張麗 侯立文

摘 要： 首先定性分析了共享乘車行業(yè)主體的反饋回路，然后考慮在平臺安全質量等安全因素的影響下共享乘車行業(yè)各主體的因果循環(huán)關系，并在考慮政府監(jiān)管的情況下利用系統(tǒng)動力學模型對共享乘車行業(yè)的演化進行了動態(tài)仿真，深入量化安全因素對共乘平臺發(fā)展的影響機制。研究發(fā)現(xiàn)，政府管制對整治共享乘車行業(yè)亂象具有長遠的積極效用;司機和乘客的自發(fā)協(xié)調監(jiān)督機制有利于司機安全等級和乘客安全等級的長久維持，將成為有限政府監(jiān)管資源和共享乘車行業(yè)自我監(jiān)督的有效補充;共享乘車平臺不同程度的安全投入轉化會在不同的競爭時期為平臺創(chuàng)造戰(zhàn)略優(yōu)勢，平臺可以根據(jù)自身發(fā)展需求適時調整平臺的安全投入策略。

關鍵詞： 安全因素;系統(tǒng)動力學;共享乘車

中圖分類號： F 57

文獻標志碼： A

The Impact of Safety Factors on the Ride-sharingIndustry Based on System Dynamics

ZHANG Li HOU Liwen

（Antai College of Economics & Management， Shanghai Jiao Tong University， Shanghai 200030， China）

Abstract： Firstly， the paper qualitatively analyzed the feedback loop of the entities of the sharing car industry， and then the causality among the entities of the ride-sharing industry is considered under the influence of security factors such as platform safety and quality. The evolution of the industry is dynamically simulated by using the system dynamics model under the consideration of government regulation， so as to further quantify the influence of safety factors on the development of the ride-sharing industry. The results indicate that the government regulation has a long-term positive effect on managing the chaos of the whole industry; the spontaneous supervision mechanism from drivers and passengers is conducive to the long-term maintenance of driver safety level and passenger safety level， which will be an effective supplement to the limited government regulation resources and self-supervision of the ride-sharing industry; the safety investment of the ride-sharing platform with varying degrees will create strategic advantages for the platform in different competition period， for which the platform can adjust its safety investment strategy based on its own development needs.

Key words： safety factors; system dynamics; ride-sharing

1 共享乘車主體及其安全因素分析

共享乘車主體可分為四類：共乘服務平臺、司機、乘客和政府。共乘服務平臺基于實時地理位置感知、海量數(shù)據(jù)處理等技術對乘客和司機進行實時匹配，為乘客的出行需求與司機的接單收益提供支持，并建立完善的制度體系對乘客和司機進行信息管理和關系維護。司機和乘客是交通出行過程的主要參與者，乘客通過共乘服務平臺發(fā)布訂單請求并支付一定的費用，匹配到行程一致的司機，司機在完成訂單后也會獲得相應的經(jīng)濟收益。此外，共享乘車行業(yè)的發(fā)展也離不開政府的管制，政府部門通過積極引導塑造共享乘車行業(yè)規(guī)范性，督促共享乘車平臺完善行業(yè)從業(yè)人員準入、考核及管理制度，促進行業(yè)的良性健康發(fā)展。共享乘車主體的反饋回路如圖1所示。

共享乘車服務的可持續(xù)發(fā)展需要有大量的司機與乘客參與，但共享乘車所帶來的隱私和人身安全等擔憂無疑會影響參與者對共乘服務的持續(xù)使用意愿，限制行業(yè)的進一步發(fā)展。

（1）乘客安全問題對共乘服務使用的影響。Chaudhry等的研究表明，在共享乘車服務中，人身安全已成為一個備受關注和爭論的問題。是否存在遭受攻擊、暴力、騷擾或攻擊的可能已成為乘客決策的關鍵因素，任何對負面行為的預期都會直接影響乘客是否繼續(xù)使用共乘服務。Yang等也指出安全的出行保障有助于降低客戶的心理成本，由于不必擔心服務提供商是否會給人身安全帶來風險，也不必擔心暴露在犯罪中，客戶會感到放心并給出持續(xù)承諾。沈弼龍等也表明隨著人機交互、社交網(wǎng)絡、城市計算和上下文感知技術的發(fā)展，場景感知、用戶肖像技術在帶來精準智能服務的同時也帶來了個人信息安全問題，如地址信息會直接表現(xiàn)出生活空間、興趣地點等個人信息，而乘客在共乘時也會考慮個人隱私泄露的問題。如何在減少隱私泄露的同時保證服務提供的便捷性，成為共享乘車平臺進行司乘匹配的重要挑戰(zhàn)。

（2）司機安全問題對共乘服務使用的影響。在關于共享乘車的安全性研究方面，乘客的安全往往受到更多的關注，而極少有研究考慮司機的安全問題。作為共享乘車服務的直接提供方，司機的安全性也不容忽視。本研究對司機的安全性進行了調查，參與共乘服務的司機表達了對駕駛途中不同程度騷擾的恐懼，如性騷擾和身體攻擊，尤其是女性司機憂慮更甚。參與調查的司機還表示，盡管共乘服務平臺提供了一些功能來提高他們的安全性，比如位置跟蹤和保留乘客信息等，但是由于缺乏工作支持和最低工資保障，平臺仍然會對他們的安全性產(chǎn)生負面影響。此外，司機信息泄露也是共乘服務中出現(xiàn)比例較高的問題，信息泄露使得司機遭受騷擾甚至報復，嚴重影響其使用體驗。

下面將通過分析安全問題對乘客主體和司機主體使用共乘服務的影響，深入量化安全因素對共乘平臺發(fā)展的影響機制，為共享乘車行業(yè)的可持續(xù)良性發(fā)展提供理論支持。

2 共享乘車行業(yè)的系統(tǒng)動力學模型

2.1 仿真模型

系統(tǒng)動力學（system dynamics， SD）是系統(tǒng)科學理論與計算機仿真緊密結合、研究系統(tǒng)反饋結構和行為的一門科學。系統(tǒng)動力學認為，系統(tǒng)的行為模式和特性主要取決于其內部的結構。共享乘車行業(yè)本身就是一個復雜、多變的大系統(tǒng)，主體間的關系錯綜復雜，且表現(xiàn)出明顯的非線性特征。將系統(tǒng)動力學模型用于共享乘車行業(yè)的仿真分析主要基于以下三點考慮。首先，系統(tǒng)動力學研究問題注重從因果機制出發(fā)，分析各因素之間構成的因果反饋環(huán)，這與共享乘車行業(yè)中比較復雜的相互影響因素和因果關系相適應。其次，共享乘車市場具有非線性的特點，而復雜的非線性高階次時變系統(tǒng)往往表現(xiàn)出反直觀的、千姿百態(tài)的動態(tài)特性，系統(tǒng)動力學模型可以作為共享乘車行業(yè)復雜大系統(tǒng)的“實驗室”，較為準確地刻畫系統(tǒng)演變的內在機制。最后，由于政府管制的存在，政策的執(zhí)行會有時間的延遲，系統(tǒng)動力學模型引入了延遲機制，使得其與所描述的實際系統(tǒng)行為更為貼近。出于以上考慮，再結合共享乘車行業(yè)各主體的特性，逐一分析這些主體之間的因果關系。

（1）平臺競爭的因果關系。平臺競爭的因果關系主要是基于BASS擴散模型建立的。該模型假設新產(chǎn)品或服務使用者的增長是由群體外部信息源（廣告或補貼）和群體內部信息源（口碑）所觸發(fā)的，潛在的使用者和當前使用者之間會通過信息源的影響相互轉化，并且潛在使用者可以看成是任何一個競爭平臺的當前使用者。在本文的研究背景下，當前使用者指的是目標平臺的現(xiàn)有乘客，潛在使用者指的是競爭平臺的現(xiàn)有乘客。平臺安全質量是目標平臺與其他平臺競爭關系的核心。一方面，平臺安全質量越高，越能在用戶群體內部形成正向口碑，從而促進其他平臺的用戶向目標平臺的用戶轉化，且潛在采用者基數(shù)越大，現(xiàn)有乘客的數(shù)量也會越多。同時，來自用戶群體外部的信息源刺激也會對潛在乘客的轉化起到積極作用，尤其是在共享乘車服務推廣初期，由于用戶基數(shù)的限制，各大共享乘車平臺紛紛采用發(fā)放補貼和廣告的方式從外部刺激潛在用戶，從而形成平臺的初始司機和乘客群體。另一方面，平臺安全質量的降低也會導致用戶群體中負面口碑的產(chǎn)生。當前平臺的乘客將在負面口碑的引導下放棄使用平臺服務，轉而成為競爭平臺的使用者。競爭平臺的乘客與當前平臺的乘客在外部信息源和內部信息源的作用下不斷互相轉化，形成平臺用戶轉化的正反饋循環(huán)。值得注意的是，從潛在乘客向現(xiàn)有乘客的轉變用轉化率來刻畫，這里僅考慮正向轉化率，即潛在乘客受到正向口碑以及廣告和補貼的激勵轉化為平臺的現(xiàn)有乘客;負向轉化率，即現(xiàn)有乘客轉化為潛在乘客的速率用丟棄率來刻畫，即現(xiàn)有乘客受到負向口碑的影響轉化為其他競爭平臺的用戶。將所有因果關系綜合起來，如圖2所示。

（2）乘客安全的因果關系。現(xiàn)有乘客數(shù)量成為連接平臺競爭和乘客安全等級的重要變量。在正向口碑和補貼等因素的作用下，現(xiàn)有乘客數(shù)量不斷遞增，通過平臺發(fā)布的訂單數(shù)量隨之增加的同時，司機針對乘客不良行為的投訴也會增加。針對乘客的投訴比例的上升將引起共乘服務平臺的關注，從而加大其對乘客安全素質的管理，通過采取違規(guī)乘客黑名單、安裝車內監(jiān)控等措施對乘客不當行為進行防范，提高總體乘客的安全質量，即乘客安全等級。與此同時，針對乘客的投訴累積到一定程度，會導致平臺的安全等級下降，于是政府開始加大管制力度，向共乘服務平臺施加壓力，從而促使平臺在加強乘客的安全質量方面進一步進行整改，乘客安全等級得到提升。將所有因果關系綜合起來，如圖3所示。

（3）司機安全的因果關系。乘客數(shù)量也是連接平臺競爭和司機安全等級的重要變量。訂單數(shù)量伴隨著乘客數(shù)增加而增長，帶來了訂單總收益的正效用，從而帶動了司機數(shù)量的正向增長。但司機數(shù)量的增加也為司機質量管控帶來了挑戰(zhàn)，從而導致針對司機的投訴量的增加。針對司機的投訴比例的上升將引起共乘服務平臺的關注，從而加大對司機安全素質的管理，形成司機安全等級控制的負反饋循環(huán)。與此同時，與乘客投訴量的影響相似，針對司機投訴量的上升也會導致平臺安全等級的下降，從而引起政府管制的介入，共乘服務平臺將對司機安全等級進行嚴格把控。在安全防范措施的管控下，司機安全等級得到進一步控制，從而引起乘客數(shù)量增長的正效用，由此便形成了司乘數(shù)量協(xié)同增長的正反饋循環(huán)。將所有因果關系綜合起來，如圖4所示。

上述因果回路圖的正負號表示正向和反向影響效用，在因果關系的中間還繪制了反映回路正負向反饋的標識。本文幾個最主要的變量之間的假設關系如下：

假設一：平臺安全質量與乘客安全等級、司機安全等級成正向關系。乘客安全等級描述了司機和其他同行乘客對于使用共享乘車服務的乘客的安全信任程度，乘客安全等級越高則司機和其他同行乘客受到安全威脅的可能性越小，對乘客的安全質量更有信心。司機的安全等級與乘客安全等級類似，描述了乘客對于提供共享乘車服務的司機的安全信任程度，司機安全等級越高則意味著乘客在乘車途中受到司機安全威脅的可能性越小，乘客對司機的安全質量有更高的信心。

假設二：由口碑導致的潛在乘客與現(xiàn)有乘客的相互轉化主要受平臺安全質量的影響，其他額外因素的影響表現(xiàn)為司機數(shù)量、乘客數(shù)量和訂單數(shù)量的增長。除平臺安全質量提升帶來的效用外，還存在正的隨機項，在后文的變量標定部分有進一步說明。

假設三：司機安全等級的變化與政府管制的力度、平臺針對司機的安全投入成正向關系。

假設四：乘客安全等級的變化與政府管制的力度、平臺針對乘客的安全投入成正向關系。

假設五：政府對乘客安全等級和司機安全等級的管制存在延遲，并且與乘客安全等級的變化和司機安全等級的變化均成正相關關系。

上述三個因果回路圖表明了不同的狀態(tài)變量之間的因果循環(huán)關系，為后續(xù)狀態(tài)方程的建立提供了指導。但因果回路圖仍處于定性分析問題的階段，還需要在因果回路圖的基礎上區(qū)分不同的變量，建立存量流量圖，通過設置流率變量和存量變量以模擬反饋回路隨時間變化的過程，明確變量之間的數(shù)學關系?？紤]到模型的可操作性，在建立共享乘車行業(yè)的存量流量圖時，選取了上述說明的主要因素，忽略了一些次要因素和難以量化的因素，并定義了四個存量變量：現(xiàn)有乘客、潛在乘客、乘客安全等級和司機安全等級。與之對應的有四個流率變量：轉化率、丟棄率、乘客安全等級變化率和司機安全等級變化率。共享乘車行業(yè)的存量流量圖如圖5所示。

2.2 變量標定

為了對圖5進行仿真實驗，對上述水平變量和流率變量進行初始化標定。參照共享乘車行業(yè)內的相關公開數(shù)據(jù)如行業(yè)報告等，對變量的初始值進行設置。同時，考慮到一些變量如平均訂單金額、每月訂單數(shù)量等難以從公開報告中獲取，本文還設置了調查問卷，盡量保證變量參數(shù)設置的真實性和準確性。由于問卷設計的題目數(shù)量較少、題目難度不高，本次調查采用線上問卷調查的方式。問卷發(fā)放從2019年11月19日開始，為期5天，共回收問卷313份，剔除沒有使用過共享乘車服務的問卷和隨意填寫的無效問卷，最終得到問卷297份，有效率為94.9%。樣本的描述性分析結果見表1。

對模型的數(shù)據(jù)關系作出如下定義（受篇幅所限，以下僅列出關鍵變量）：

a） 潛在乘客PotentialPassengers。共享乘車行業(yè)中未使用目標共乘服務平臺的乘客數(shù)量，可以看成競爭平臺的現(xiàn)有乘客?？紤]到仿真模擬的計算量級，經(jīng)過多次測試后將潛在乘客初始值設置為20000。潛在乘客數(shù)量隨后根據(jù)丟棄率DiscardRate和轉化率AdoptionRate的變動隨時間不斷變化，表現(xiàn)為丟棄率和轉化率差值的積分，即

PotentialPassengers=INTEG（DiscardRate-AdoptionRate， 20000）（1）

b） 現(xiàn)有乘客CurrentPassengers。共享乘車行業(yè)中正在使用目標共乘服務平臺的乘客數(shù)量。BASS模型認為，對于技術擴散過程，一定的初始群體基數(shù)是口碑采用的必要條件，因此設置現(xiàn)有乘客的初始值為1000，隨后根據(jù)轉化率AdoptionRate和丟棄率DiscardRate的變動隨時間不斷變化，表現(xiàn)為轉化率和丟棄率差值的積分，即

CurrentPassengers=INTEG（AdoptionRate-DiscardRate， 1000）（2）

c） 丟棄率DiscardRate。目標共乘服務平臺的現(xiàn)有乘客中放棄使用該平臺的乘客數(shù)量，受到負向口碑NegativeWOM、負向口碑的影響比例λ1和現(xiàn)有乘客數(shù)量CurrentPassengers的正向影響。負向口碑越多，越會導致平臺的現(xiàn)有乘客轉移為競爭平臺的用戶。負向口碑的影響比例指的是乘客在接收到關于平臺的負向口碑訊息之后，轉而使用其他平臺的可能性，根據(jù)問卷調查的結果，將負向口碑的影響比例λ1設置為0.7。此外，現(xiàn)有乘客數(shù)量的基數(shù)越大，受負向口碑影響發(fā)生轉化的人數(shù)也會越多。即

DiscardRate=λ1×NegativeWOM×CurrentPassengers（3）

d） 轉化率AdoptionRate。轉化率指的是競爭平臺的乘客中轉化到目標共乘服務平臺的乘客數(shù)量，受到正向口碑PositiveWOM、正向口碑的影響比例λ2、廣告Advertising、廣告的影響比例λ3和潛在乘客數(shù)量PotentialPassengers的正向影響。與丟棄率的設置相似，正向口碑的影響比例和廣告的影響比例分別指的是潛在乘客在接收到關于平臺的正向口碑和廣告之后，采納這個平臺的可能性。根據(jù)問卷調查的結果，將正向口碑的影響比例λ2以及廣告和口碑的影響比例λ3均設為0.6，即

AdoptionRate=（λ2 ×PositiveWOM+λ3×Advertising）×PotentialPassengers（4）

e） 訂單數(shù)量Orders。平臺每月的訂單數(shù)量為現(xiàn)有乘客數(shù)量CurrentPassengers與乘客月平均乘車次數(shù)AvgOrders_Passenger的乘積。根據(jù)問卷調查的結果，統(tǒng)計乘客每月乘車次數(shù)的均值，將乘客月平均乘車次數(shù)設置為6次。此外，由于模型中現(xiàn)有乘客數(shù)量僅受到平臺安全質量和口碑效應等因素的影響，為了捕捉其他因素如獵奇心理等的效用帶來的訂單數(shù)量波動，還加入了一個服從均勻分布的隨機項，即

Orders=CurrentPassengers×AvgOrders_Passenger+RANDOM UNIFORM（0， 1000 ，1）（5）

f） 針對乘客的投訴量ComplaintsToPassengers。針對乘客的投訴量受到乘客安全等級PassengerSafety、安全等級敏感度α（默認設置為0.4）和現(xiàn)有乘客數(shù)量CurrentPassengers的共同影響。乘客安全等級越高，針對乘客的投訴量將越低，同時投訴量還受到現(xiàn)有乘客基數(shù)和乘客安全等級影響程度因子的正向作用。與訂單數(shù)量相似，針對乘客的投訴量加入了服從均勻分布的隨機項，即

ComplaintsToPassengers=（1-SafetyQua_Passengers）×α×CurrentPassengers+RANDOM UNIFORM（0， 100， 2）（6）

g） 乘客安全投入PassengerSafetyInvest。針對乘客的投訴量ComplaintsToPassengers占訂單數(shù)量Orders的比例的增加，會對平臺聲譽和形象造成影響，從而促使平臺提高在乘客安全素質方面的投入，表現(xiàn)為平臺提高乘客安全的努力程度。β描述了乘客投訴量比例對激勵平臺投入更多努力的程度（默認設置為20），即

PassengerSafetyInvest=β×ComplaintsToPassengers/Orders（7）

h） 針對司機的投訴量ComplaintsToDrivers。針對司機的投訴量受到司機安全等級DriverSafety、安全等級敏感度α（默認設置為0.4）和現(xiàn)有司機數(shù)量CurrentDrivers的共同影響。與上述針對乘客的投訴量相似，即

ComplaintsToDrivers=（1-DriverSafety）×α×CurrentDrivers+RANDOM UNIFORM（0， 100， 3）（8）

i） 司機安全投入DriverSafetyInvest。與上述提高乘客安全的努力相似，即

DriverSafetyInvest=β×ComplaintsToDrivers/Orders（9）

j） 平臺安全等級SafetyLevel。設置高與低兩個安全等級，經(jīng)過多次實驗，當針對乘客和司機的投訴量累計超過400時，將平臺的安全等級設置為低，否則為高，即

SafetyLevel=IF THEN ELSE（ComplaintsToDrivers+ComplaintsToPassengers>400， 0， 1）（10）

k） 政府管制力度GovernRegulation。當平臺的安全等級為低時，政府對行業(yè)安全的管制力度更高（默認設置為1.2），反之則更低，即

GovernRegulation=DELAY1（IF THEN ELSE（SafetyLevel>0， 1.2， 1）， 1）（11）

l） 乘客安全等級變化率Rate_PassSafety。受到平臺對乘客安全投入PassengerSafetyInvest和平臺安全投入轉化率ξ的正向影響，平臺對乘客安全的投入越多，乘客安全等級能帶來更大的提升，乘客安全等級的變化率會越高。同時，乘客安全等級變化率還受到平臺安全投入轉化率ξ的控制（默認設置為0.8），即

Rate_PassSafety=ξ×PassengerSafetyInvest（12）

m） 乘客安全等級PassengerSafety。即使用共乘平臺乘客的安全素質，也反映了同行的其他乘客或司機受到某乘客安全威脅的可能性。乘客安全等級越高，說明使用該平臺乘客的安全素質越高，給他人帶來人身安全威脅的可能性越小。根據(jù)問卷調查的結果，將乘客安全等級的初始值設置為0.7。經(jīng)多次實驗后發(fā)現(xiàn)，由于乘客安全等級變化率Rate_PassSafety圍繞0.1上下波動，因此設置乘客安全變化率高于0.1時對乘客安全等級造成正向效用，反之則為負向效用，即

PassengerSafety=INTEG（Rate_PassSafety-0.1， 0.7）（13）

n） 司機安全等級變化率Rate_DriverSafety。與乘客安全等級變化率類似，司機安全等級變化率也會受到平臺對司機的安全投入DriverSafetyInvest和平臺安全投入轉化率ξ（默認設置為0.8）的正向影響，即

Rate_DriverSafety=ξ×DriverSafetyInvest（14）

o） 司機安全等級DriverSafety。反映了使用共乘平臺司機的安全素質，與乘客安全等級PassengerSafety相似，即

DriverSafety=INTEG（Rate_DriverSafety-0.1， 0.7）（15）

p） 司機數(shù)量NumDrivers。受到總收益Revenue和司機期望收益AvgDriverRevenue（默認設置為1000）的共同影響，即

NumDrivers=Revenue/AvgDriverRevenue（16）

3 仿真分析

模型總體設置的仿真時間為100個月，時間步長為1個月，仿真平臺為Vensim。模型大部分參數(shù)的初始設定都來自行業(yè)研究報告和問卷調查，并經(jīng)過多次試驗測試后調整設定。接下來探究不同政府管制力度GovernRegulation、安全等級敏感度α、平臺安全投入轉化率ξ和乘客投訴量比例影響因子β等因素對乘客數(shù)量變化、乘客安全等級變化和司機安全等級變化的影響。

（1）政府管制GovernRegulation。將政府管制力度GovernRegulation分為四種：不管制（取值為1）、輕度管制力度（取值為1.2）、中度管制力度（取值為1.4）和重度管制力度（取值為1.6）。繪制四種政府管制力度下現(xiàn)有乘客的變化趨勢，如圖6所示。可以看到，在無政府管制的情況下，現(xiàn)有乘客數(shù)量在仿真前期快速上升，在隨后的時間內呈現(xiàn)細微的波動，但總體大致穩(wěn)定在5000～5500。當政府對行業(yè)采取輕度管制措施時，乘客數(shù)量的變化與無政府管制的情形相近。隨著政府管制力度的增大，乘客數(shù)量開始出現(xiàn)明顯的提升，乘客數(shù)量波動更加明顯，總的乘客數(shù)量始終高于政府管制力度較輕微的情形。這種現(xiàn)象的產(chǎn)生意味著政府管制確實對平臺安全質量起到了正向促進作用，從而使得潛在乘客在目標平臺積極口碑的影響下轉化為平臺的現(xiàn)有乘客。一方面，現(xiàn)有乘客數(shù)量的增長同時會導致對乘客安全素質的控制不足，使得針對乘客的投訴增加，同時乘客數(shù)量的增多也會間接導致司機數(shù)量的增長，因此針對司機的投訴量也將上升。為了緩解用戶投訴帶來的負面影響，平臺將努力改善司乘兩方面的安全水平，使得乘客數(shù)量出現(xiàn)上升的趨勢。但平臺安全質量不會一直持續(xù)地保持上升態(tài)勢，隨著投訴量的減少，平臺對于提高安全水平的投入也會減少，從而導致乘客數(shù)量的下降，因此乘客數(shù)量呈現(xiàn)上下波動的趨勢。另一方面，隨著政府管制力度的加大，現(xiàn)有乘客數(shù)量的平均水平也在不斷提升。由于現(xiàn)有乘客數(shù)量的增長主要來自平臺安全質量提升帶來的正向口碑、廣告和補貼效應，這間接說明了政府管制的加強能刺激平臺安全質量的提升，還能使平臺的安全質量更為長久地維持在較高的水平，對整治共享乘車行業(yè)亂象具有更為長遠的積極效用。

（2）安全等級敏感度α。安全等級敏感度α反映了乘客（司機）對司機（乘客）安全等級的敏感程度，該因子取值越高，則當乘客（司機）的安全等級達不到司機（乘客）的安全預期時，將導致乘客（司機）關于司機（乘客）安全問題的投訴量越大。將安全等級敏感度分為三種：輕度敏感（取值為0.4）、中度敏感（取值為0.6）和重度敏感（取值為0.8）。繪制三種影響情況下乘客安全等級的變化趨勢和司機安全等級的變化趨勢，分別如圖7和圖8所示。乘客安全等級的變化區(qū)間為[0，1]，根據(jù)問卷調查的結果，將初始值設為0.7?？梢钥吹?，當α取值較低時，乘客安全等級在仿真前期迅速上升至0.91左右，隨后圍繞該值上下波動。這是由于安全等級敏感度α增大意味著不良乘客行為導致的針對乘客的投訴量也越發(fā)增加，促使平臺對乘客的安全質量展開一系列管控措施，乘客安全等級會得到有效提升。與此同時，乘客安全等級的增長導致針對乘客的投訴量不斷下降，從而抑制了平臺在提高乘客安全素質方面的投入意愿，乘客安全等級開始下降，并由此持續(xù)地上下波動。對于司機安全等級的變化來說，當安全等級敏感度較低時，司機安全等級呈現(xiàn)出先下降后上升的周期性波動態(tài)勢，相比乘客安全等級持續(xù)較高的情形，司機安全等級很難持續(xù)維持在較高的水平，這也與現(xiàn)實生活中共乘司機傷人事件屢見不鮮而乘客傷人事件則相對較少的情況相符。隨著乘客對司機安全等級敏感度的不斷提升，司機安全等級也在逐步升高，這表明司機安全等級的長久維持需要乘客的持續(xù)監(jiān)督，乘客敏感度越高，對于司機安全質量的要求也會越高，并通過投訴建議的方式促使平臺對司機安全質量進行監(jiān)管與控制，從而保證司機安全等級能夠持續(xù)地維持在較高的水平。綜合乘客和司機的安全等級相對于安全等級敏感度的變化可以看出，隨著安全等級敏感度的增加，總體上乘客安全等級和司機安全等級隨著安全等級敏感度的提升而增加。由于安全等級敏感度越高將導致針對司機和乘客的投訴量越大，因此乘客和司機的安全等級敏感度也能從側面反映出司乘雙方對共享乘車平臺的監(jiān)督反饋意愿，這表明來自司機和乘客等第三方的協(xié)助監(jiān)督，將成為對有限的政府監(jiān)管資源和共享乘車行業(yè)自我監(jiān)督的有效補充，有利于進一步協(xié)同推進共享乘車行業(yè)的健康良性發(fā)展。

（3）平臺安全投入轉化率ξ。平臺安全投入轉化率ξ反映了平臺對司機和乘客的安全投入實際能轉化成司機和乘客安全等級提升程度的比例，該因子取值越高，說明平臺的安全投入越能轉化為司機和乘客的實際安全等級增加量。將安全投入轉化率分為三種：低轉化率（取值為0.5）、中轉化率（取值為0.7）和高轉化率（取值為0.9）。繪制三種轉化率下現(xiàn)有乘客數(shù)量的變化趨勢，如圖9所示。可以看出，當安全投入轉化率取值較低時，乘客數(shù)量前期會增長到一個相對穩(wěn)定的數(shù)值，然后圍繞該狀態(tài)上下波動;而當安全投入轉化率取值較高時，乘客數(shù)量在仿真前期會迅速增加且明顯高于低安全投入轉化率時的數(shù)量，但隨著仿真時間的推移，乘客數(shù)量趨于穩(wěn)定，在仿真中后期幾乎與低轉化率時的乘客數(shù)量一致，但在仿真后期又開始呈現(xiàn)出乘客數(shù)量的差異。這意味著安全投入轉化率較高的平臺會在提升乘客和司機安全等級方面投入更多的努力，從而在平臺發(fā)展前期吸引更多的潛在乘客轉化為現(xiàn)有乘客。然而就如同市場競爭中的價格戰(zhàn)一般，高轉化率所需要的額外資源投入會給平臺造成更大的運營壓力，因此前期的安全投入所帶來的收益并不能長久維持，其他平臺也會采取更多的安全投入來爭取市場份額。在仿真中后期平臺競爭趨于穩(wěn)定的情況下，平臺的乘客人數(shù)又會進一步下降，從而回落到與較低安全投入轉化率幾乎一致的水平。而在仿真后期，乘客數(shù)量又開始產(chǎn)生差異，高安全投入轉化率的平臺的獲客能力再次顯現(xiàn)出優(yōu)勢，這意味著當各平臺的安全投入差異不顯著時，在發(fā)展初期由高安全投入轉化率所吸引的部分乘客又會回歸到該平臺，為該平臺的長期發(fā)展帶來戰(zhàn)略優(yōu)勢。

4 結束語

共享乘車服務將人和出租車、私家車等連接起來，在不增加車輛供應的前提下，使得更多的運力資源得到了有效利用，對緩解交通擁堵、降低出行成本、提高出行效率和減輕環(huán)境污染都有重要的意義。然而，共享乘車行業(yè)的發(fā)展也不可避免地產(chǎn)生了一系列管理問題，其中乘客與司機的安全風險成為人們對共享乘車服務最為擔憂的問題。如何滿足人們安全而多元化的出行需求，引起了社會的深度關注。為此，本文首先對共享乘車行業(yè)的主體進行了探討，就主體之間的因果關系進行了詳細剖析，繪制了相應的因果回路圖，并采用系統(tǒng)動力學模型對乘客安全和司機安全因素如何影響共享乘車平臺的長期演化關系進行了動態(tài)仿真。仿真結果顯示：（1）政府管制的加強不僅能刺激共享乘車平臺安全質量的提升，還能使平臺的安全質量更為長久地維持在較高的水平，對整治共享乘車行業(yè)亂象具有長遠的積極效用。因此，政府應當把控行業(yè)發(fā)展的大方向，制定共享乘車行業(yè)準入制度，出臺相關的共享乘車法律條文，跟進市場發(fā)展動態(tài)，及時對政策法規(guī)進行合理的調整，為行業(yè)發(fā)展創(chuàng)造更有力的外部市場環(huán)境。（2）司機安全等級和乘客安全等級的長久維持也需要來自共乘服務雙方的互相監(jiān)督，這種第三方的協(xié)助監(jiān)督機制將成為對有限的政府監(jiān)管資源和共享乘車行業(yè)自我監(jiān)督的有效補充，有利于進一步協(xié)同推進共享乘車行業(yè)的健康良性發(fā)展。（3）安全投入轉化率較高的平臺在競爭初期能在短期內獲得較大的市場份額，但這種乘客黏性不容易長久地維持，其他平臺也會采取更多的安全投入來搶占市場，在仿真中后期平臺競爭趨于穩(wěn)定的情況下，乘客人數(shù)會回落到與較低的安全投入轉化率幾乎一致的水平。而在仿真后期，安全投入轉化率高的平臺將再次顯現(xiàn)出優(yōu)勢，乘客數(shù)量又會比安全投入轉化率低的情況進一步提升。這表明不同程度的安全投入轉化率能在競爭初期以及競爭后期為平臺創(chuàng)造戰(zhàn)略優(yōu)勢，但在競爭中后期優(yōu)勢則不明顯，平臺可以根據(jù)自身發(fā)展需求適時調整平臺的安全投入策略。

當然，本研究還存在一些不足，可以在未來的研究中加以改進。例如，在分析平臺的乘客轉化情況時，主要考慮安全因素和廣告補貼的影響，以后還可以將其他影響因素納入模型，使得模型的設定更加全面。

參考文獻：

[1] FURUHATA M， DESSOUKY M， ORDEZ F， et al. Ridesharing： the state-of-the-art and future directions[J]. Transportation Research Part B： Methodological， 2013， 57： 28-46.

[2] HUANG Q， FORK D K， PLURKOWSKI L， et al. System and method for security enhanced rideshare： U.S. Patent 7，756，633[P]. 2010-7-13.

[3] 沈弼龍，趙穎，黃艷，等. 大數(shù)據(jù)背景下動態(tài)共乘的研究進展[J]. 計算機研究與發(fā)展， 2017， 54（1）：34-49.

[4] CHAN N D， SHAHEEN S A. Ridesharing in North America： Past， present， and future[J]. Transport Reviews， 2012， 32（1）： 93-112.

[5] D′OREY P M， FERNANDES R， FERREIRA M. Reducing the environmental impact of taxi operation： the taxi-sharing use case[C]//2012 12th International Conference on ITS Telecommunications. IEEE， 2012： 319-323.

[6] MA S， ZHENG Y， WOLFSON O. T-share： a large-scale dynamic taxi ridesharing service[C]//2013 IEEE 29th International Conference on Data Engineering （ICDE）. IEEE， 2013： 410-421.

[7] 侯立文，趙沄堃.利用社會網(wǎng)絡實現(xiàn)動態(tài)共乘的匹配研究[J].系統(tǒng)管理學報，2016，25（5）：837-843.

[8] FURUHATA， MASABUMI. Ridesharing： the state-of-the-art and future directions[J]. Transportation Research Part B： Methodological， 2013， 57： 28-46.

[9] AGATZ， NIELS. Dynamic ride-sharing： a simulation study in metro Atlanta[J]. Procedia-Social and Behavioral Sciences， 2011， 17： 532-550.

[10] AMEY A. A proposed methodology for estimating rideshare viability within an organization， applied to the mit community[C]//TRB Annual Meeting Procediings， 2011： 1-16.

[11] WINTER S， NITTEL S. Ad hoc shared-ride trip planning by mobile geosensor networks[J]. International Journal of Geographical Information Science， 2006， 20（8）： 899-916.

[12] KLEINER A， NEBEL B， ZIPARO V A. A mechanism for dynamic ride sharing based on parallel auctions[C]//Twenty-Second International Joint Conference on Artificial Intelligence， 2011.

[13] AGATZ N， ERERA A， SAVELSBERGH M， et al. Optimization for dynamic ride-sharing： a review[J]. European Journal of Operational Research， 2012， 223（2）： 295-303.

[14] NAIR P. Safety concerns are keeping consumers from jumping on the sharing economy bandwagon [EB/OL].（2016）[2019-11-02].https：//www.growthbusiness.co.uk/safety-concerns-are-keeping-consumers-from- jumping-on-the-sharing-economy-bandwagon-2526861/.

[15] PICCHI A. The rising safety issues that could throttle uber [EB/OL]. （2014）[2019-11-02]. https：//www.cbsnews.com/ news/the-rising-safety-issues-that-could-throttle-uber/.

[16] YANG S， SONG Y， CHEN S， et al. Why are customers loyal in sharing-economy services？ A relational benefits perspective[J]. Journal of Services Marketing， 2017， 31（1）： 48-62.

[17] 左文明，李詩欣，陳華瓊，等. 基于服務藍圖法和TRIZ理論的網(wǎng)約車服務創(chuàng)新：滴滴出行的案例研究[J]. 管理案例研究與評論，2018，11（5）：438-454.

[18] ALMOQBEL M Y， LIKHAR A K， WOHN D Y. Understanding safety concerns and protection behaviors of rideshare drivers[C]//Proceedings of the 2019 on Computers and People Research Conference. ACM， 2019： 77-77.

[19] CHAUDHRY B， EL-AMINE S， SHAKSHUKI E. Passenger safety in ride-wharing services[J]. Procedia Computer Science， 2018， 130： 1044-1050.

[20] 鐘永光.系統(tǒng)動力學[M]. 北京：科學出版社， 2013.

[21] 侯立文，徐建盈.惡意軟件市場的系統(tǒng)動力學仿真[J].計算機應用研究，2010，27 （10）：3786-3789， 3793.

[22] BASS F M. A new product growth for model consumer durables[J]. Management Science， 1969， 15（5）： 215-227.

[23] RUUTU S， CASEY T， KOTOVIRTA V. Development and competition of digital service platforms： a system dynamics approach[J]. Technological Forecasting and Social Change， 2017， 117： 119-130.

收稿日期：2020-07-18

作者簡介：張麗（1996—），女，廣東汕頭人，研究生，主要研究方向：計算機模擬與仿真;侯立文，男，副教授，博士，E-mail： whou@sjtu.edu.cn。