王通

摘 要：自動駕駛技術(shù)的進步和未來應(yīng)用，將改變未來的出行需求和出行方式，給交通領(lǐng)域帶來天翻地覆的變革。本文對自動駕駛技術(shù)對出行強度的影響機理和作用途徑進行了總結(jié)分析，并進一步總結(jié)了自動駕駛技術(shù)如何通過中間因素影響出行需求和強度的量化結(jié)果。研究結(jié)果表明，整體而言，自動駕駛技術(shù)可降低單次出行的里程，但會增加出行總需求。

關(guān)鍵詞：自動駕駛;出行強度;影響

1 引言

隨著自動駕駛（AV）技術(shù)的進步，世界正處于交通運輸領(lǐng)域一場天翻地覆的大變革的最前沿。AV是一種特殊類型的車輛，它具有若干駕駛自動化功能，可以根據(jù)所配備的功能，實現(xiàn)不同程度的自動化駕駛。SAE International（SAE）在發(fā)布的J3016標(biāo)準(zhǔn)中對駕駛自動化進行了定義，將其分為從沒有自動化到全自動的六個等級。AV有著巨大的潛力，它有助于乘客更有效地利用在車內(nèi)的時間，增強駕駛安全，以及減輕交通擁堵[1-3]。

AV還可能會改變車輛所有權(quán)模式和土地利用模式，并創(chuàng)造新的市場和經(jīng)濟機會[3，4]。各國政府正嘗試監(jiān)管自動駕駛車輛。美國的幾個州（如內(nèi)華達州、加利福尼亞州、得克薩斯州）已頒布法律，允許無人駕駛車輛上路測試[5]。韓國和新加坡政府最近也給自動駕駛車輛上路測試開了綠燈。麥肯錫公司估計，從2025年開始，消費者將開始采用全自動駕駛車輛，而到2040年，AV將成為主要交通工具。

Wadud等[1]在研究聲稱，“自動化本身不太可能顯著影響能耗，但它有望推動道路交通領(lǐng)域發(fā)生無數(shù)的其他變化，進而顯著影響能耗和溫室氣體排放?！毕嚓P(guān)學(xué)者已經(jīng)開始思考自動駕駛對交通運輸部門能源需求量的潛在影響。其中出行強度是交通部門能源需求量的重要影響因素之一。

2 自動駕駛技術(shù)發(fā)展現(xiàn)狀與趨勢

全球自動駕駛目前已取得了一些實質(zhì)性的成果。2016年9月起，Uber就在匹茲堡城區(qū)進行了大范圍的無人駕駛出租車免費試運行，盡管它是L2和L3水平的，但商業(yè)模式是大范圍的城區(qū)。2017年7月發(fā)布的全世界第一款L3級別的自動駕駛量產(chǎn)汽車奧迪新A8，搭載了全球首款車規(guī)級的四線激光雷達ScaLa，也配置有車規(guī)級的車載計算單元zFAS域控制器。傳統(tǒng)車企美國通用汽車，通過收購硅谷Cruise Automation人工智能初創(chuàng)企業(yè)，目前已推出第四代量產(chǎn)型無人駕駛汽車Cruise AV，已經(jīng)完全拋棄了方向盤、制動和油門踏板，并向美國交通運輸部提交了安全申請，計劃投資1億美元，在明年實現(xiàn)量產(chǎn)，這是首臺宣稱可以量產(chǎn)的L4+的自動駕駛汽車。

3 自動駕駛技術(shù)對出行里程的影響

自動駕駛水平的提升對出行需求的潛在影響還存在不確定性，而且在為數(shù)不多的關(guān)于出行需求所受影響的研究中，相關(guān)測算的差異很大，尤其是在測算高水平自動駕駛場景時。Brown、MacKenzie、Fagnant和Kockelman以及Wadud等研究人員考察了這方面的數(shù)據(jù)，列出了車輛自動化可能會影響出行行為的幾個方面，其中包括廣義出行成本下降導(dǎo)致出行增加、感知的出行時間成本下降、出行需求未得到充分滿足的人群（例如少年兒童、老年人和/或殘疾人）的出行增加、出行方式變化、共享出行以及車輛上的自動泊車系統(tǒng)或無人駕駛車輛空駛帶來的停車方式變化。

相應(yīng)地，AV對出行需求的潛在影響被分為以下幾類：

● 出行需求未得到充分滿足的人群增加出行;

● 共享出行增加;

● 減少尋找車位花費時間;

● 步行、公共交通改變出行方式。

對于上述每一個類別，本研究總結(jié)了前述研究中對AV技術(shù)潛在影響的分析結(jié)論。

3.1 出行需求未得到充分滿足的人群增加出行

由于缺乏足夠的數(shù)據(jù)來解釋為什么某些人群的出行要少于其他人群，因此當(dāng)前交通需求未得到充分滿足的人群的潛在出行變化很難估計。MacKenzie等研究了2014年美國家庭出行調(diào)查（NHTS）（美國聯(lián)邦公路管理局[FHWA]）數(shù)據(jù)，發(fā)現(xiàn)每位駕駛員的VMT在44歲達到峰值，然后穩(wěn)步下降直到62歲，之后則急劇下降。他們認(rèn)為62歲以上人群的VMT加速下降是因為這些人的駕駛能力衰退，并因此放棄了出行。全自動駕駛車輛可以滿足此類出行需求。通過推斷44歲至62歲人群的VMT趨勢并從每位62歲以上駕駛員的VMT中減去這一趨勢，從而估計出行將增加2%至10%。

Harper對2009年NHTS的分析略有不同。他們假設(shè)各年齡段中，非駕駛員的出行與駕駛員的出行需求一樣多，老年人的出行與19至64歲沒有健康狀況的駕駛員一樣多，以及存在健康狀況的駕駛員的出行與每個年齡段中沒有健康狀況的駕駛員一樣多。通過分析三組非駕駛員——19歲及以上、沒有健康狀況的老年駕駛員以及19歲及以上有健康狀況的駕駛員——他們估計，使用全自動駕駛車輛后，未得到充分滿足的出行需求有可能會導(dǎo)致VMT最多增加12%。

Brown等也研究了2009年NHTS以及2003年運輸統(tǒng)計局出版的《自由出行》（Freedom to Travel）中的數(shù)據(jù)。他們估計，如果所有年齡段的人的出行都像每個年齡段中出行最多的前十分之一的人那樣多，那么這將導(dǎo)致出行最多增加40%。

3.2 共享出行增加

共享出行可以在降低VMT的情況下滿足更多的出行需求。例如，Santi等分析了2011年紐約市出租車的行程，發(fā)現(xiàn)如果允許合乘，出租車可以在減少40%出租車?yán)锍虜?shù)的情況下完成行程需求。他們還模擬了空間密度更低的場景，發(fā)現(xiàn)在密度低于紐約市的地區(qū)，共享出行也是有效的。但是，如何實現(xiàn)共享出行以及有多少用戶愿意共享出行都非常不確定。Brown等引用了一項共享出行計劃研究，并在此基礎(chǔ)上估計，共享出行最多可以將總VMT減少12%。Porter等指出，在歷史上共享出行計劃對VMT的影響很小。然而，他們進一步觀察到，根據(jù)FHWA的數(shù)據(jù)，平均每輛車的搭乘人數(shù)約為1.6到1.7人，而工作出行時每輛車的搭乘人數(shù)不到1.1人，并據(jù)此得出結(jié)論稱共享出行有可能大幅降低VMT。

3.3 減少尋找車位花費時間

Shoup估計，在中心城區(qū)，2%到11%的VMT都花在了尋找停車位上。各項車聯(lián)網(wǎng)技術(shù)可以在車輛和基礎(chǔ)設(shè)施之間實現(xiàn)信息共享，有助于提供準(zhǔn)確的停車位信息，從而減少花在尋找停車位上的VMT。共享的全自動駕駛汽車可能根本不需要停車（盡管空駛VMT增加會抵消在停車方面減少的VMT）。Brown等估計，平均每輛乘用車最多將5%的燃油花在了尋找停車位上。

3.4 步行、公共交通改變出行方式

很少有人測算過出行者從步行、乘坐公共交通或短途航班轉(zhuǎn)變?yōu)槌俗鳤V的情況。估計這一因素的影響上限時，可假設(shè)人們從這些出行方式100%轉(zhuǎn)變?yōu)榇畛酥惠d一人的AV。至于全自動（乃至半自動）場景下這一因素的影響下限，可假設(shè)出行方式?jīng)]有改變，進而VMT也沒有改變。作為參考，美國能源信息管理局發(fā)布的《2014年度能源展望參考》中提供的全美LDV VMT數(shù)據(jù)為2.785萬億車輛英里。

估計從步行轉(zhuǎn)變?yōu)榇畛薃V的上限時，我們從2009年NHTS（FHWA）報告中可知每年步行里程數(shù)為279.43億人英里。其中，164億人英里是行程超過1英里的步行里程數(shù)，占每年LDV VMT的0.59%。考慮到大多數(shù)小于1英里的行程并不適合搭乘機動車，因此在估計界限時，我們將達到或超過1英里的行程中的步行里程數(shù)作為城市VMT的增幅上限。

根據(jù)2013年美國公共交通數(shù)據(jù)庫的數(shù)據(jù)，乘坐公共交通的乘客里程數(shù)總計為565億英里。如果所有這些乘客里程數(shù)都轉(zhuǎn)變?yōu)檐囕v里程數(shù)，則意味著VMT將增加2.0%。此增幅假定只適用于城市出行。

4 總結(jié)

本文對自動駕駛技術(shù)對出行強度的相關(guān)影響進行了分析總結(jié)。整體而言，自動駕駛技術(shù)可降低單次出行的里程，但會增加出行總需求。具體如下：

（1）駕駛員出行需求在44歲達到峰值，然后開始緩慢減少，62歲后出現(xiàn)迅速減少，自動駕駛可滿足出行不便人群的出行需求，出行里程增加2%-12%。

（2）共享出行的增加可提升乘用車的出行效率，使VMT降低12%-13.2%。

（3）智能網(wǎng)聯(lián)技術(shù)可使駕駛員實時獲取車位信息，減少駕駛員尋找車位的麻煩，使VMT減少5%-11%。

（4）自動駕駛技術(shù)帶來的便利性，可能使部分步行、公共交通出行人群轉(zhuǎn)為駕駛出行，從而是VMT增加5.5%。

參考文獻：

[1]WADUD Z，MACKENZIE D，LEIBY P. Help or hindrance？ The travel，energy and carbon impacts of highly automated vehicles[J].Transportation Research Part A： Policy and Practice，2016，86：1-18.

[2]FAGNANT D J，KOCKELMAN K. Preparing a Nation for Autonomous Vehicles：Opportunities，Barriers and Policy Recommendations[J]. Transportation Research Part A：Policy and Practice， 2015，77：167-181.

[3]ANDERSON J M，KALRA N， TANLEY K D，et al. Autonomous Vehicle Technology：A Guide for Policymakers[M]. RAND Corporation，2014.

[4]B?SCH P M，BECKER F， BECKER H，et al. Cost-based analysis of autonomous mobility services[J].Transport Policy，2018，64.