呂瑩，郭淳，孫會君，支丹月

（北京交通大學(xué)，a.交通系統(tǒng)科學(xué)與工程研究院；b.綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗室，北京 100044）

0 引言

2020年9月22日，中國政府在第75 屆聯(lián)合國大會上提出：“中國將提高國家自主貢獻(xiàn)力度，采取更加有力的政策和措施，二氧化碳排放力爭于2030年前達(dá)到峰值，努力爭取2060年前實(shí)現(xiàn)碳中和?！痹?021年政府工作報告中，“做好碳達(dá)峰、碳中和工作”也被列為2021年重點(diǎn)任務(wù)之一。交通行業(yè)既是碳排放的重要來源，也是推動綠色發(fā)展、實(shí)現(xiàn)碳中和的關(guān)鍵領(lǐng)域，實(shí)現(xiàn)碳達(dá)峰、碳中和是艱苦卓絕的斗爭，亟需大力發(fā)展可持續(xù)交通。

近年，交通行業(yè)中以環(huán)境友好為初衷的共享交通快速發(fā)展，其中網(wǎng)約車的發(fā)展尤為迅猛。在中國，網(wǎng)約車的出現(xiàn)改變了傳統(tǒng)巡游車低效率、無秩序的局面，為我國城市客運(yùn)交通系統(tǒng)添加了新生力量。網(wǎng)約車強(qiáng)調(diào)節(jié)能減排，提供共乘模式，CAI等[1]利用從北京市網(wǎng)約車軌跡數(shù)據(jù)中提取的出行信息，得出若在整個車隊實(shí)施共乘有助于節(jié)約油耗和降低尾氣排放的結(jié)論。然而，網(wǎng)約車的出現(xiàn)沖擊了現(xiàn)有運(yùn)輸服務(wù)，BABAR[2]評價網(wǎng)約車的出現(xiàn)對隨后1年公共交通使用的影響發(fā)現(xiàn)，Uber替代了部分公共交通出行，導(dǎo)致公共交通服務(wù)率顯著下降；WU等[3]通過建立網(wǎng)約車對中國能源使用和碳排放的影響評價模型發(fā)現(xiàn)，網(wǎng)約車服務(wù)替代了公共交通、私家車、傳統(tǒng)巡游車及自行車等多種出行方式；NIE等[4]經(jīng)過研究發(fā)現(xiàn)，網(wǎng)約車成為傳統(tǒng)巡游車最主要的競爭者，可能導(dǎo)致傳統(tǒng)巡游車客運(yùn)量大幅下降。由此可見，網(wǎng)約車的節(jié)能減排作用飽受爭議，網(wǎng)約車是否有利于碳中和？是否會替代部分綠色交通出行量，對節(jié)能減排起到負(fù)面作用？現(xiàn)有研究結(jié)論尚不明確，這些問題亟待解決。

反事實(shí)思維(Counterfactual Thinking)由美國著名心理學(xué)家、諾貝爾經(jīng)濟(jì)學(xué)獎獲得者Kahneman 和他的同事Tversky 在1982年發(fā)表的《模擬式啟發(fā)(The Simulation Heuristic)》中首次提出[5]，用于反映個體對不真實(shí)的條件或可能性進(jìn)行替換的一種思維過程，通常是對已經(jīng)發(fā)生了的事件進(jìn)行否定，然后表征在這否定情況下的結(jié)果。一些研究應(yīng)用反事實(shí)思維研究網(wǎng)約車帶來的影響。例如，ERHARDT 等[6]利用Uber 進(jìn)入不同城市的時間不同，應(yīng)用雙重差分模型，研究網(wǎng)約車對城市車輛延誤時間的影響，發(fā)現(xiàn)網(wǎng)約車增加了交通系統(tǒng)中的平均車輛行駛里程。由于基于雙重差分模型的反事實(shí)思維研究方法需要同時使用受干預(yù)影響的實(shí)驗組和不受干預(yù)影響的對照組，然而某些實(shí)際情況無法滿足該條件，例如，網(wǎng)約車從2015年開始陸續(xù)進(jìn)入全國各個城市，截至2019年已在全國所有直轄市和80%以上的地級市規(guī)范運(yùn)營，這就使得不受網(wǎng)約車影響的對照組的獲得難以實(shí)現(xiàn)。因而，也有研究采用預(yù)測方法體現(xiàn)反事實(shí)思維，BRODERSEN 等[7]建立通過預(yù)測方法實(shí)現(xiàn)反事實(shí)推斷的框架，即利用干預(yù)之前的歷史數(shù)據(jù)，預(yù)測近年沒有受到干預(yù)影響的研究對象的表現(xiàn)，并通過研究谷歌廣告活動對用戶被導(dǎo)向到與廣告有關(guān)網(wǎng)頁之間的關(guān)系證明預(yù)測方法在反事實(shí)推斷中的實(shí)用性。

因此，本文從反事實(shí)思維視角出發(fā)，基于預(yù)測方法，根據(jù)網(wǎng)約車出現(xiàn)之前的歷史數(shù)據(jù)，預(yù)測反事實(shí)情況下的傳統(tǒng)出行方式出行量，探討網(wǎng)約車對傳統(tǒng)出行方式的影響，評估網(wǎng)約車的能源環(huán)境凈效應(yīng)。同時，為避免單一預(yù)測方法的局限性，本文提出基于多預(yù)測原理和推演決策的集成分析方法，從更全面、更宏觀的角度研究網(wǎng)約車對傳統(tǒng)出行方式的影響及其不確定性，并建立網(wǎng)約車能源環(huán)境效應(yīng)評估模型，為更好地發(fā)展網(wǎng)約車管理政策，促進(jìn)共享出行的可持續(xù)發(fā)展以及早日實(shí)現(xiàn)碳中和作貢獻(xiàn)。

1 問題描述與假設(shè)

網(wǎng)約車的出現(xiàn)會吸引部分傳統(tǒng)出行方式的需求轉(zhuǎn)移為網(wǎng)約車出行，甚至可能會誘導(dǎo)增加整個城市系統(tǒng)的出行總量，產(chǎn)生更多的碳排放；同時，網(wǎng)約車的共乘模式可以提高交通效率，有助于減少污染。本文研究北京市網(wǎng)約車對傳統(tǒng)出行方式的影響及其產(chǎn)生的能源環(huán)境效應(yīng)。

基于反事實(shí)思維視角，使用網(wǎng)約車進(jìn)入城市交通系統(tǒng)之前的歷史數(shù)據(jù)推演不考慮網(wǎng)約車存在的反事實(shí)情況下的傳統(tǒng)出行方式出行量，將其與實(shí)際出行量的差值作為該傳統(tǒng)出行方式受到網(wǎng)約車影響而變化的出行量，并利用干預(yù)分析模型表達(dá)其定量影響，評估網(wǎng)約車系統(tǒng)的能源環(huán)境效應(yīng)。同時，為避免單一模型方法的局限性，提出基于多預(yù)測原理加多推演策略的集成分析方法，并進(jìn)行基于不確定性的擬合和分析。相關(guān)假設(shè)如下：

(1)網(wǎng)約車僅為滴滴出行旗下所有產(chǎn)品，將2013年作為滴滴出行對北京市產(chǎn)生影響的首年，2016年作為推出共乘模式的首年。

(2)考慮網(wǎng)約車對公交車、地鐵、傳統(tǒng)巡游車和私家車這4 種主要傳統(tǒng)出行方式的影響，忽略4 種傳統(tǒng)方式之間的相互影響。

(3)估算公交車、傳統(tǒng)巡游車、私家車平均碳排放因子，并假定排放因子在研究期內(nèi)變化不大，假設(shè)網(wǎng)約車的排放因子與私家車相同，其非共乘模式的平均承載人數(shù)與傳統(tǒng)巡游車相同。

2 問題建模與數(shù)據(jù)

2.1 網(wǎng)約車能源環(huán)境效應(yīng)評估模型建立

定義某出行方式的出行里程與單位里程排放的乘積作為該方式的能源環(huán)境效應(yīng)[8]，建立基本模型為

式中：i為傳統(tǒng)出行方式，i=1,2,3,4 分別為公交車、地鐵、傳統(tǒng)巡游車、私家車；n為年份；ΔEi,n為n年網(wǎng)約車影響i出行方式造成的碳排放評估結(jié)果(kg碳)；ΔTi,n為n年i出行方式在不考慮網(wǎng)約車反事實(shí)情況下的出行里程與實(shí)際出行里程的差值((100 km)·a-1)；Ii為i出行方式的碳排放因子(kg碳·(100 km)-1)；Iride-hailing為網(wǎng)約車的碳排放因子；Pi為i出行方式平均承載人數(shù)(人·車-1)；Pride-hailing為網(wǎng)約車平均承載人數(shù)。

式(1)表示某傳統(tǒng)出行方式轉(zhuǎn)移到網(wǎng)約車中的出行量由網(wǎng)約車承擔(dān)與由原出行方式承擔(dān)造成的能源環(huán)境效應(yīng)之差，并且考慮了每種出行方式的平均承載人數(shù)。

本文將網(wǎng)約車的平均承載人數(shù)分為共乘、非共乘，、分別為網(wǎng)約車在共乘、非共乘兩種情況下影響i出行方式造成的能源環(huán)境效應(yīng)(kg 碳)，即

對于ΔTi,n和Ii有

式中：Vi,n為推演出的n年i出行方式在不考慮網(wǎng)約車的反事實(shí)情況下的出行量(104人次)；為n年i出行方式的實(shí)際出行量(104人次)；ΔVi,n為n年i出行方式在反事實(shí)情況下的出行量與實(shí)際出行量的差值，即i出行方式的變化出行量(104人次)；Di,n為4 種傳統(tǒng)出行方式平均出行距離(100 km)。

式中：Ci為i出行方式的能耗因子(kg標(biāo)煤·(100 km)-1)；Fi為i出行方式百公里耗油量 （L·(100 km)-1） 或 百 公 里 牽 引 能 耗(度·(100km)-1)；k為汽油或柴油；ρi,k為汽油或柴油密度(kg·L-1)；θi,k為標(biāo)煤折算系數(shù)(kg·kg-1)或(kg·度-1)；τi,k為汽油或柴油的碳排放系數(shù)(kg碳·kg標(biāo)煤-1)。

因此，用ΔEn表示n年網(wǎng)約車能源環(huán)境效應(yīng)評估結(jié)果(kg 碳)，建立網(wǎng)約車能源環(huán)境效應(yīng)評估模型為

網(wǎng)約車能源環(huán)境效應(yīng)評估模型中部分變量及其參考來源如表1所示。

表1 部分變量及其參考來源Table 1 Some variables and their reference sources

2.2 傳統(tǒng)出行方式反事實(shí)情況下的出行量Vi,n 計算

針對Vi,n，采取先預(yù)測后擬合分布的思路計算。

2.2.1 推演基礎(chǔ)數(shù)據(jù)

根據(jù)假設(shè)(1)，綜合數(shù)據(jù)可得性及完整性，考慮影響出行量的經(jīng)濟(jì)指標(biāo)和社會指標(biāo)，選取北京市2004—2012年的17 個指標(biāo)，利用Pearson 相關(guān)系數(shù)和Spearman相關(guān)系數(shù)選擇與各出行方式出行量及分擔(dān)率相關(guān)的因素，作為預(yù)測2013—2019年反事實(shí)情況下傳統(tǒng)出行方式出行量的輸入。具體指標(biāo)及單位如表2所示，數(shù)據(jù)來源于《北京統(tǒng)計年鑒》。

表2 選用的經(jīng)濟(jì)指標(biāo)與社會指標(biāo)Table 2 Selected economic and social indicators

2.2.2 出行量反事實(shí)推演值Vi,m,n

Vi,m,n表示用m方法根據(jù)網(wǎng)約車出現(xiàn)之前的歷史數(shù)據(jù)預(yù)測近年不考慮網(wǎng)約車的反事實(shí)情況下的i出行方式的出行量，其中m指采用不同的預(yù)測方法，包括：BP 神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost、DNN、多元線性回歸和時間序列模型。按以下3個思路分別預(yù)測。

(1)用m方法直接預(yù)測Vi,m,n。

(2)用m方法預(yù)測n年出行總量及n年4種傳統(tǒng)出行方式總分擔(dān)率和i出行方式各自的分擔(dān)率，用多元線性回歸和時間序列模型預(yù)測n年4 種傳統(tǒng)出行方式總分擔(dān)率，即

式中：為m方法直接預(yù)測的n年除網(wǎng)約車以外的公交車、地鐵、傳統(tǒng)巡游車、私家車、非機(jī)動車等所有傳統(tǒng)出行方式出行總量的值；φi,m,n為最終預(yù)測的反事實(shí)情況下i出行方式分擔(dān)率；γi,m,n、分別為m方法直接預(yù)測的n年公交車、地鐵、傳統(tǒng)巡游車、私家車各自的分擔(dān)率及用m方法、多元線性回歸和時間序列模型時4 種傳統(tǒng)出行方式的總分擔(dān)率，需要注意的是，當(dāng)m方法就是多元線性回歸或時間序列模型時，φi,m,n僅有2 個值，其余方法對應(yīng)的φi,m,n有3個值。

(3)將i出行方式出行量實(shí)際值與出行總量變化值中的i出行方式分擔(dān)率部分相加，即

用北京市2004—2012年的17 個指標(biāo)數(shù)據(jù)對2013—2019年除網(wǎng)約車以外的出行總量，4 種傳統(tǒng)出行方式出行量及分擔(dān)率進(jìn)行多元線性回歸預(yù)測與時間序列預(yù)測，同時劃分訓(xùn)練集和驗證集，利用BP 神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost和DNN分別預(yù)測2013—2019年除網(wǎng)約車以外的出行總量、4 種傳統(tǒng)出行方式出行量及分擔(dān)率。根據(jù)式(10)分別計算與每種預(yù)測方法對應(yīng)的φi,m,n，進(jìn)而按照3種思路計算，最后，每種預(yù)測方法都能得到5個或7 個反事實(shí)推演值Vi,m,n。因此，4 種傳統(tǒng)出行方式在2013—2019年每年都各有45個反事實(shí)推演值Vi,m,n。

2.2.3 反事實(shí)情況下的出行量Vi,n

為了解反事實(shí)推演值Vi,m,n的分布規(guī)律，確定每種出行方式在反事實(shí)情況下的出行量Vi,n，對4 種傳統(tǒng)出行方式在2013—2019年每年各45個反事實(shí)推演值Vi,m,n分別進(jìn)行擬合分布，在設(shè)置的置信水平下，計算該不確定性分布的置信區(qū)間，得到最終反事實(shí)情況下的出行量均值Vi,n及其置信區(qū)間。

根據(jù)反事實(shí)情況下的出行量均值Vi,n的95%置信區(qū)間上、下限與實(shí)際出行量的差值，利用干預(yù)分析模型，求出網(wǎng)約車對4種傳統(tǒng)出行方式的干預(yù)影響值。時間序列經(jīng)常會受到特殊事件及態(tài)勢的影響，稱這類外部事件為干預(yù)，干預(yù)分析模型就是從定量分析的角度評估干預(yù)或突發(fā)事件對經(jīng)濟(jì)環(huán)境和經(jīng)濟(jì)過程的具體影響。干預(yù)事件有4 種基本形式：第一，干預(yù)事件的影響突然開始，并長期持續(xù)下去；第二，干預(yù)事件的影響逐漸開始，并長期持續(xù)下去；第三，干預(yù)事件突然開始，且產(chǎn)生短暫的影響；第四，干預(yù)事件逐漸開始，且產(chǎn)生暫時的影響。不同的干預(yù)形式具有各自對應(yīng)的模型，本文網(wǎng)約車對傳統(tǒng)出行方式的影響屬于第2種情況，對應(yīng)公式為

式中：Zn為干預(yù)事件對所給定事件序列的影響值，為實(shí)際值減去預(yù)測值的差；S(nN)=0 表示干預(yù)事件發(fā)生之前，即n ＜N，S(nN)=1 表示干預(yù)事件發(fā)生之后，即n≥N，本文中N為2013；ω與δ為干預(yù)影響程度的未知參數(shù)；B為后移算子。受網(wǎng)約車影響后的傳統(tǒng)出行方式出行量可表示為Vi,n+Zi,n，Zi,n為網(wǎng)約車對i傳統(tǒng)出行方式的干預(yù)影響。

計算傳統(tǒng)出行方式反事實(shí)情況下的出行量Vi,n的流程如圖1所示，其中X、Y為利用不同預(yù)測方法訓(xùn)練模型時的輸入變量和輸出變量，X為2004—2012年北京市17 個社會經(jīng)濟(jì)指標(biāo)，Y為2004—2012年北京市出行總量、4 種傳統(tǒng)出行方式出行量及分擔(dān)率。

圖1 傳統(tǒng)出行方式反事實(shí)情況下的出行量計算流程Fig.1 Flow chart of 4 traditional modes volumes under counterfactual condition

3 結(jié)果分析

3.1 反事實(shí)情況下的出行量Vi,n 計算

首先，利用Pearson 相關(guān)系數(shù)和Spearman 相關(guān)系數(shù)選擇與各出行方式出行量及分擔(dān)率相關(guān)的因素，采用BP 神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost、DNN、多元線性回歸及時間序列模型對其進(jìn)行預(yù)測；同時，為確保利用BP 神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost和DNN預(yù)測的可信度，在預(yù)測過程中添加Dropout 函數(shù)或正則化防止過擬合，并且使用Grid Search 對參數(shù)進(jìn)行微調(diào)，使得訓(xùn)練集和驗證集上的Loss 都呈下降趨勢且趨近于0，表3為防止過擬合及調(diào)參之后預(yù)測R2；最后，分別對4 種傳統(tǒng)出行方式在2013—2019年每年的反事實(shí)推演出行量Vi,m,n進(jìn)行擬合分布，4種傳統(tǒng)出行方式2013—2019年的Vi,m,n由非參數(shù)正態(tài)性檢驗的顯著性大于0.05可知服從正態(tài)分布，得到4種傳統(tǒng)出行方式反事實(shí)情況下的出行量Vi,n及其95%置信區(qū)間。

表3 預(yù)測結(jié)果評價指標(biāo)Table 3 Evaluation index of prediction results

2004—2019年北京市4 種傳統(tǒng)出行方式的實(shí)際出行量以及2013—2019年根據(jù)不同預(yù)測方法預(yù)測的反事實(shí)推演值Vi,m,n、推演值分布的均值Vi,n及其95%置信區(qū)間如圖2所示。由圖2中2012年實(shí)際出行量可以發(fā)現(xiàn)，公交車、巡游車和私家車2012年以后的實(shí)際出行量與推演值分布的均值Vi,n都比2012年低，并且2013—2019年的Vi,n和根據(jù)不同預(yù)測方法預(yù)測的反事實(shí)推演值Vi,m,n基本在實(shí)際出行量之上，說明這3種傳統(tǒng)出行方式出行量有一部分轉(zhuǎn)移到網(wǎng)約車，網(wǎng)約車的出現(xiàn)對其產(chǎn)生了一定的抑制作用，且公交車受網(wǎng)約車干預(yù)影響而減少的絕對出行量最多。地鐵在2013—2019年的推演值及其分布均值較2012年明顯增加，說明公交車、巡游車、私家車受網(wǎng)約車的影響較大，而網(wǎng)約車對地鐵的影響尚不明顯，這可能是因為北京地鐵發(fā)展速度迅猛，逐漸形成完備的地鐵網(wǎng)絡(luò)，承載的出行量大，成為極具競爭力的出行方式，故受網(wǎng)約車影響相對較小。

利用干預(yù)分析模型，將4種傳統(tǒng)出行方式的反事實(shí)情況下的出行量Vi,n的95%置信區(qū)間上、下限與實(shí)際值的差代入式(13)擬合，得到4 種傳統(tǒng)出行方式出行量(萬人次)受網(wǎng)約車干預(yù)影響的不確定性表達(dá)式。

(1)公交車

(2)地鐵

(3)巡游車

(4)私家車

表4為傳統(tǒng)出行方式出行量受網(wǎng)約車干預(yù)的影響值Zi,n占該年實(shí)際出行量百分比的不確定性區(qū)間。從各傳統(tǒng)出行方式受影響的百分比下限看，網(wǎng)約車對巡游車出行量的抑制作用最強(qiáng)，其次是公交車和私家車，對地鐵出行量的抑制作用最弱，印證了圖2得到的結(jié)論；結(jié)合百分比上限可知，巡游車和私家車受到干預(yù)影響的百分比上限較小，說明網(wǎng)約車更傾向于減少巡游車出行量和私家車出行量，而公共交通的傾向性較巡游車和私家車弱，說明盡管網(wǎng)約車替代了部分公共交通出行量，但是由于公共交通處于蓬勃發(fā)展的狀態(tài)，并未受到較大沖擊。

表4 傳統(tǒng)出行方式出行量受網(wǎng)約車干預(yù)影響百分比的不確定性區(qū)間Table 4 Uncertainty interval of percentage of traditional travel modes volumes affected by ride-hailing

另外，除了私家車本身實(shí)際出行量較為平穩(wěn)，預(yù)測的反事實(shí)推演值分布較集中外，公交車、地鐵和巡游車的反事實(shí)推演值曲線大致分為兩種趨勢，一種呈離散狀，由思路(1)和思路(2)求得；另一種與實(shí)際出行量變化趨勢近似一致，由思路(3)在實(shí)際出行量的基礎(chǔ)上與反事實(shí)情況下的變化出行量加和求得，因此，波動相似。并且思路(3)的所有推演值均在實(shí)際值之上，根據(jù)式(11)和式(12)，說明反事實(shí)情況下除網(wǎng)約車和步行以外所有傳統(tǒng)方式出行總量均大于實(shí)際出行總量，即實(shí)際情況下所有傳統(tǒng)出行方式出行量降低，進(jìn)一步說明網(wǎng)約車與傳統(tǒng)出行方式形成競爭關(guān)系，吸引了傳統(tǒng)出行方式的出行量。

3.2 網(wǎng)約車能源環(huán)境效應(yīng)評估結(jié)果ΔEj,n

2013—2019年網(wǎng)約車能源環(huán)境效應(yīng)及其不確定性區(qū)間的變化趨勢如圖3所示。共乘模式在2016—2019年的占比分別為0.16、0.10、0.10、0.07。圖3中正值為由網(wǎng)約車導(dǎo)致的凈增加的碳排放，表示網(wǎng)約車對能源環(huán)境產(chǎn)生負(fù)效應(yīng)；負(fù)值為由網(wǎng)約車導(dǎo)致的凈減少的碳排放，表示網(wǎng)約車對能源環(huán)境產(chǎn)生正效應(yīng)。無論是推出共乘模式之前還是之后，2013—2019年網(wǎng)約車能源環(huán)境效應(yīng)評估結(jié)果都對能源環(huán)境產(chǎn)生了負(fù)效應(yīng)，并且2016—2019年的碳排放比2013—2015年的多，呈增長趨勢。根據(jù)假設(shè)(1)，本文所指網(wǎng)約車為滴滴出行旗下所有產(chǎn)品，2013年，盡管滴滴出行的市場份額超過其他打車軟件市場份額之和，但是整個打車行業(yè)尚處于起步階段，由圖2可以看出，2013年滴滴出行對傳統(tǒng)出行方式的影響，尤其對公共交通和巡游車的影響較小，因此，導(dǎo)致碳排放凈增加1.66 萬噸碳；2014年，滴滴出行用戶數(shù)超過1 億，司機(jī)數(shù)超過100 萬人，日均單數(shù)達(dá)到500 萬單，成為互聯(lián)網(wǎng)最大日均訂單交易平臺，并且滴滴出行專車的上線拓寬了滴滴出行的業(yè)務(wù)范圍，帶來更多的出行，對公交車和巡游車的影響逐漸顯露，導(dǎo)致2014年滴滴出行造成的碳排放明顯增長，碳排放為4.26 萬噸碳；2015年，隨著滴滴出行與快的合并，滴滴快車、順風(fēng)車、巴士、代駕業(yè)務(wù)的上線，滴滴出行迎來蓬勃發(fā)展，碳排放為8.38 萬噸標(biāo)煤；2016—2019年，據(jù)滴滴方面介紹，從2016年開始，在移動出行滲透率高的城市，各類網(wǎng)約車平臺的專車、快車、順風(fēng)車承接的訂單已經(jīng)接近原有整個出租車市場的訂單，對傳統(tǒng)巡游車的競爭越發(fā)激烈。2016年11月1日起《網(wǎng)絡(luò)預(yù)約出租汽車經(jīng)營服務(wù)管理暫行辦法》正式施行，網(wǎng)約車的合法地位在國家法規(guī)層面上得到確定，加速了滴滴的大規(guī)模發(fā)展，導(dǎo)致2016—2019年能源環(huán)境效應(yīng)處于較高水平，即對能源環(huán)境產(chǎn)生的負(fù)效應(yīng)較強(qiáng)。由圖3可知，歷年能源環(huán)境效應(yīng)ΔEn介于完全共乘和非共乘下能源環(huán)境效應(yīng)之間，完全共乘下對能源環(huán)境產(chǎn)生的負(fù)效應(yīng)最弱，完全非共乘下產(chǎn)生的負(fù)效應(yīng)最強(qiáng)。盡管由滴滴出行導(dǎo)致增加的碳排放仍在逐年增長，但由于共乘模式的逐漸普及使得增長速率放緩。圖4為對共乘比例的靈敏度分析，虛線為建立的網(wǎng)約車能源環(huán)境效應(yīng)評估模型計算出的結(jié)果，實(shí)線為共乘比例分別取0.0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0時對應(yīng)的能源環(huán)境效應(yīng)。隨著共乘占比增大，網(wǎng)約車對能源環(huán)境產(chǎn)生的負(fù)效應(yīng)被削弱，但是網(wǎng)約車的出現(xiàn)對傳統(tǒng)出行方式出行量產(chǎn)生抑制作用，并且誘導(dǎo)更多的出行，所以完全共乘模式下網(wǎng)約車依然對能源環(huán)境產(chǎn)生了負(fù)效應(yīng)。因此，目前亟需網(wǎng)約車公司及政府部門合理決策，揚(yáng)長避短，促進(jìn)共乘模式發(fā)展，盡量降低網(wǎng)約車對能源環(huán)境產(chǎn)生的負(fù)效應(yīng)，更好地發(fā)揮網(wǎng)約車的優(yōu)勢。

圖2 4種傳統(tǒng)出行方式出行量不確定性推演值Fig.2 Actual and predicted values of 4 traditional modes of travel volume

圖3 2013—2019年能源環(huán)境效應(yīng)變化趨勢Fig.3 Change trend of energy and environmental effects over 2013—2019

圖4 共乘比例靈敏度分析Fig.4 Sensitivity analysis of ride-sharing ratio

另外，盡管網(wǎng)約車能源環(huán)境效應(yīng)表明網(wǎng)約車對能源環(huán)境產(chǎn)生了負(fù)效應(yīng)，但綜合能源環(huán)境效應(yīng)區(qū)間，網(wǎng)約車能源環(huán)境效應(yīng)的區(qū)間下限表示網(wǎng)約車對環(huán)境具有正效應(yīng)；而區(qū)間上限表示負(fù)效應(yīng)，說明網(wǎng)約車的能源環(huán)境效應(yīng)尚處在一個不確定的區(qū)間內(nèi)，無法斷定網(wǎng)約車對環(huán)境到底是起到正面作用還是負(fù)面作用。在實(shí)際生活中，網(wǎng)約車能源環(huán)境效應(yīng)的不確定性是由自身特點(diǎn)引起的，首先，網(wǎng)約車的共乘模式會提高交通效率，降低單位碳排放，隨著人們綠色出行意識逐漸增強(qiáng)，越來越多的居民在出行時選擇共乘出行，有利于保護(hù)環(huán)境；其次，網(wǎng)約車通過替代更節(jié)能的出行方式，甚至誘導(dǎo)更多的出行，增加了碳排放，例如，從公共交通轉(zhuǎn)移到網(wǎng)約車的出行會增加每位乘客的平均碳排放；并且，網(wǎng)約車有可能會因為其本身便利的優(yōu)勢而降低私家車的購買需求，對環(huán)境起到潛在的保護(hù)作用。

本文采用的是基于多預(yù)測原理加多推演決策的集成分析方法，不同的預(yù)測方法由于學(xué)習(xí)機(jī)制不同，訓(xùn)練出的模型不同，從而得到的結(jié)果不同，因此，圖2中每條推演值曲線變化規(guī)律不盡相同，最后基于不確定性擬合分布，可以更加全面且客觀地評估網(wǎng)約車能源環(huán)境效應(yīng)。

4 結(jié)論

本文基于反事實(shí)思維視角，以網(wǎng)約車進(jìn)入北京之前的歷史數(shù)據(jù)研究近年不考慮網(wǎng)約車的反事實(shí)情況下的傳統(tǒng)出行方式出行量；利用干預(yù)分析模型表達(dá)網(wǎng)約車對傳統(tǒng)出行方式出行量的影響；建立能源環(huán)境效應(yīng)模型，計算網(wǎng)約車的能源環(huán)境效應(yīng)。為促進(jìn)共享出行的可持續(xù)發(fā)展，早日實(shí)現(xiàn)碳中和作出貢獻(xiàn)。得到的結(jié)論與建議如下：

(1)網(wǎng)約車替代了4 種傳統(tǒng)出行方式部分出行量，相對來說網(wǎng)約車對地鐵的影響最小。網(wǎng)約車的能源環(huán)境效應(yīng)目前處于不確定性區(qū)間，但更傾向于對能源環(huán)境產(chǎn)生負(fù)效應(yīng)，并且這種負(fù)效應(yīng)隨著網(wǎng)約車的大規(guī)模發(fā)展愈加嚴(yán)重。

(2)提出了基于多預(yù)測原理和推演決策的集成分析方法，并根據(jù)不確定性進(jìn)行擬合及分析，有效地打破了基于單一模型預(yù)測的局限性，可以從更宏觀的角度評估網(wǎng)約車能源環(huán)境效應(yīng)。

(3)根據(jù)網(wǎng)約車能源環(huán)境效應(yīng)評估結(jié)果，建議大力發(fā)展共乘模式，提高共乘出行比例，并適當(dāng)抑制私家車購買，將更多的出行需求轉(zhuǎn)移到共乘出行中，促進(jìn)綠色交通發(fā)展。