唐 立，鄒 彤，羅 霞，陳思為

(1.西華大學(xué) 汽車與交通學(xué)院，成都610039；2.上海市政工程設(shè)計(jì)研究總院(集團(tuán))有限公司 成都分公司，成都 610000；3.西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院，成都610031)

0 引言

網(wǎng)約車，即通過網(wǎng)絡(luò)預(yù)約的出租汽車.相對(duì)于傳統(tǒng)出租車，網(wǎng)約車通過整合實(shí)時(shí)出行信息，實(shí)現(xiàn)供需的高效匹配，被認(rèn)為是解決“打車難”問題的利器.憑借價(jià)格補(bǔ)貼、較好的用戶體驗(yàn)和減少現(xiàn)金支付等優(yōu)勢(shì)，網(wǎng)約車市場(chǎng)份額迅速擴(kuò)張，已成為城市交通體系中不可忽略的組成部分.如何理解市場(chǎng)對(duì)網(wǎng)約車的青睞，對(duì)網(wǎng)約車公司規(guī)范化發(fā)展、合理調(diào)控城市交通資源意義重大.

從2010年易道用車上線，短短幾年內(nèi)，我國(guó)網(wǎng)約車市場(chǎng)已完成了“萌芽—井噴—源整合”的階段過渡.2016年7月28日，交通運(yùn)輸部正式出臺(tái)《網(wǎng)絡(luò)預(yù)約出租汽車經(jīng)營(yíng)服務(wù)管理暫行辦法》，明確了網(wǎng)約車的定位與合法性.然而，由于興起與發(fā)展過快，關(guān)于網(wǎng)約車的學(xué)術(shù)研究一直較為少見.回顧近幾年的相關(guān)文獻(xiàn)，主要集中于法律框架[1]、對(duì)城市交通的影響[2]、出租車行業(yè)改革[3]等宏觀管理問題上；另有少量研究從微觀角度探討了網(wǎng)約車運(yùn)營(yíng)與發(fā)展策略：Hai Yang等基于雙邊市場(chǎng)理論和均衡模型，提出了在一定條件下能夠制衡出租車和網(wǎng)約車市場(chǎng)的定價(jià)策略模型[4].Jian Lu等提出了基于短時(shí)交通流預(yù)測(cè)的網(wǎng)約車訂單需求預(yù)測(cè)模型[5].

本文從用戶的視角出發(fā)，設(shè)計(jì)并開展了成都市網(wǎng)約車使用特征的行為調(diào)查(Revealed Preference,RP)及網(wǎng)約車選擇的意向調(diào)查(Stated Preference,SP)，基于能夠反映個(gè)體異質(zhì)性偏好的混合Logit構(gòu)建選擇模型，研究影響網(wǎng)約車選擇的關(guān)鍵因素及其變化對(duì)出行結(jié)構(gòu)的影響.

1 基于混合Logit的網(wǎng)約車選擇模型

網(wǎng)約車選擇模型的構(gòu)建與問卷設(shè)計(jì)緊密關(guān)聯(lián)，往往需要在模型復(fù)雜度和問卷可操作性之間做出權(quán)衡.首先，確定選擇集：基于成都市主要出行方式，本文重點(diǎn)考慮與網(wǎng)約車提供相似運(yùn)距服務(wù)且具有競(jìng)爭(zhēng)性的備選項(xiàng)，確定個(gè)體q的選擇集為：常規(guī)公交、地鐵、私家車、出租車、網(wǎng)約車，即

其次，確定影響選擇枝效用的屬性.設(shè)置出行目的、出發(fā)時(shí)間、出行距離、到達(dá)時(shí)間(定義為從出行原點(diǎn)至獲取主出行方式期間所消耗的時(shí)間)、在車時(shí)間和費(fèi)用等6個(gè)出行特征屬性.由于在車時(shí)間與出行距離高度相關(guān)，因此，用出行方式平均速度的變化反映在車時(shí)間的服務(wù)水平.同時(shí)，假設(shè)出行者還受到性別、年齡、收入和小汽車使用權(quán)等社會(huì)經(jīng)濟(jì)屬性和對(duì)網(wǎng)約車依賴性的影響.

進(jìn)而，確定個(gè)體q對(duì)選擇枝j的效用函數(shù)，即

式中：ASCqj為選擇枝固有常量，表示出行方式本身對(duì)效用的影響；Fq為個(gè)體q使用網(wǎng)約車的頻率，表示對(duì)網(wǎng)約車的依賴程度；Xqj表示出行特征屬性；SDCqj表示個(gè)人社會(huì)經(jīng)濟(jì)屬性為相關(guān)屬性所對(duì)應(yīng)的參數(shù)；εqj為效用隨機(jī)項(xiàng).

在經(jīng)典的多項(xiàng)Logit模型中，β為固定參數(shù)，εqj相互獨(dú)立且共同服從Gumbel分布.混合Logit模型假設(shè)變量參數(shù)和效用隨機(jī)項(xiàng)在個(gè)體和選擇枝之間變化，在β中加入隨機(jī)要素，以引入個(gè)體異質(zhì)性并包容選擇枝之間的相關(guān)性.本文假設(shè)到達(dá)時(shí)間、在車時(shí)間和費(fèi)用屬性的參數(shù)為隨機(jī)變量，服從對(duì)數(shù)正態(tài)分布.同時(shí)，為了反映個(gè)體在時(shí)間價(jià)值上的異質(zhì)性，將在車時(shí)間屬性的參數(shù)按公共交通(常規(guī)公交和地鐵，表示為βtpub)、私人小汽車(表示為βt)、約租車(出租車和網(wǎng)約車，表示為βtrent)分為3類特定屬性參數(shù).同理，費(fèi)用屬性的參數(shù)中，公共交通類表示為βfpub，私人小汽車表示為βf，約租車類表示為βfrent.其余屬性均設(shè)固定參數(shù).

通常情況下，到達(dá)時(shí)間(Arrival)、在車時(shí)間(Travel)和費(fèi)用(Fare)參數(shù)的期望值應(yīng)為負(fù)，即以上3個(gè)屬性值的增加都會(huì)降低相應(yīng)的效用.而對(duì)數(shù)正態(tài)分布的值都在非負(fù)區(qū)間，因此，對(duì)上述屬性施加符號(hào)變化.將私家車設(shè)置為對(duì)比項(xiàng)，各出行方式效用函數(shù)確定項(xiàng)為

當(dāng)固定參數(shù)被服從某一分布的隨機(jī)數(shù)所替代時(shí)，無條件下j被選擇的概率應(yīng)是β遍歷所有可能值上的概率期望值，即混合Logit模型的概率函數(shù)可看作是多項(xiàng)Logit概率函數(shù)在β密度函數(shù)f(ηq|zq,Ω)上的積分，即

2 問卷設(shè)計(jì)與調(diào)查

2.1 問卷設(shè)計(jì)

問卷分為3個(gè)部分：第1部分，收集受訪者社會(huì)經(jīng)濟(jì)屬性信息；第2部分為RP問卷，了解出行者網(wǎng)約車使用頻率、原因、出行距離等特征；第3部分為SP問卷，在通勤和非通勤背景下，將模型中各屬性按不同水平組合成多個(gè)情境.采用對(duì)稱編碼，屬性水平與編碼設(shè)置如表1所示.

表1 屬性水平與編碼Table 1 Attribute level and coding

為獲得更可靠的參數(shù)估計(jì)，采用D-efficient效率設(shè)計(jì)法生成SP問卷.使用Ngene軟件編程，在通勤和非通勤場(chǎng)景下，各生成24個(gè)選擇情境.每份問卷包含6個(gè)通勤選擇和6個(gè)非通勤選擇，4份分屬于4個(gè)組別的問卷共同構(gòu)成一套全情境問卷.

2.2 調(diào)查方案與實(shí)施

調(diào)查采用基于年齡的分層隨機(jī)抽樣法，同時(shí)參考移動(dòng)互聯(lián)網(wǎng)用戶的年齡和職業(yè)分布.正式調(diào)查分為2個(gè)階段：第1階段，通過微信、郵件等發(fā)放電子問卷；第2階段，基于第1階段所得樣本的年齡分布特征，有針對(duì)性地發(fā)放紙質(zhì)問卷.為提高響應(yīng)率和問卷有效率，每位完成問卷的受訪者可獲得50元現(xiàn)金獎(jiǎng)勵(lì).

2.3 樣本描述

調(diào)查從2016年11月持續(xù)至2017年1月，最終獲得通勤和非通勤背景下的觀察數(shù)各3 120個(gè).對(duì)有效問卷進(jìn)行整理分析，樣本的社會(huì)經(jīng)濟(jì)屬性統(tǒng)計(jì)指標(biāo)如表2所示.調(diào)查對(duì)象年齡和職業(yè)分布與抽樣計(jì)劃基本一致.

表2 樣本個(gè)人社會(huì)經(jīng)濟(jì)屬性統(tǒng)計(jì)Table 2 Individual social-demographic characteristics statistics of the sample

3 結(jié)果分析

3.1 網(wǎng)約車使用特征分析

基于有效樣本，統(tǒng)計(jì)網(wǎng)約車使用特征，結(jié)果如圖1所示.分析發(fā)現(xiàn)，網(wǎng)約車軟件普及率高，培育了一批活躍度高的用戶群體.受訪者中僅有6%的人群表示從不使用網(wǎng)約車出行，42.7%表示至少每周會(huì)使用1次網(wǎng)約車.網(wǎng)約車的服務(wù)范圍主要為中短距離出行，以休閑娛樂和通勤通學(xué)為主要目的.價(jià)格優(yōu)惠、線上付款方便和可以提前叫車占受訪者選擇網(wǎng)約車原因的前3位.可見，除了費(fèi)用上的競(jìng)爭(zhēng)力，線上叫車并支付的方式提高了用戶體驗(yàn)，吸引并鞏固了市場(chǎng).此外，網(wǎng)約車對(duì)常規(guī)公交和出租車替代作用明顯，對(duì)私家車和地鐵的替代作用有限.近一半的受訪者認(rèn)為網(wǎng)約車增加了自己的出行次數(shù)，而其中有64%的人沒有私家車.

3.2 參數(shù)標(biāo)定結(jié)果及分析

由于式(4)不閉合，混合Logit模型的概率需要通過極大模擬似然估計(jì)法求得[6].利用NLogit軟件編程，標(biāo)定網(wǎng)約車選擇模型.其中，采用Halton法完成對(duì)隨機(jī)參數(shù)β的抽取，抽取總次數(shù)設(shè)定為R=500，標(biāo)定結(jié)果如表3所示.

表3中的第1部分為隨機(jī)參數(shù)的標(biāo)定結(jié)果，括號(hào)外為隨機(jī)參數(shù)的期望平均值，括號(hào)內(nèi)依次為隨機(jī)參數(shù)的方差值、方差標(biāo)準(zhǔn)差及p檢驗(yàn)值.均值顯著(即p＜0.05)表示對(duì)效用有統(tǒng)計(jì)意義上不同于0的影響.方差的顯著性則反映該參數(shù)在均值周圍的異質(zhì)性，若不顯著，說明分布中的所有信息已在平均值上被捕獲，此時(shí)隨機(jī)參數(shù)收斂為在均值上的固定參數(shù).本文建立的通勤和非通勤模型均設(shè)置有7個(gè)隨機(jī)參數(shù)，2個(gè)模型中隨機(jī)參數(shù)的均值全部顯著且符號(hào)為負(fù).說明時(shí)間和費(fèi)用的增加會(huì)不同程度地降低每一種出行方式的效用，與現(xiàn)實(shí)情況相符.從方差上看，2個(gè)模型中常規(guī)公交與地鐵的在車時(shí)間、小汽車、出租車和網(wǎng)約車的費(fèi)用參數(shù)的方差顯著，說明個(gè)體對(duì)公交的運(yùn)行時(shí)間及非公交方式費(fèi)用的感知差異較大.

圖1 網(wǎng)約車使用特征分析Fig.1 Feature analysis of taxi-hailing use

表3的第2部分為固定參數(shù)的標(biāo)定結(jié)果.在2個(gè)模型中均顯著的參數(shù)包括年齡、收入和私家車使用權(quán).通勤模型中另有地鐵和網(wǎng)約車的固有常量、網(wǎng)約車使用頻率顯著，非通勤模型中另有常規(guī)公交和出租車的固有常量及出行目的顯著.首先分析固有常量：通勤模型中，地鐵顯著且為符號(hào)正，說明通勤出行時(shí)，出行者較之私家車更愿意選擇地鐵.非通勤模型中，地鐵、出租車、網(wǎng)約車均顯著且為符號(hào)正，說明這3種出行方式未被觀測(cè)到的平均效用對(duì)其總效用有正面影響.其次，從社會(huì)經(jīng)濟(jì)屬性來看，年齡、收入和私家車使用權(quán)在2個(gè)模型中均顯著，其中收入和私家車使用權(quán)符號(hào)一負(fù)一正，說明高收入的擁車人群更傾向于私家車出行.此外，網(wǎng)約車使用頻率在通勤模型中顯著且符號(hào)為正，但在非通勤模型中不顯著，可見個(gè)體在通勤出行方式的選擇中更依賴于日常的出行習(xí)慣，而在非通勤時(shí)選擇靈活度更大.

表3的第3部分為模型總體輸出結(jié)果.可見，通勤和非通勤模型各使用了3 120個(gè)對(duì)應(yīng)觀察數(shù)據(jù)完成標(biāo)定，其McFadden偽R2指標(biāo)分別為0.328和0.213，均大于0.2，說明2個(gè)模型都有較強(qiáng)的解釋力.

表3 基于混合Logit的網(wǎng)約車選擇模型標(biāo)定結(jié)果Table 3 Calibration result of the mixed-Logit based taxi-hailing choice model

3.3 費(fèi)用的邊際效應(yīng)分析

最后，對(duì)出租車和網(wǎng)約車費(fèi)用進(jìn)行邊際效應(yīng)分析，直接邊際效用表示某方式每單位變量變化對(duì)其被選擇概率的影響，即

交叉邊際效用則表示每單位變量變化對(duì)其對(duì)應(yīng)方式被選擇概率的影響，即

基于式(5)和式(6)，分別計(jì)算出租車和網(wǎng)約車費(fèi)用的直接和交叉邊際效用，結(jié)果如表4所示，括號(hào)內(nèi)表示基于非通勤模型的邊際效用計(jì)算結(jié)果.

表4 費(fèi)用邊際效益分析Table 4 Cost marginal effect analysis (%)

如表4所見，以網(wǎng)約車費(fèi)用為例，其單價(jià)每上漲1元，則在通勤出行中的網(wǎng)約車被選擇概率將下降8.7%，而地鐵則在通勤出行中將增加5.6%的被選擇概率.由此可知，在通勤出行中，網(wǎng)約車以價(jià)格優(yōu)勢(shì)轉(zhuǎn)移了部分地鐵出行人群，而對(duì)私家車替代作用有限(僅增加1.1%)，在娛樂購物出行中，網(wǎng)約車對(duì)地鐵、私家車和出租車都有較明顯的替代作用(網(wǎng)約車價(jià)格每增加1元，地鐵、私家車和出租車選擇概率分別增加2.69%，1.3%和1.56%).

4 結(jié)論

以成都市實(shí)際調(diào)查數(shù)據(jù)為基礎(chǔ)，構(gòu)建了混合Logit模型以研究考慮個(gè)體異質(zhì)性偏好的出行者網(wǎng)約車選擇行為，對(duì)出行方式固有常量、出行者社會(huì)經(jīng)濟(jì)屬性及反映個(gè)體異質(zhì)性的出行相關(guān)變量進(jìn)行了顯著性分析，對(duì)出租車和網(wǎng)約車的價(jià)格進(jìn)行了邊際效應(yīng)分析，所得結(jié)論總結(jié)如下：

(1)網(wǎng)約車作為一種新興的交通運(yùn)輸方式，除了發(fā)揮低價(jià)優(yōu)勢(shì)得以在早期大規(guī)模占領(lǐng)市場(chǎng)外，依托移動(dòng)互聯(lián)網(wǎng)技術(shù)帶來的便利也是其后期鞏固用戶群的重要原因.

(2)常規(guī)公交和出租車是網(wǎng)約車替代的主要出行方式.在通勤出行中，網(wǎng)約車有過度使用趨勢(shì).從地鐵轉(zhuǎn)移至網(wǎng)約車的人群多在30歲以下且收入較高，可考慮利用價(jià)格干預(yù)使部分人群回歸地鐵.

(3)在娛樂購物出行中，年齡較小、高收入、高學(xué)歷及沒有私家車的群體對(duì)網(wǎng)約車價(jià)格增加均不敏感.考慮到娛樂購物的發(fā)生時(shí)間和線路較分散，對(duì)城市交通總體運(yùn)行影響有限，可鼓勵(lì)網(wǎng)約車強(qiáng)化在這方面的服務(wù).

[1]北京大學(xué)法律經(jīng)濟(jì)學(xué)研究中心.網(wǎng)絡(luò)預(yù)約出租車經(jīng)營(yíng)服務(wù)管理暫行辦法(征求意見稿)政策研討會(huì)資料匯編[R].北京：北京大學(xué)法律經(jīng)濟(jì)學(xué)研究中心，2015.[Peking University Law and Economics Research Center.Interim measures for the administration of taxihailing operation (draft) proceeding of policy workshop[R].Beijing:Peking University Law and Economics Research Center,2015.]

[2]高永,安健,全宇翔.網(wǎng)絡(luò)約租車對(duì)出行方式選擇及交通運(yùn)行的影響[J].城市交通，2016,14(5):1-8.[GAO Y，AN J，QUAN Y X.The impact of APP-based car sharing on travel mode shift and transportation operation performance[J].Urban Transport of China,2016,14(5)：1-8.]

[3]LI C,ZHAO J.How E-hail transform shakeholder relationship in the U.S.taxi industry[C].Transportation Research Board 94th Annual Meeting,2015.

[4]WANG X,HE F,YANG H,et al.Pricing strategies for a taxi-hailing platform[J].Transportation Research Part E:Logistics and Transportation Review,2016(93):212-231.

[5]LI Y,LU J,ZHANG L,et al.Taxi booking mobile app order demand prediction based on short-term traffic forecasting[J].Transportation Research Record:Journal of the Transportation Research Board,2017(2634):57-68.

[6]HENSHER D A,GREENE W H.The mixed Logit model:The state of practice[J].Transportation,2003(30):133-176.