公众情绪，而安全事故和企业运营风险则可能降低情绪。（4）公众情绪也存在明显的地区差异。在自动驾驶打车服务覆盖面积至少为100平方公里的省份中，人均GDP超过2万美元的地区，整体情感得分普遍较低。

1. 引言
自动驾驶打车服务的商业运作正在全球范围内逐步展开。最早的自动驾驶打车服务由谷歌的自动驾驶子公司Waymo于2018年12月在美国推出，其服务区域已扩展至凤凰城、旧金山、洛杉矶和奥斯汀等主要城市。截至2025年6月，Waymo已部署超过1500辆车辆，累计完成了1.6亿公里的乘客出行服务，每周提供超过25万次乘车服务（Waymo，2025年）。
在中国，最早的自动驾驶打车服务由百度推出，品牌名为Apollo Go。截至2025年6月，Apollo Go的服务覆盖面积超过3000平方公里，拥有超过1000辆车辆，累计完成了1.5亿公里的出行服务，每周订单量超过80万单（百度，2025年）。基于这些数据，一些学者认为自动驾驶打车服务正处于广泛应用的门槛（Zhou和Xu，2023年）。自动驾驶打车服务的运营预计将对打车行业、交通安全和出行行为产生深远影响（Narayanan等，2020年）。因此，在进一步大规模商业化之前，有必要研究公众情绪如何反映对自动驾驶打车的信任、感知风险、服务接受度以及潜在的行为选择。
尽管如此，专门针对自动驾驶打车服务的评估研究仍然有限，部分原因是这类服务仍处于起步阶段，地理上受到限制，且对许多人来说还不熟悉。大多数现有研究采用传统的问卷调查方法，发现社会焦虑和感知安全等因素是乘客从传统打车转向自动驾驶打车的关键心理决定因素（Yao等，2025年）。用户对自动驾驶打车的信任受到社会影响、政策和监管框架、从众行为以及技术可靠性和响应性的认知的影响（Liu等，2025年）。然而，这些基于问卷的研究难以捕捉到丰富、实时的主观情感反馈。为了克服这些局限，可以利用数字媒体平台上的用户生成内容作为补充数据来源。
在关于Apollo Go的早期研究中，Lin等人通过分析抖音（Douyin）评论，提取了十个反映公众情绪的主要话题（Lin等，2025年）；Qi等人分析了微博上的评论，发现了几项公众关注的焦点，包括技术进步、服务体验、市场竞争和社会经济影响，并据此提出了政策建议和未来研究方向（Qi等，2024年）；另一项研究使用情感词典从六个维度（如交通安全、市场扩散和竞争、就业冲击）来分析情绪取向（He和Song，2025年）。
然而，这些研究在多个方面仍有改进空间。首先，大多数现有数据集仅关注2024年7月的数据。虽然这段时间内有大量评论，但观察窗口太短，公众意见趋势受到当时特定沟通环境的强烈影响，因此这些研究在揭示公众关注话题如何随时间演变方面的证据有限。其次，很少有研究捕捉到公众情绪的变化以及这些变化所揭示的信任、风险感知、服务接受度和潜在出行选择的更深层次变化。第三，现有研究尚未充分探讨与自动驾驶打车相关的重大事件如何重塑公众情绪。第四，公众情绪的地区差异尚未得到充分探索。
在此背景下，本研究使用网络爬虫连续跟踪了一年内关于Apollo Go自动驾驶打车的微博评论，结合基于LDA的主题建模和百度智能云情感分析API，动态分析情绪取向的变化，并进一步纳入重大事件和地区特征，以识别这些因素如何影响公众对自动驾驶打车不同方面的评价。
本研究有四个主要贡献：首先，它使用了从2024年7月7日至2025年7月6日的全年评论数据，涵盖了自动驾驶打车服务从初期部署到成熟运营的整个阶段，以揭示公众关注点的时间演变；其次，它描述了公众情绪的长期演变，并将情绪取向解读为公众信任、风险感知、服务接受度和潜在出行选择的重要表现；第三，系统地纳入了重大事件变量（如自动驾驶技术突破和严重的先进驾驶辅助系统（ADAS）事故），以考察不同事件如何影响公众对自动驾驶打车的整体情绪；第四，揭示了公众情绪评价的地区差异，特别是地区收入水平与情绪得分之间的关联。

2. 文献综述
早期关于自动驾驶打车的研究主要依赖于问卷调查、结构方程建模和陈述选择实验，旨在识别公众使用意向的决定因素。这些研究普遍认为，感知安全、技术信任、社会影响、便利条件和个人社会经济特征是塑造公众接受自动驾驶打车的关键因素（Bansal等，2016；Tussyadiah等，2017；Acharya，2023；Liu等，2025；Yao等，2025）。此外，性别、职业、收入水平、技术熟悉度和实际使用经验等个人特征也影响公众对风险的感知及其使用意愿（Wu等，2025；Zhao等，2025）。针对平台司机的研究提供了进一步的见解。一些研究者承认自动驾驶可能会压缩出租车司机的就业空间这一中长期风险，但这种担忧并不一定转化为强烈的抵制，因为许多司机已经将这份工作视为临时职业（Schuster等，2024）。司机更关心技术故障、责任归属模糊以及面对面服务难以替代等问题。总体而言，这些研究表明，自动驾驶打车的接受度不仅受技术本身影响，还受到个人心理认知、社会环境和具体使用情境的联合影响。然而，大多数研究基于假设性场景或静态样本，更适合分析“哪些因素影响接受意向”，而不适合捕捉公众态度在意外事件、平台中介扩散和商业运营中的实际使用体验下的演变。因此，尽管传统的问卷调查为理解自动驾驶打车的接受机制提供了重要基础，但在捕捉公众态度的动态演变方面仍存在局限性（Yin和Cherchi，2024）。
与传统问卷相比，社交媒体数据更接近公众在真实世界事件和沟通情境中的即时表达，因此更适合捕捉公众对自动驾驶打车的关注、态度变化和接受程度（Zha等，2023）。在自动驾驶情绪研究领域，这类数据的快速更新和大规模样本使得之前的研究能够识别出公众支持或担忧的具体问题（Chen和Tomblin，2021）。此外，随着自然语言处理技术的进步，现在可以更准确地识别社交媒体文本中的微妙情绪和细微立场（Wang等，2022；Tori等，2024）。
社交媒体文本情感分析方法大致可以分为基于情感词典的规则方法、传统机器学习方法、预训练的语言模型方法和商业情感分析API。基于情感词典的方法相对容易实现，具有很强的可解释性，但在识别语境语义、讽刺表达、新兴在线术语和语义变化方面的能力有限（Zhang等，2018）。传统机器学习方法可以支持文本分类任务，但其性能往往依赖于手工构建的特征，且在不同语料库和应用场景中的稳定性较差（Bordoloi和Biswas，2023）。预训练的语言模型能更有效地捕捉语境语义和复杂表达，但大规模社交媒体文本处理通常需要模型部署、参数调整和大量的计算资源。因此，专为应用场景设计的商业情感分析API逐渐被用于大规模中文在线评论和公众意见文本分析，因为它们易于使用、输出标准化且批量处理效率高。
在现有的中文情感分析服务中，百度智能云情感分析API为本研究提供了合适的基础。Tang等人比较了几种主流中文情感分析API，包括阿里云、腾讯云、百度云和京东云，发现百度云是中文情感分析的代表性工具之一，可用于在线评论文本的情感分析（Tang等，2020）。Jin等人使用变形测试比较了三种主流中文NLP系统（百度云API、阿里云API和腾讯云API），结果表明，在句子顺序被打乱的情况下，百度NLP的错误率仅为8.09%，低于阿里NLP的11.64%和腾讯NLP的27.36%，表明从用户角度来看，百度NLP具有更强的分类稳定性（Jin等，2022）。因此，考虑到其在中文情感识别中的应用基础、作为主流API的地位以及在第三方评估中的分类稳定性，百度智能云情感分析API适用于本研究中使用的大规模微博评论语料库的情感分析。
如表1所示，大多数关于自动驾驶打车的现有研究并未使用社交媒体数据。在少数使用社交媒体数据的研究中，分析重点从“是否接受”自动驾驶打车这一二元问题，转向了对具体影响公众情绪的更细致的考察，包括技术应用、乘车体验、安全风险、市场竞争和就业冲击（Qi等，2024；Lin等，2025）。这些发展表明，公众对自动驾驶打车的态度不仅仅是支持或反对的问题，而是存在明显的多样性（Wang等，2024；He和Song，2025）。

表1.关于公众对自动驾驶出行服务态度的相关研究：

| 研究 | 数据来源 | 样本量 | 数据收集时间 | 方法论 | 目标人群 | 地点 |
|--------------|---------------- ------|------------------|------------------|---------------|------------------|
| Wu等人（2025） | 问卷调查 | 309 | 2024年8月15日–9月10日 | 结构方程建模 | 18岁及以上的女性在街头 | 武汉 |
| Zhao等人（2025） | 问卷调查 | 349 | 2024年7月–2025年1月 | 排序逻辑回归 | 交通执法人员 | 中国有自动驾驶出行服务 fleet 的城市 |
| Schuster等人（2024） | 问卷调查 | 44 | 2021年3月–7月 | 主题分析 | 出行服务司机 | 马里科帕、旧金山、洛杉矶 |
| Acharya（2023） | 问卷调查 | 413 | 2019年 | 结构方程建模 | 背景多样的成年人 | 加利福尼亚 |
| Lin等人（2025） | 媒体评论 | 87,027 | 2024年7月1日–8月14日 | GLM-4-9大型语言模型 | 30个最受欢迎的Apollo Go视频下的用户评论 | 中国 |

然而，现有文献中仍存在三个不足之处。首先，很少有研究关注中国 commercially 部署的自动驾驶出行服务所引发的情绪倾向，而且现有的研究大多集中在2024年7月左右的短时间窗口内，难以判断随着商业运营的推进，公众情绪是否发生了持续变化。其次，以往的研究主要停留在整体主题或情绪描述的层面，对重大事件冲击和地区差异带来的异质性关注不足。第三，一些研究在方法论上仍然主要依赖于情绪词典或短期的文本分析，这些方法在复杂的中国语言环境中适用性有限。针对这些问题，本研究收集了 Apollo Go 实际商业发布后一年内Weibo上的评论数据，并结合了基于LDA的主题建模与百度智能云端情感分析API。分析从三个维度展开：时间演变、事件驱动的影响以及地区差异。

3. 数据收集与预处理
3.1. 数据收集
本研究使用网络爬虫技术从Weibo上收集社交媒体数据，以构建反映公众对Apollo Go自动驾驶出行服务态度的数据集。Weibo常被称为中国的Twitter，截至2024年底每日活跃用户超过2.5亿。先前的研究已经证明，基于Weibo数据的情感分析是捕捉公众对交通政策和服务态度的有效方法（Zha等人，2023年）。
2024年7月初，Apollo Go的日订单量急剧上升。2024年7月7日，武汉发生了一起涉及Apollo Go自动驾驶车辆的轻微碰撞事故（GZSTV，2024年）。正面新闻（需求激增）和负面新闻（交通事故）的共存引发了相关在线讨论的热潮。我们使用Python中的Selenium和requests库，收集了2024年7月7日至2025年7月6日期间所有包含“Apollo Go”和“自动驾驶出行服务”关键词的Weibo评论。
为了减少用户删除、内容隐藏或平台更新延迟可能导致的数据丢失，我们设定每周抓取一次数据。在一年内，我们共获得了41,009条评论。作为对比，如果我们在2025年10月12日下载“上一年的”数据，那么平台上仅剩24,774条评论，减少了39.6%。这凸显了及时和持续数据收集的必要性。
表2总结了主要变量及其含义。数据集包括发布时间（精确到秒）、发布时的IP地址、转发次数、回复次数、点赞次数、来源、内容、用户ID和用户昵称等信息。

3.2. 数据预处理
数据预处理包括以下几个步骤：
1. 去重：删除同一用户重复发布的评论。
2. URL过滤：删除文本中嵌入的超链接、图片、视频和动画。
3. 主题标签删除：去除Weibo主题标签（例如“#...#”）。
4. 用户提及删除：从文本中去除“@用户名”。
5. 短文本过滤：删除少于八个中文字符的评论，因为这些评论通常缺乏传达清晰情绪所需的信息。

经过这些步骤后，剩余39,604条有效评论。每日评论数量分布见图1。然后使用Python中的Jieba库对清洗后的文本进行分割。根据哈尔滨工业大学提供的停用词列表去除停用词，并构建了一个自定义词典，其中包含与机器人出租车相关的表达和同义词映射，以便更好地分析事件驱动的影响。为了支持后续分析，本研究还收集了研究期间与自动驾驶出行服务及智能驾驶问题密切相关的代表性公共事件。为了保证后续分析的一致性，这些事件被标记为事件#I–事件#VII。

图1显示了研究期间Weibo评论的每日频率以及主要事件的时间线。具体来说：
- 事件#I指2024年7月7日Apollo Go订单量的激增；
- 事件#II指2024年8月19日幕后报道安全官员优先招聘有经验的司机；
- 事件#III指2024年10月11日Tesla推出RoboTaxi；
- 事件#IV指2024年12月12日百度Auto的合作企业面临运营困难；
- 事件#V指2025年1月20日DeepSeek开源；
- 事件#VI指2025年2月11日宣布Apollo Go的事故率为人类司机的1/14；
- 事件#VII指2025年3月29日小米汽车在自动驾驶过程中发生严重事故。
这些事件的识别和时间确定基于当时的媒体报道。

3.3. 描述性统计
为了进一步揭示公众讨论强度的空间分布，我们构建了一个省份级别的评论量比例热图（见图2）。颜色越深，表示讨论量越大。

图2显示了各地区评论量的热图。每个试点城市都指定了自动驾驶出行服务的服务区域。以武汉为例，Apollo Go的服务区域在附录图A1(a)中展示，蓝色阴影区域代表当前的服务覆盖范围。附录图A1(b)提供了一辆Apollo Go自动驾驶车辆在现实环境中运行的照片，直观展示了该服务的商业部署情况。

结果表明，广东、湖北和北京是讨论的热点地区，其次是多个东部省份以及河南和四川。相比之下，新疆和黑龙江等边境省份的讨论强度相对较低。总体而言，经济发展水平较高、Apollo Go服务规模较大的地区，公众的在线参与度较高，而中国西部和北部的参与度相对较低。

为了更清晰地呈现研究设计和分析流程，本研究在完成Weibo评论收集、数据预处理和描述性统计后构建了一个研究框架（见图3）。该框架基于原始Weibo评论数据：首先进行数据清洗和特征分析，形成有效的语料库；然后应用基于LDA的主题模型来识别公众讨论的核心主题，并进一步分析主题关注度随时间的变化；接着使用百度智能云端情感分析API来衡量评论的情感，重点关注整体情感和具体主题的情感变化；最后结合重大事件、地区信息和关键词演变结果，研究热点事件的影响、情感的地区分布以及影响出行方式选择的因素变化。因此，图3不仅展示了数据处理流程，还突出了本研究的核心分析逻辑，即主题演变、情感演变、事件冲击和地区差异。

4. 主题分类
4.1. 基于LDA的主题建模
预处理和词分割后，我们使用gensim库构建了LDA主题模型（Blei等人，2003年）。首先从标记化的文本中构建词典，然后使用filter_extremes（no_below=10, no_above=0.5, keep_n=1000）过滤掉罕见和过于常见的词汇。每个文档通过doc2bow转换为词袋表示，从而形成用于主题建模的语料库。接着使用gensim.models估计模型。在模型选择中，主题数量（num_topics）的范围是2到10，最大迭代次数设置为50。其他核心模型设置保持不变。在此框架下，我们进一步研究了不同随机种子设置是否会影响困惑度和主题连贯性的整体趋势。结果显示，这两种评估指标的轨迹在不同随机种子下基本稳定；因此，主要文本中报告了一个代表性的种子设置。
在构建LDA主题模型后，需要确定最佳的主题数量。困惑度和主题连贯性是评估主题模型性能的两个关键指标：困惑度衡量模型对文本数据的拟合能力和泛化能力，较低的困惑度值表示更好的性能；主题连贯性则量化了一个主题内高频词之间的语义关联程度，较高的连贯性值意味着更清晰、更易于解释的主题结构。因此，确定最佳主题数量需要综合考虑这两个指标的变化。随着主题数量的增加，困惑度通常会下降；然而，过多的主题可能会导致过于细粒度的划分和语义重叠加剧，从而影响模型的可解释性。图4显示了不同主题数量下LDA评估指标的演变，图4(a)显示困惑度，图4(b)显示主题连贯性。我们发现当主题数量设为五时，模型在保持相对较低困惑度的同时达到最高的连贯性，表明该设置能够有效捕捉语料库的潜在语义结构。

在确定最佳主题数量后，我们使用pyLDAvis工具包可视化主题结构。在可视化中，气泡大小反映了每个主题的相对流行程度，气泡之间的距离表示主题之间的相似性：距离较近表示特征术语的重叠较大，距离较远表示主题区分更明显。图5显示主题气泡通常分离良好，没有重叠，表明识别的主题具有相对清晰的边界，主题分类较为满意。

除了困惑度和主题连贯性外，本研究还引入了Jaccard相似系数作为高频关键词重叠程度的补充测试。具体来说，提取每个主题的前10个高频词形成关键词集合，并计算每对主题之间的Jaccard相似系数。较低的数值表示两个主题之间的关键词重叠较少，这反映了更强的主题独特性和排他性。相比之下，较高的数值表明在关键词层面有更大的相似性。图6中展示的Jaccard相似系数结果显示，主题之间的关键词重叠总体较低，证明在核心术语层面各个主题之间有良好的区分度。根据气泡图中显示的每个主题的 top 10 高频关键词，五个主题之间的成对Jaccard相似系数普遍较低，范围从0到0.1765，平均值为0.0498。只有“自动驾驶商业化”和“网约车就业影响”这一对显示出相对较高的系数（0.1765），而其余对的系数都在0–0.1111范围内，表明核心关键词重叠有限，主题分离度令人满意（Gan和Qi，2021年）。结合相对较低的困惑度、高的主题连贯性以及五个主题间较低的Jaccard相似系数，这种划分不仅在统计上合理，而且在语义解释性和主题边界清晰度方面也得到了有力支持。
下载：下载高分辨率图片（112KB）
下载：下载全尺寸图片
图6. Jaccard相似系数矩阵图

表3报告了每个主题的最频繁关键词及其相关评论的数量。根据高频词，我们为这些主题分配了以下标签：
主题1：自动驾驶商业化
主题2：人工智能社会经济影响
主题3：网约车就业影响
主题4：乘客安全感知
主题5：市场投资机会

表3. 微博数据集中的主题组

| 主题组 | 高频关键词 | 样本量 |
| ---- | -------- | ----- |
| 自动驾驶商业化 | automatic, Baidu, car, company, technology, service, driverless, taxi, testing, intelligent | 10,172 |
| 人工智能社会经济影响 | technology, development, science and technology, issue, society, artificial intelligence, job, era, human, life | 760 |
| 网约车就业影响 | driver, ride-hailing, taxi, driverless, safety operator, Baidu, livelihood, ride-hailing car, price, DiDi | 894 |
| 乘客安全感知 | carrot, experience, crash, accident, taxi, automatic, price increase, video, pedestrian, netizen | 886 |
| 市场投资机会 | market, technology, service, low price, official, sector, intelligent, concept, electronics, capital | 402 |

为了更直观地展示每个主题组内高频词的分布特征，我们进一步绘制了高频词在各主题组中的概率比例图。如图7所示，不同主题组的关键词结构有明显差异，表明公众对自动驾驶网约车的关注不仅仅局限于一个方面。相反，公众讨论形成了一个多维的图景，涵盖了技术发展、社会影响、行业就业、乘车体验和资本市场等多个方面。
下载：下载高分辨率图片（553KB）
下载：下载全尺寸图片
图7. 不同主题组中高频词的比例

具体来说，主题1（自动驾驶商业化）包含诸如“automatic”、“Baidu”、“car”、“company”和“technology”等高频词，表明公众讨论集中在自动驾驶技术的商业应用上，包括企业行为者、车辆服务、测试活动和智能移动应用。
主题2（人工智能社会经济影响）的特征是关键词分布更为均衡，包括“technology”、“development”、“science and technology”、“issue”和“society”。这种模式反映了公众对人工智能更广泛社会经济影响的关注。讨论超出了Apollo Go这一特定移动服务的范畴，涉及社会转型、就业结构变化、生活方式改变、技术伦理以及人类与智能系统之间的未来关系等更广泛的问题。
在主题3（网约车就业影响）中，“driver”一词的出现频率显著高于其他任何词，其次是“ride-hailing”、“taxi”、“driverless”、“safety operator”和“livelihood”。这表明就业替代、职业转型、收入压力和行业竞争是该主题中最突出的问题。“driver”和“livelihood”等术语的集中出现反映了公众对自动驾驶网约车可能重塑传统网约车劳动市场的强烈担忧。
在主题4（乘客安全感知）中，“carrot”（Apollo Go的俗称）、“experience”、“crash”和“accident”等关键词占比较高，而用户评论中也经常出现诸如“silly carrot”和“dumb carrot”等 humorous 表达。这种模式表明乘客的认知很大程度上受到实际乘车体验和运营安全的影响。与体验相关和事故相关的词汇同时出现，说明尽管用户认识到自动驾驶网约车的便利性和新颖性，但他们对安全风险、事故责任和无人驾驶服务的可靠性仍然非常敏感。
在主题5（市场投资机会）中，“market”、“technology”、“service”、“low price”、“official”和“sector”等关键词占比较高，表明部分讨论已经从具体的移动服务扩展到了产业链发展、智能技术领域和资本市场预期。

总体而言，不同主题组中高频词分布的不同表明，公众对自动驾驶网约车的认知具有清晰的层次性和综合性。技术商业化、社会经济影响、就业问题、乘客安全感知和市场预期共同塑造了围绕自动驾驶网约车的多维度公众讨论。这些发现为后续分析主题流行度演变和情绪倾向提供了重要基础。

4.2. 主题流行度的时间动态
图8展示了与Apollo Go自动驾驶网约车相关的公众关注的时间动态。这些主题变化不仅仅是在线讨论流行度的简单变化；它们反映了公众对自动驾驶网约车行为关注随时间的变化。在初期阶段，讨论主要集中在就业替代和安全不确定性上，表明公众最初是从社会破坏和感知风险的角度来评估自动驾驶网约车的。在中期阶段，关注点转向了商业可行性和行业扩张，表明这项服务开始被视为一种可行的移动选择而不仅仅是一项技术实验。在后期阶段，安全事件使关注点重新集中在风险、责任和信任上，表明潜在的服务选择仍然对外部事件非常敏感。这种模式表明，公众对自动驾驶网约车的行为反应不仅受到服务性能的影响，还受到就业问题、媒体传播和市场预期的影响。
下载：下载高分辨率图片（261KB）
下载：下载全尺寸图片
图8. 不同主题的评论比例变化

首先，“网约车就业影响”这一主题的占比总体下降：2024年7月占比为24.7%，2024年8月为38%，到2024年9月骤降至9%，再到2025年7月降至8.7%。这一轨迹反映了公众对自动驾驶替代效应的讨论从“直接失业”转向“职业重组”。在自动驾驶网约车商业化的初期阶段，传统司机更容易将这项技术解读为对现有就业岗位的即时冲击，因此相关的就业讨论最先升温。然而，随着试点项目的持续进行和运营边界的明确，社会讨论开始分化：一方面继续强调就业流失、收入压缩和职业不安全感，另一方面则关注远程安全操作员、车辆运营和维护、数据注释以及测试和验证等新职位的潜在产生。研究表明，自动驾驶技术的普及加剧了传统出租车从业者的威胁感知，并通过经济压力和情绪疲劳等机制影响了他们的行为反应，表明就业问题的显著性本质上是技术转型初期的结构适应问题（Huang等人，2025年）。从这个角度来看，图8中这一主题占比的逐渐下降并不意味着就业问题已经消失；更有可能的是，公众认知正从抽象的焦虑转向对职业转型路径、平台治理责任和劳动力重新分配等更具体的判断。

其次，在研究的中间和后期阶段，“自动驾驶商业化”这一主题显著升温，从2024年7月的21.5%的占比上升到2024年10月的52.9%，之后保持了较高的讨论热度。这一轨迹紧密追踪了自动驾驶网约车从试点示范到规模化运营的现实世界行业转型。在早期阶段，与商业化相关的讨论相对有限，因为公众仍处于观察阶段，主要关注该技术是否能够稳定、可持续地运行并可复制。一旦企业开始扩大运营范围、增加车辆部署、加剧价格竞争或释放明确的大规模生产信号，市场和公众的关注点就从技术新颖性转向了商业模式的可持续性。这一解读也得到了中国自动驾驶相关社交媒体研究的支持，这些研究表明公众的关注逐渐集中在与商业化密切相关的问题上，特别是安全和技术可靠性（Li等人，2025年）。这种模式表明，商业化讨论的增加并非简单地表达了对未来的“乐观”；相反，它反映了公众已经开始将自动驾驶网约车视为一种具体的移动服务和工业产品，而不再停留在概念层面。商业化主题的升温实际上标志着公众认知从“技术是否可行”转向“业务是否可行以及服务是否值得长期采用”。

最后，在安全事件的影响下，“乘客安全感知”这一主题的占比显著上升，表明安全问题继续对公众认知产生强烈的触发和溢出效应。例如，2025年4月的小米汽车高速公路安全事故使这一主题的占比从3月的25.6%上升到40.1%；然而，该事件起源于高级驾驶辅助系统（ADAS）的故障，而非自动驾驶网约车本身，这表明其他与ADAS相关的事故也可能迅速通过社交媒体传播影响对自动驾驶网约车的评价。这与研究发现一致，即在涉及事故的公众讨论中，公众倾向于将更多责任和负面情绪归咎于自动驾驶系统本身，这种归因偏差通过媒体传播进一步放大（Sun等人，2025年）。社交媒体不仅仅是一个信息交流渠道；通过负面内容的传播和风险叙事的强化，它还提高了公众对自动驾驶安全、伦理和责任的敏感度（Vafaei-Zadeh等人，2025年）。这些机制解释了为什么图8中安全体验主题在高风险外部事件发生后迅速上升：公众通常不会严格区分辅助驾驶、自动驾驶和自动驾驶网约车，而是在“自动驾驶”这一更广泛的概念下形成关联和判断。这一结果表明，在推进商业化过程中，自动驾驶网约车运营商不仅需要确保自身运营的安全，还需要建立更主动的风险沟通机制，以减轻跨事件、跨品牌和跨场景的公众舆论传播造成的信任侵蚀。

从整体主题流行度动态来看，图8展示的不仅仅是一系列趋势主题的简单更迭，而是公众评估焦点持续的迁移：从早期关注技术冲击和职业替代，到中期关注市场扩张和运营实施，再到后期强调乘车体验、风险感知和机构责任。这一轨迹与自动驾驶服务接受研究中发现的一般模式一致。研究表明，公众的使用意向强烈依赖于信任、风险感知、社会影响和促进条件等因素的共同作用，表明一旦技术进入实际应用阶段，用户评价标准逐渐从宏观层面的想象转向具体使用风险和支持环境（Pan等人，2025年）。从这个角度来看，当前研究中主题流行度的时间演变从根本上反映了公众对自动驾驶网约车的认知从“它是否破坏社会”转向“它是否可信、适合推广以及是否能够长期融入日常出行系统”。

5. 公众对自动驾驶网约车的情绪和行为选择
5.1. 情感分析
评论文本的情感分类是通过调用百度智能云情感分析API来完成的。对于每个输入文本，该接口返回一个情感类别及其对应的概率值，其中positive_prob反映了积极情感的强度。在本研究中，positive_prob被视为一个连续的情感指标，划分极性类别的阈值是基于先前使用相同自然语言处理界面的研究结果来确定的。在这些研究中，positive_prob同样作为核心情感度量指标，而稳健性检查将区间划分为[0, 0.45]表示负面情感，(0.45, 0.55)表示中性情感，以及(0.55, 1]表示正面情感。遵循这一既定惯例，本研究也采用了相同的三分類阈值方案（Gao等人，2024年）。根据百度AI开放平台的官方文档，百度智能云情感分析API采用了专为中文情感识别设计的深度学习架构。给定一段中文输入，该接口会输出三个类别的分类结果（正面、负面或中性），并返回情感极性、相关置信度以及正面和负面概率，适用于公众意见监测、口碑分析和评论挖掘等应用（百度AI云，2025年）。为了进一步评估百度智能云情感分析API是否适合本研究的语料库，本研究采用了将人工标注标签作为基准的既定协议，通过准确率分数和混淆矩阵来评估自动化情感输出。从全部数据集中随机抽取了1000条评论进行手动重新标注；通过对这一样本的计算，得出了三分類分类任务的总体准确率和混淆矩阵，以衡量API在当前数据集上的分类一致性（Hacking等人，2023年；Gandy等人，2025年；Varghese等人，2025年）。

评估结果显示，API的总体准确率为84.8%。具体到各类别，精确度、召回率和F1分数分别为：正面类别83.0%、85.7%和84.3%；中性类别72.5%、69.0%和70.7%；负面类别90.6%、90.8%和90.7%。总体而言，这些数据表明API的输出与人类标注的结果非常吻合，正面和负面情感的识别准确率都相对较高。对于中性情感的处理能力相对较弱，这是使用预训练语言模型进行情感分析时面临的常见挑战。这主要是因为中性评论通常包含较少的情感线索，且其中性表达与轻微正面或负面表达之间的语义边界较为模糊（Xu等人，2022年）。然而，中性评论在语料库中所占比例较小，因此这一限制不太可能显著影响对总体正面和负面情感趋势的识别。此外，还有来自一项比较三种主流中文NLP服务（百度云、阿里云和腾讯云）的元测试基准的进一步支持。该基准报告显示，在文本分类任务中，百度在句子顺序发生扰动时的错误率最低，表明其具有更强的稳健性和抗干扰能力（Jin等人，2022年）。因此，百度智能云情感分析API是进行本研究中的中文微博评论大规模情感分析的合适选择。

在主题层面，如果用未加权的算术平均值来聚合情感得分，那么就会隐含地认为每条评论在公众意见场中具有相同的影响力，从而忽略了点赞数、转发数和回复数所体现的传播范围和受众关注度的差异性。相反，如果直接使用原始参与量作为权重，就会暴露出社交媒体数据中典型的右偏态、长尾分布问题，导致少数热门评论主导整体结果，从而削弱测量的稳健性。以往的研究通常将点赞、评论和分享视为用户参与度和内容影响力的不可或缺的代理指标（Tenenboim，2022年），并常用ln(1 + x)的对数变换来减弱极端值和偏态分布的影响（Davis等人，2019年；Li等人，2026年）。基于这种方法，本研究根据每条评论的点赞数、转发数和回复数分配了不同的权重。如公式（1）所示，首先将这些参与指标求和，然后进行对数变换以减少极端值的影响。最终得到的值经过归一化，得到每条评论在相应分析组中的权重。

图9显示了情感分析的手动审核准确率。

图10展示了自动驾驶打车评论在不同情感得分区间内的参与度分布情况，以及不同情感得分水平下评论收到的点赞数、回复数和转发数的具体数量，反映了每个情感范围所对应的公众参与程度。

图11追踪了自动驾驶打车评论的情感份额逐月演变情况，显示了微博上公众对自动驾驶打车服务的态度如何随着时间变化。总体而言，负面评论的比例在研究初期较高，随后逐渐下降；正面评论的比例在中后期的多个时间点超过了负面评论；而中性评论的比例则一直保持在较低水平。

图12展示了不同情感导向在各个时期的分布情况。总体而言，公众情绪显示出明显的事件驱动波动模式。首先，研究初期Apollo Go订单量的激增引发了大量评论，其中负面评价占了较高比例。由于这次事件产生的评论数量远超后续事件，因此对年度整体情感得分产生了显著的负面影响。与首次事件相比，后续事件引发的正面和负面评价之间的差距缩小了。从整体趋势来看，正面情感的比例呈现出波动上升的趋势。

图13用于进一步说明特定主题情感如何受到不同事件的影响。总体而言，技术突破、安全性能披露和行业发展信号通常会推动某些主题（如“自动驾驶商业化”、“市场投资机会”和“AI社会经济影响”）的情感得分超过0.5。相比之下，安全事故、就业问题和企业运营风险往往会导致相关主题的情感得分低于0.5。这表明公众对自动驾驶接管的接受度对事件非常敏感，并且在不同主题间的差异显著。

在研究的初期阶段（2024年7月至9月），评论量达到年度峰值，而整体情感得分降至全年最低的0.29。这是自动驾驶打车服务首次进入公众视野的时刻：2024年7月7日，Apollo Go的订单量激增，引起了广泛关注，成为全年最具影响力的事件，也让公众普遍认识到了这项技术。该事件后的10天内产生了18,146条评论，占总评论量的约71%，平均情感得分为0.27，这对初期的情感统计结果产生了显著影响。从主题层面来看，2024年7月五个主题的情感得分都低于0.5，其中“自动驾驶对就业的影响”甚至低至0.18，表明公众最初更多是从风险角度看待这项技术。随后，在2024年8月19日后端安全运营员招聘事件引发的讨论中，正面评论 briefly 超过了负面评论的数量。这一事件在10天内产生了1150条评论，占该时期总量的约5%，平均情感得分为0.27，表明正面情绪有所上升。

在研究的中间阶段（2024年10月至12月），整体情感得分上升至0.36，中性情感和正面情感的比例都有所增加。2024年10月11日特斯拉Robotaxi产品发布后的10天内产生了3430条评论，占总评论量的约53%，平均情感得分为0.30。尽管Robotaxi的发布引发了一定程度的短期争议，但它所激发的技术想象力和行业关注度提升了整体情感水平，11月的平均情感得分上升至0.63。2024年12月，五个主题的情感得分均超过了0.5，特别是“市场投资机会”和“AI社会经济影响”的得分显著提升，表明市场对自动驾驶产业的未来前景充满期待。然而，当2024年12月12日传出百度和吉利合资企业Jiyue陷入财务困境的消息时，10天内出现了1708条评论，占总评论量的约26%，平均情感得分下降至0.34，表明公众对自动驾驶产业的长期发展前景变得谨慎。

在研究的后期阶段（2025年1月至3月），整体情感得分进一步上升至0.55。2025年1月20日DeepSeek开源发布后的10天内产生了1217条评论，占总评论量的28%，平均情感得分为0.45。这部分评论中有很多将DeepSeek与Apollo Go自动驾驶服务视为中国国内人工智能行业的“双星”。2025年2月11日百度管理层宣布Apollo Go的事故率仅为人类驾驶员的四分之一后，10天内出现了1092条评论，平均情感得分为0.54。3月份评论数量减少且没有类似事件引发，但平均情感得分上升至0.64。与主要激发技术想象力的DeepSeek事件不同，事故率的披露直接回应了公众对安全和可靠性的核心关注。图13显示，2025年2月，“自动驾驶商业化”、“乘客安全感知”和“市场投资机会”均保持在0.5以上，而“网约车就业影响”也接近0.5。这表明，安全性能信息的披露可以增强公众对自动驾驶网约车运营成熟度和商业推广前景的认识。这两类事件都表明，当企业持续发出关于安全性能和运营成熟度的明确信号时，公众更倾向于给予正面评价。这一发现与先前的证据一致，即信任、安全感知和持续使用意图之间存在显著联系（Liu等人，2025年）。在最后阶段（2025年4月至7月），总体情绪略有下降至0.47。2025年3月29日的小米汽车智能驾驶事故虽然发生在3月底，但将舆论高峰推到了4月初：事件发生后的10天内产生了2707条评论，占最后阶段总评论数3144条的86%，平均情绪为0.48。2025年4月，“市场投资机会”、“网约车就业影响”和“人工智能社会经济影响”均降至0.5以下。虽然“乘客安全感知”仍略高于0.5，但已经接近阈值。这一模式证明了突发事故如何迅速侵蚀了早期积累的技术乐观情绪，使公众的注意力转向风险、责任和安全边界的问题。值得注意的是，尽管该事故并未涉及Apollo Go车型，但它仍然以明显的方式重塑了相关讨论。这表明社交媒体讨论很少尊重辅助驾驶、自动驾驶和自动驾驶网约车之间的技术界限，而是在更广泛的“自动驾驶”框架内形成风险关联，从而减弱了公众对自动驾驶网约车的行为接受意愿。类似的证据也表明，由事故引发的公众讨论通过风险感知放大和媒体传播机制对公众信任产生持续影响（Jing等人，2023年；Irannezhad和Mahadevan，2022年）。按主题情绪得分排名，五个主题从高到低依次为：自动驾驶商业化（0.46）、市场投资机会（0.33）、乘客安全感知（0.30）、人工智能社会经济影响（0.29）和网约车就业影响（0.26）。其中，自动驾驶商业化是唯一一个被评为中立的主题，并排名第一。这表明，尽管关于自动驾驶网约车的负面评论很多，公众仍然对自动驾驶技术及其商业化前景抱有一定期待。

5.3. 情绪倾向的地域差异
图14展示了中国各省情绪得分的空间分布，其中较深的阴影表示更积极的态度。作为补充分析，本研究以运营面积至少为100平方公里的省份作为比较单位，发现人均GDP超过20,000美元的省份通常记录较低的总体情绪得分（图15）。具体来说，北京、湖北和广东等核心运营区域记录的情绪得分相对较高，而江苏、浙江和上海等经济发达地区的得分则较低。
下载：下载高分辨率图片（319KB）
下载：下载全尺寸图片
图14. 全国平均情绪得分的地域分布。
下载：下载高分辨率图片（116KB）
下载：下载全尺寸图片
图15. 选定省份的人均GDP与情绪得分散点图。

来自中国城市样本的现有证据表明，住房压力与主观幸福感显著负相关。通勤时间和通勤成本，以及它们对健康、工作和社区生活的溢出效应，也往往会降低主观幸福感（Deng等人，2024年）。由于主观幸福感可能进一步影响人们对新兴出行服务的评价，这些城市压力可能会间接影响公众对自动驾驶网约车的态度。

5.4. 影响出行选择行为因素的变化
本研究使用TF-IDF算法提取关键词。TF-IDF结合了词频（TF，即一个词在目标文档中出现的频率）和逆文档频率（IDF，即该词在其他文档中出现的频率的倒数）。TF和IDF的乘积用于评估一个词在语料库中对文档的重要性，从而支持跨所有文档的关键词提取（Zhuohao等人，2021年）。
为了捕捉公众关切随时间的变化，我们首先将一年划分为四个阶段，每个阶段对应一个季度。对于每个阶段，我们应用TF-IDF提取用户评论中最重要的八个关键词，然后计算词嵌入之间的余弦相似度，以评估相邻阶段关键词之间的关联程度。这使我们能够描述关键词演变的连续性和变化。最后，使用桑基图（图16）可视化结果，其中线条粗细代表关键词之间的关联强度：线条越粗，表示关联越强。
下载：下载高分辨率图片（448KB）
下载：下载全尺寸图片
图16. 四个阶段中的关键词演变。

在不同阶段，诸如“技术”和“体验”之类的术语始终显得突出，表明公众倾向于将自动驾驶网约车视为一种高度依赖技术的服务，并具有体验吸引力。同时，“市场”和“司机”等词汇在较长时间内持续出现，反映了围绕传统交通行业与新兴自动驾驶生态系统之间关系和紧张关系的持续辩论。
在第一阶段，特定阶段的关键词包括“安全运营商”、“失业”和“技术”。一方面，这反映了公众见证自动驾驶从概念变为现实的新颖性效应。另一方面，对Apollo Go低价进入市场的不满（H?rl等人，2021年）以及对安全的不确定性引发了出租车司机和网约车司机的不安，以及乘客的担忧。这种模式与证据一致，即公众通常首先将自动驾驶视为对交通行业就业结构的冲击，特别是对低技能驾驶职位的替代和不安全感（Nikitas等人，2021年）。

在第二阶段，整体情绪较前一阶段有明显改善。高频出现的关键词包括“特斯拉”、“测试”和“发布”，这可能与特斯拉Robotaxi服务的推出有关，该服务引发了关于自动驾驶技术轨迹和竞争格局的全球讨论。对“失业”的关注减少，表明传统网约车和自动驾驶网约车之间的冲突正在逐渐缓解。经过几个月的运营后，公众对自动驾驶技术可靠性的信心提高，关注点从“这项技术是否值得信赖”转向“哪种技术路线更优”。例如，许多讨论将Apollo Go的激光雷达方法与Robotaxi的纯视觉解决方案进行对比，争论哪种更可靠。基于社交媒体数据，先前的研究表明，自动驾驶情绪的变化往往与重大社会事件同步，最明显的是产品发布、事故和政策公告，这些事件期间公众态度明显波动（Ding等人，2021年）。因此，第二阶段特定阶段关键词从就业转移到测试和产品发布的转变，最好理解为公众开始将自动驾驶网约车视为一个正在经历实际竞争的现实行业，而不仅仅是一个抽象概念。

在第三阶段，高频出现的词汇如“旅行”、“安心”和“生活”表明公众的关注点逐渐转向旅行安全。这一转变可能与百度CEO李彦宏在世界政府峰会的发言有关，他在会上表示Apollo Go的实际事故率仅为人类驾驶员的十四分之一。关于自动驾驶出租车持续使用的研究发现，真实的驾驶体验会塑造后续的持续使用意愿，而且骑行频率本身是一个重要的门槛变量（Dong等人，2025年）。这与第三阶段出现“安心”和“旅行”等词汇的上升相吻合，表明随着运营时间的延长和正面社会评价的积累，一部分公众开始从“旁观者”转变为“潜在用户”。

在第四阶段，这一阶段的高频词汇包括“服务”、“全球”和“智能”，这可能与涉及小米车辆的高速智能驾驶事故有关。公众的担忧迅速蔓延到整个自动驾驶领域，包括自动驾驶网约车。现有研究表明，在现实世界的自动驾驶场景中，社会和技术因素共同塑造用户信任，而信任是驱动使用意图的关键中介变量（Liu等人，2025年）。该事故直接削弱了对自动驾驶技术的信任。
同时，这一事件也引发了人们对企业使用用户数据进行测试的不满。因此，公众讨论超越了技术性能和安全结果，深入到数据伦理和隐私保护等更深层次的问题。

6. 讨论
6.1. 公众关注的变化需要相应的战略优先级调整
本研究的结果表明，公众对自动驾驶网约车的关注并非静态的，而是在一年的观察期内经历了相对清晰的分阶段转变。在早期阶段，公众讨论主要集中在网约车的就业影响上，反映了社会对司机替代、收入压缩和传统交通行业重构的担忧。随着自动驾驶网约车的持续运营，关于就业影响的讨论强度逐渐减弱，而乘客安全感知和骑行体验变得越来越重要。这种转变是合理的：在技术扩散的早期阶段，公众通常首先从社会破坏和风险不确定性的角度来看待新技术。一旦运营界限变得更加清晰，公众对该技术的了解增加，评估重点就从“它是否会影响就业”转向“它是否安全、可靠和适合日常出行”。这一结果与Pakusch等人的发现一致，即自动化可能会引发出租车司机和网约车司机的就业担忧（Pakusch等人，2020年），同时也呼应了Huang等人的观点，即对自动驾驶的感知威胁可以影响传统驾驶群体的行为反应（Huang等人，2025年）。
这一发现表明，企业和政府不应将公众态度视为单一的、固定的接受或抵制形式，而应在不同阶段采取差异化的治理措施。在运营的早期阶段，应优先解决就业群体的担忧。例如，应明确自动驾驶网约车与传统网约车之间的服务界限，以避免在核心订单市场中过度替代。同时，可为受影响的司机提供远程安全运营商、车辆操作和维护人员、客户服务调度员和数据标注员等职位的过渡培训。Dong等人指出，自动驾驶出租车的持续使用意愿与真实的驾驶体验密切相关（Dong等人，2025年），而Yin和Cherchi也强调需要通过更适当的政策设计来应对自动化交通对不同群体的影响（Yin和Cherchi，2024年）。因此，在运营的中间和后期阶段，治理重点应进一步转向优化乘客体验，从而促进公众关注点从就业影响转向实际出行接受。

6.2. 情绪的波动性改善突显了持续反馈和服务改进机制的必要性
尽管总体年度情绪得分相对较低，但时间演变表明公众情绪并未持续恶化；相反，它呈现出波动上升的趋势。这表明公众并没有完全拒绝自动驾驶网约车，而是根据信任、风险感知、服务体验和商业成熟度做出动态判断。早期情绪较低主要是由于技术新颖性、事故不确定性和对就业替代的担忧。Juma认为，新技术在扩散初期常常引发公众的焦虑和抵制，这有助于解释自动驾驶网约车商业化初期负面情绪的高水平（Juma，2016年）。他和Song还基于社交媒体情绪分析发现，商业自动驾驶讨论中负面情绪较为突出，这与本研究中观察到的总体情绪较低的情况大体一致（He和Song，2025年）。然而，这项研究进一步发现，随着运营信息的积累，公众情绪呈现出波动上升的趋势。这表明，公众的负面态度并非不可改变，而是可以通过运营调整、技术改进以及安全信息的公开而发生变化。Lokhandwala和Cai提出的动态修正逻辑可以解释这一现象：在运营过程中持续优化技术、服务和支持设施有助于将公众反馈转向更积极的方向（Lokhandwala和Cai，2018年）。因此，自动驾驶出行平台不应仅仅依赖“先进技术”或“低价”来提高接受度，而应建立持续的公众意见反馈和服务改进机制。具体来说，企业可以定期从社交媒体中提取高频负面评论，并将其转化为可量化的运营指标，如接客点准确性、等待时间稳定性、路线绕行情况、紧急制动频率和异常停车频率。平台还可以定期发布服务改进报告，说明发现了哪些问题、采取了哪些措施以及服务性能如何得到提升。通过这种方式，公众情绪反馈可以转化为运营优化的基础。

6.3. 事件驱动的情绪波动需要更强的风险沟通机制
本研究发现，重大事件对公众对自动驾驶出行的情绪评价有明显影响。诸如技术突破和安全性能披露等积极事件通常会提升公众情绪，而企业运营风险和安全事故等负面事件则可能导致情绪下降。这表明公众情绪具有明显的事件驱动特征，不同类型的事件通过不同的途径影响情绪。Jing等人从触发和扩散、公众认知与情绪、群体异质性以及行业和社会溢出效应的角度概念化了自动驾驶事故后的公众认知，这与本研究观察到的情绪波动机制高度一致（Jing等人，2023年）。特别是在与安全相关的事件之后，公众往往会迅速将技术风险与责任分配和监管不足联系起来，从而导致情绪下降。更重要的是，公众情绪不仅受到自动驾驶出行本身的影响，还受到相邻技术领域溢出冲击的影响。例如，尽管涉及辅助驾驶系统的事故与自动驾驶出行事故不等同，但在社交媒体交流中，公众往往不会严格区分辅助驾驶、自动驾驶和自动驾驶出行。相反，这些技术通常被归入“无人驾驶”或“智能驾驶”的更广泛风险框架中。Sun等人指出，在关于自动驾驶事故的公众讨论中，公众往往更多地将责任归咎于自动驾驶系统本身（Sun等人，2025年）。Vafaei-Zadeh等人也强调，媒体传播可以放大了公众对自动驾驶相关的安全、伦理和责任问题的敏感度。因此，企业和监管机构应建立事件响应机制（Vafaei-Zadeh等人，2025年）。一方面，他们应定期披露事故率、人工接管频率、应急处置记录和乘客投诉处理情况；另一方面，在发生与安全相关的事件后，应立即澄清事故原因、责任边界和技术类型及纠正措施，以避免公众混淆辅助驾驶、自动驾驶和自动驾驶出行的风险。Irannezhad和Mahadevan关于信任和风险感知对自动驾驶出行接受度影响的研究也表明，透明沟通是减少风险关联和稳定公众接受度的重要手段（Irannezhad和Mahadevan，2022年）。

6.4. 情绪的地区差异需要差异化的推广策略
区域分析显示，不同省份对自动驾驶出行的公众情绪评价存在明显差异。在运营面积超过100平方公里的省份中，北京、湖北和广东等核心运营区域的情绪得分相对较高，而江苏、浙江和上海等经济更发达的地区得分较低。Deng等人指出，住房压力、通勤时间和通勤成本会影响居民的主观幸福感，进而影响他们对城市出行服务的评价（Deng等人，2024年）。对于江苏、浙江和上海等地，居民可能对出行效率、服务稳定性、安全保障和个人化体验有更高的期望。因此，他们可能不会仅仅因为技术的新鲜感就对自动驾驶出行持积极评价，而是会将其与成熟的城市交通服务进行比较。基于这种地区差异，推广自动驾驶出行不应采取一刀切的扩张策略。在公众接受度较高且试点基础较好的地区，企业可以扩大运营范围并提高调度效率；而在评价较为谨慎的经济发达地区，则应优先考虑低冲突场景，如机场接驳服务、地铁站接驳服务、工业园区通勤和夜间补充运力。Duan等人强调了安全感知对于非用户接受自动驾驶出行服务的重要性（Duan等人，2025年），而Jia和Ding也认为企业应围绕用户在安全、路线和服务体验方面的核心关切不断优化运营计划（Jia和Ding，2024年）。因此，地方政府可以将乘客满意度、安全信息的透明度、投诉处理效率以及对传统出行市场的影响纳入试点评估标准中。这将有助于通过差异化部署减少地区阻力，并提高自动驾驶出行的长期商业接受度。

7. 结论
本研究以百度Apollo Go自动驾驶出行服务为例，使用微博网络爬虫收集了一年的公众评论，并结合LDA主题建模和百度智能云情感分析API进行分析。从主题分类、情绪的时间动态、重大事件的影响以及地区差异的角度，系统地研究了现实商业环境中公众对自动驾驶出行的态度和看法。结果表明，从主题动态来看，公众对自动驾驶出行的关注逐渐从就业影响转向安全和乘车体验。总体而言，公众对自动驾驶出行的情绪遵循“整体消极但有所改善”的演变轨迹。情绪变化也与关键行业事件有明显的时间对应关系：有利于行业发展的事件 tend to 增强公众的积极态度，而企业运营风险和安全事故则可能导致态度迅速下降。同时，公众情绪也表现出明显的地区差异。在运营面积超过100平方公里的省份中，经济发展水平较高的地区总体情绪得分较低。综合这些结果表明，公众对自动驾驶出行的看法并非静态不变，而是随着运营进展、外部事件和直接体验而不断调整。这些结果也为理解公众对自动驾驶出行的出行选择倾向提供了实证依据。

本研究存在一些局限性。首先，由于可用数据领域的限制，它没有进一步细分用户特征，因此无法精确分析不同年龄段、职业和性别等人口统计群体的情绪差异。其次，由于Apollo Go自动驾驶出行仅在相对较短的时间内投入使用，情绪分析基于一年的数据。未来的研究可以构建多年比较框架，以探索公众态度的长期演变模式。第三，该研究采用了静态的LDA模型，虽然能够捕捉到主题受欢迎程度的变化，但难以准确描绘主题语义随时间的动态演变。第四，情绪分析主要依赖于百度智能云情感分析API；尽管该模型已通过手动随机抽样进行了验证，但仍存在一定程度的黑箱性和分类误差。

作者贡献声明：
陈阳丁：写作 - 审稿与编辑、写作 - 原稿撰写、可视化、验证、软件开发、方法论设计、数据整理、形式化分析。
黄正峰：监督、资源协调、项目管理、方法论构建、概念化。
郑鹏军：写作 - 审稿与编辑、资金募集。

陈阳丁 | 黄正峰 | 郑鹏军
宁波大学海事与交通学院，中国浙江省宁波市江北区凤华路818号，315211