陳小鴻, 成嘉琪, 葉建紅, 汪道歌
(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室,上海 201804)
共享汽車(chē)(即分時(shí)租賃)服務(wù)使用戶避免擁有車(chē)輛的麻煩(購(gòu)買(mǎi)、維護(hù)、保險(xiǎn)、清潔、尋找停車(chē)位等),同時(shí)享受靈活而自由的小汽車(chē)出行[1].國(guó)外研究表明其具有減少私家車(chē)保有量的作用,主要表現(xiàn)在共享汽車(chē)用戶出售已有車(chē)輛,放棄、延遲購(gòu)買(mǎi)新車(chē)等方面[2-5],再加上其對(duì)減少排放的正面影響[3,6],一些國(guó)家已將其視為一種新的可持續(xù)發(fā)展交通政策工具[7].
由于發(fā)達(dá)國(guó)家已達(dá)到較高的機(jī)動(dòng)化水平,如美國(guó)2010年千人機(jī)動(dòng)車(chē)保有量已超過(guò)800輛,英國(guó)接近600輛[8].在這一社會(huì)背景下,共享汽車(chē)模式因其靈活經(jīng)濟(jì)的特點(diǎn),對(duì)小汽車(chē)保有量產(chǎn)生了“減法效應(yīng)”.但我國(guó)尚處于機(jī)動(dòng)化過(guò)程中,千人機(jī)動(dòng)車(chē)保有量2015年剛達(dá)到200輛左右,還處于較低水平[9].同時(shí),持駕照人數(shù)遠(yuǎn)高于小汽車(chē)保有量,還有相當(dāng)?shù)男∑?chē)出行需求未得到釋放.在這一背景下,共享汽車(chē)模式能否對(duì)私家車(chē)保有量產(chǎn)生“減法效應(yīng)”尚未可知,這使我國(guó)交通管理部門(mén)在城市道路資源緊缺的情況下對(duì)發(fā)展共享汽車(chē)存在一定顧慮.
一方面,在城市出行服務(wù)多元化(構(gòu)建完整的出行方式譜系),以及高品質(zhì)出行需求背景下,共享汽車(chē)模式存在一定必然性和必要性;另一方面,共享汽車(chē)的本質(zhì)仍是小汽車(chē)出行,可能與我國(guó)大城市以公共交通為導(dǎo)向的城市發(fā)展戰(zhàn)略存在潛在矛盾.因此,更好地理解這一新型出行模式對(duì)交通系統(tǒng)的影響就尤為關(guān)鍵.但目前對(duì)于共享汽車(chē)對(duì)其他交通方式的替代以及對(duì)車(chē)公里的影響尚存在爭(zhēng)議.一些研究表明,共享汽車(chē)的會(huì)員更多地使用了公共交通、自行車(chē)及步行[10-11],減少了車(chē)公里[3,4,6];另一些研究則表明共享汽車(chē)對(duì)公共交通存在替代效應(yīng),且會(huì)增加車(chē)公里[12],或?qū)步煌ǖ奶娲陨胁幻鞔_[10,13].還有研究認(rèn)為,這些影響和共享汽車(chē)的具體模式有關(guān),不可異地還車(chē)(A借A還)模式更多地是對(duì)公交的補(bǔ)充,而可異地還車(chē)(A借X還)模式則對(duì)公共交通存在替代作用,同時(shí)A借A還模式能更有效地減少小汽車(chē)使用[14].在這種爭(zhēng)議下,政府部門(mén)無(wú)法確定對(duì)共享汽車(chē)模式的管理方向和力度.
目前大多數(shù)針對(duì)這一問(wèn)題的研究都僅考慮共享汽車(chē)模式對(duì)小汽車(chē)使用總量的增減效應(yīng),本文嘗試從更精細(xì)化的角度分析共享汽車(chē)模式對(duì)交通狀況的影響.由于道路交通狀況的動(dòng)態(tài)變化,交通流量的時(shí)空分布并不均勻,因此交通負(fù)擔(dān)呈現(xiàn)動(dòng)態(tài)性變化.城市核心區(qū)域的工作日早晚高峰是擁堵最易發(fā)生的空間和時(shí)間,若共享汽車(chē)帶來(lái)的小汽車(chē)用量增長(zhǎng)并未在這一時(shí)空域出現(xiàn),則其發(fā)展對(duì)交通狀況不存在顯著負(fù)面影響.從這一角度切入,本文從時(shí)間、空間、運(yùn)營(yíng)模式以及用戶4個(gè)維度分析上海最大的汽車(chē)共享公司EVCARD的出行需求是否增加交通負(fù)擔(dān),為政府部門(mén)管理政策的制定提供參考.
EVCARD主要以A借X還模式為主,僅少量站點(diǎn)以A借A還模式運(yùn)營(yíng).其中,A借X還模式指用戶從A站點(diǎn)取車(chē)后可還至任何一個(gè)站點(diǎn);A借A還模式指用戶從A站點(diǎn)取車(chē)后最終必須將該車(chē)輛還至A站點(diǎn)的模式.
截止2016年12月,EVCARD共投入榮威E50、奇瑞EQ和寶馬芝諾1E 3種純電動(dòng)車(chē)型,前兩者單價(jià)為0.50元·min-1,后者為1.00元·min-1,無(wú)起步價(jià),24 h內(nèi)用車(chē)超過(guò)6 h的僅計(jì)6 h費(fèi)用.
EVCARD僅為會(huì)員提供服務(wù),因此須提交駕駛證免費(fèi)申請(qǐng)會(huì)員,首次用車(chē)須繳納1 000元押金或用信用卡預(yù)授權(quán)用車(chē).
EVCARD提供全自助式用車(chē)服務(wù).服務(wù)流程如下:①通過(guò)手機(jī)APP找到附近站點(diǎn)并預(yù)定車(chē)輛,車(chē)輛保留15 min;②通過(guò)會(huì)員卡或手機(jī)APP打開(kāi)車(chē)門(mén);③當(dāng)?shù)竭_(dá)目標(biāo)站點(diǎn)后將車(chē)停在EVCARD專(zhuān)用車(chē)位,用會(huì)員卡或APP鎖門(mén);④用站點(diǎn)配備的充電樁充電、還車(chē);⑤通過(guò)支付平臺(tái)等電子支付結(jié)算費(fèi)用,行程結(jié)束.
2.1.1數(shù)據(jù)來(lái)源
本研究共涉及到3個(gè)數(shù)據(jù)源,第1部分是EVCARD從2015年1月1日到2016年12月31日的所有訂單數(shù)據(jù),訂單包括的信息有取車(chē)時(shí)間、還車(chē)時(shí)間、取車(chē)站點(diǎn)、還車(chē)站點(diǎn)、出行時(shí)長(zhǎng)、訂單金額、減免金額及減免原因.第2部分是截止到2016年12月31日的注冊(cè)用戶及站點(diǎn)基本信息.用戶信息包括年齡、性別、寄卡地址.寄卡地址是用戶所留用于接收EVCARD會(huì)員卡的地址,此地址并不清楚是用戶的家庭地址、工作地址或其他地址,但可認(rèn)為是用戶的常駐地址.站點(diǎn)信息僅包括站點(diǎn)名、車(chē)位數(shù)以及相應(yīng)的經(jīng)緯度坐標(biāo).第3部分是上海地圖的地理信息,用于結(jié)合EVCARD地理信息分析空間關(guān)系.
2.1.2數(shù)據(jù)預(yù)處理
數(shù)據(jù)清洗經(jīng)以下5個(gè)步驟:①刪除缺少關(guān)鍵信息的訂單;②刪除運(yùn)營(yíng)人員產(chǎn)生的訂單;③刪除“減免原因”涉及無(wú)效出行的訂單,如測(cè)試、無(wú)法啟動(dòng)、電量不足、故障等;④刪除“減免費(fèi)用”等于“訂單費(fèi)用”的訂單;⑤刪除“用車(chē)時(shí)間”小于2 min且取、還站點(diǎn)為同一站點(diǎn)的訂單.
滿足條件④的訂單即運(yùn)營(yíng)方完全減免了本次訂單所涉及的費(fèi)用,EVCARD官方表示,原則上整個(gè)行程無(wú)效或EVCARD公司內(nèi)部因公務(wù)產(chǎn)生的出行會(huì)全部減免金額;第⑤條的設(shè)置根據(jù)最小乘車(chē)時(shí)間實(shí)驗(yàn).實(shí)驗(yàn)召集10位不同駕齡駕駛?cè)斯矞y(cè)試30次.從打開(kāi)車(chē)門(mén)行駛100 m再返回原位并成功還車(chē),整個(gè)過(guò)程最少耗時(shí)2 min 15 s,最長(zhǎng)耗時(shí)為3 min 10 s,因此認(rèn)為滿足⑤的出行均為無(wú)效出行.
本研究首先用描述性統(tǒng)計(jì)的方法分析EVCARD出行總量、出行時(shí)間和空間,以及不同運(yùn)營(yíng)模式的需求特征.然后分別分析不同類(lèi)型用戶的出行特征,并用多元線性回歸和二項(xiàng)logistic回歸識(shí)別對(duì)比高頻用戶及通勤者特征.
2.2.1用戶用車(chē)頻率模型
研究利用多元線性回歸模型解決第一個(gè)問(wèn)題,并用逐步法對(duì)自變量進(jìn)行篩選處理,多元線性回歸模型如下:
式中:Y為因變量;xi為自變量(影響因素或相關(guān)因素);b0為常數(shù)項(xiàng);bi為回歸系數(shù);e為隨機(jī)誤差.
2.2.2高峰時(shí)段出行者模型
研究通過(guò)二項(xiàng)logistic回歸模型計(jì)算用戶是高峰時(shí)段出行者的概率,并用向前條件法篩選自變量.該模型的因變量Y僅有0和1兩個(gè)狀態(tài),設(shè)某用戶是交通高峰時(shí)段出行者為Y=1(P=1),則模型如下:
由于相關(guān)數(shù)據(jù)的商業(yè)敏感性,本文除特殊情況外,原則上不直接展示運(yùn)營(yíng)精確數(shù)字,故不展示訂單月變分布.從2015年1月正式運(yùn)營(yíng)開(kāi)始,EVCARD訂單量和會(huì)員輛持續(xù)增長(zhǎng),截至論文完成時(shí)(2017年5月),上海地區(qū)運(yùn)營(yíng)站點(diǎn)接近3 000個(gè),投入車(chē)輛近5 000輛(均為純電動(dòng)汽車(chē)).EVCARD日出行總量尚不足上海日出行總量的0.05%,不足小客車(chē)出行的0.5%,不足出租車(chē)出行的2%,對(duì)城市道路交通流影響極為微弱.
3.1訂單時(shí)間分布
周末日均訂單量多于工作日.周末訂單占總訂單量的1/3,周末日均訂單為工作日的1.2倍.出行時(shí)間周分布圖如圖1所示.
圖1 出行時(shí)間周分布圖
工作日與周末的出行時(shí)間分布呈現(xiàn)兩種模式,工作日存在早晚“高峰”,而周末出行高峰主要集中在10:00~17:00時(shí)段.周末夜間(19:00之后)的出行比例較工作日低.這是由于工作日期間休閑社交等活動(dòng)只能于夜間發(fā)生,而周末在日間即可提前釋放休閑、社交等目的的出行.圖2為出行時(shí)間分布圖.
圖2 出行時(shí)間分布圖
雖然EVCARD出行從本身來(lái)看存在早晚“高峰”,如早上7:00~9:00點(diǎn)以及17:00~19:00兩個(gè)時(shí)段的訂單占比較其他時(shí)段高,分別占全時(shí)段訂單的6.3%和8.2%,但與上海市居民(通勤/非通勤)出行時(shí)間對(duì)比,其峰值并不顯著.這表明EVCARD用戶的主要用車(chē)目的并非通勤.圖3為EVCARD出行與上海居民出行時(shí)間對(duì)比圖.
圖3 EVCARD與上海2014年居民出行時(shí)間對(duì)比
同時(shí),EVCARD工作日“高峰”呈現(xiàn)出“早低晚高”的模式,而上海居民通勤出行則呈現(xiàn)出“早高晚低”的模式.這一方面是由于早晨通勤、通學(xué)的時(shí)間約束緊,用戶會(huì)有意避開(kāi)地面交通擁堵帶來(lái)的時(shí)間不確定性,而回家的時(shí)間約束較松,EVCARD出行表現(xiàn)出在晚高峰時(shí)比居民非通勤出行比例相對(duì)較高的特征;另一方面與工作日存在部分下班后直接參與社交娛樂(lè)活動(dòng)的需求有關(guān).因此,首先可認(rèn)為早晨用EVCARD通勤的出行比例較低;其次,早晨通勤時(shí)段的EVCARD出行峰值主要發(fā)生在擁堵較少的區(qū)域,這一點(diǎn)將在下文論證.
EVCARD的運(yùn)營(yíng)從上海嘉定區(qū)開(kāi)始,逐漸向中心城區(qū)和其他區(qū)域拓展.截至2016年12月,內(nèi)環(huán)內(nèi)區(qū)域站點(diǎn)密度為0.46個(gè)·km2,內(nèi)、外環(huán)間區(qū)域?yàn)?.22個(gè)·km2,外環(huán)外區(qū)域?yàn)?.16個(gè)·km2,站點(diǎn)密度由城市核心區(qū)向外圍區(qū)逐層降低.上海EVCARD站點(diǎn)分布如圖4所示.
圖4 上海EVCARD站點(diǎn)空間分布
EVCARD出行絕大多數(shù)發(fā)生在外環(huán)以外區(qū)域,起訖點(diǎn)中至少有一端處于外環(huán)外的出行占93.4%,而起訖點(diǎn)至少有一端在內(nèi)、外環(huán)間的出行占14.9%,起訖點(diǎn)至少有一端在內(nèi)環(huán)內(nèi)的出行占8.3%,將跨區(qū)域出行平均分配給兩個(gè)區(qū)域后,外環(huán)外占85.9%,內(nèi)、外環(huán)間占9.2%,內(nèi)環(huán)內(nèi)占4.9%.由于內(nèi)環(huán)內(nèi)車(chē)位租金成本是外圍區(qū)域的數(shù)倍,內(nèi)環(huán)內(nèi)運(yùn)營(yíng)投資收益比較低,市場(chǎng)環(huán)境下運(yùn)營(yíng)商不傾向于核心區(qū)布點(diǎn).圖5為上海EVCARD出行空間分布示意圖.
圖5 上海EVCARD出行空間分布
另一個(gè)值得注意的是,A借A還率從外環(huán)外到內(nèi)環(huán)內(nèi)依次遞增,內(nèi)環(huán)內(nèi)的A借A還率達(dá)77%.由于EVCARD按分鐘計(jì)費(fèi),A借A還的出行若用于通勤目的將有大量時(shí)間閑置,因此理論上A借A還出行不是通勤出行.從出行時(shí)間分布也可看出,所有區(qū)域的A借A還出行均未呈現(xiàn)出通勤出行特征,如圖6所示.這意味著在易發(fā)生交通擁堵的城市核心區(qū)域,EVCARD并不會(huì)帶來(lái)顯著的交通負(fù)擔(dān).
圖6 EVCARD A 借A 還出行時(shí)間分布
此外,分析不同區(qū)域及各區(qū)域間跨區(qū)域的出行時(shí)間分布,可進(jìn)一步得到EVCARD在通勤時(shí)段的出行主要發(fā)生在起訖點(diǎn)至少有一端在外環(huán)外的區(qū)域,如圖7所示.
假設(shè)同一區(qū)域工作日與周末出行時(shí)間分布在通勤時(shí)段越一致,則該區(qū)域通勤時(shí)段為通勤目的出行的可能性就越低.
用工作日通勤時(shí)段(7:00~9:00及17:00~19:00)的出行比例減去周末通勤時(shí)段出行比例可發(fā)現(xiàn),僅起訖點(diǎn)均在外環(huán)外的出行,其工作日和周末的早高峰和晚高峰差均高于3%,其中早高峰工作日比周末高5.3%,晚高峰時(shí)工作日比周末高3.4%.此外,由外環(huán)外區(qū)域去往內(nèi)、外環(huán)之間區(qū)域的出行在早高峰時(shí)出現(xiàn)工作日和周末明顯差異(4.9%);由內(nèi)、外環(huán)之間去往外環(huán)外的出行在晚高峰時(shí)出現(xiàn)工作日和周末的明顯差異(3.0%).其他區(qū)域的早、晚高峰工作日與周末差異不大.部分區(qū)域在工作日通勤時(shí)段的出行比例低于周末同時(shí)段出行比例,如內(nèi)環(huán)內(nèi)(圖7a)、內(nèi)環(huán)內(nèi)與外環(huán)外的跨區(qū)出行(圖7e和圖7g)、內(nèi)、外環(huán)間去往內(nèi)環(huán)內(nèi)出行(圖7i).
因此可認(rèn)為,內(nèi)環(huán)內(nèi)及內(nèi)、外環(huán)之間區(qū)域產(chǎn)生的通勤目的出行比例不高.通勤目的出行主要發(fā)生在城市外圍區(qū)域.
EVCARD不同運(yùn)營(yíng)模式也呈現(xiàn)出不同出行特征.出行時(shí)長(zhǎng)方面,A借X還運(yùn)營(yíng)模式體現(xiàn)出以較短用時(shí)出行為主的特征,0.5 h內(nèi)的出行占35%,2 h內(nèi)出行占76%;相較而言,A借A還出行模式則表現(xiàn)出較長(zhǎng)用時(shí)的出行特征,1 h內(nèi)的出行僅占18%,2 h內(nèi)出行占42%.圖8為不同運(yùn)營(yíng)模式的出行時(shí)長(zhǎng)分布.
A借A還和A借X還兩種模式呈現(xiàn)出不同的出行時(shí)間分布模式,A借A還模式無(wú)早晚高峰特征,而A借X還存在一定的早晚出行峰值,如圖9所示.
a 內(nèi)環(huán)內(nèi)
b 內(nèi)、外環(huán)間
c 外環(huán)外
d 內(nèi)環(huán)內(nèi)到內(nèi)、外環(huán)間
e 內(nèi)環(huán)內(nèi)到外環(huán)外
f 內(nèi)、外環(huán)間到外環(huán)外
g 外環(huán)外到內(nèi)環(huán)內(nèi)
h 外環(huán)外到內(nèi)、外環(huán)間
i 內(nèi)、外環(huán)間到內(nèi)環(huán)內(nèi)
本節(jié)通過(guò)對(duì)比高使用頻率用戶和通勤時(shí)段出行者的特征,分析兩者的異同,進(jìn)而說(shuō)明EVCARD未來(lái)爭(zhēng)取的用戶(高頻用車(chē)用戶)是否會(huì)傾向于通勤時(shí)段使用共享汽車(chē)出行.
為分析用戶相關(guān)特征,研究假設(shè)用戶從首次用車(chē)始,3個(gè)月后用車(chē)行為開(kāi)始穩(wěn)定,因此這部分研究?jī)H將實(shí)際用車(chē)3個(gè)月以上的用戶納入分析.表1為用戶相關(guān)屬性表.
需特別說(shuō)明的是,通勤時(shí)段出行者定義為主要在高峰小時(shí)出行的用戶,以通勤出行率作為表征指標(biāo).通勤時(shí)段出行率指用戶于工作日7:00~9:00和17:00~19:00取車(chē)的訂單占其總訂單的比值.因不確定判斷高峰小時(shí)出行者合理的高峰小時(shí)出行率閾值,將在0.6~0.9范圍內(nèi)以0.05為間隔共取7個(gè)閾值分別建模,以求揭示出更全面和完整的通勤時(shí)段出行者特征.
圖8 不同運(yùn)營(yíng)模式出行時(shí)長(zhǎng)分布
圖9 不同運(yùn)營(yíng)模式出行時(shí)間分布特征
相關(guān)因素變量類(lèi)型定義樣本比例/%年齡連續(xù)會(huì)員年齡性別連續(xù)會(huì)員性別會(huì)員月齡連續(xù)會(huì)員從注冊(cè)到數(shù)據(jù)截止時(shí)的月數(shù)工作日訂單率連續(xù)會(huì)員工作日訂單數(shù)/該會(huì)員總訂單數(shù)通勤時(shí)段出行率連續(xù)會(huì)員工作日通勤時(shí)段訂單量/該會(huì)員總訂單數(shù)通勤時(shí)段是(1)名義通勤時(shí)段出行率大于某閾值的用戶出行者否(0)名義通勤時(shí)段出行率小于或等于某閾值的用戶EVCARD站點(diǎn)可達(dá)性地鐵站點(diǎn)可達(dá)性公交站點(diǎn)可達(dá)性月用車(chē)頻率月用車(chē)時(shí)長(zhǎng)月用車(chē)?yán)锍踢B續(xù)性屬性交通區(qū)位附近站點(diǎn)數(shù)連續(xù)會(huì)員寄卡地址800 m范圍內(nèi)的EVCARD站點(diǎn)數(shù)量臨近(1)名義會(huì)員寄卡地址800 m范圍內(nèi)存在EVCARD站點(diǎn)61不臨近(0)名義會(huì)員寄卡地址800 m范圍內(nèi)無(wú)EVCARD站點(diǎn)39附近站點(diǎn)數(shù)連續(xù)用戶寄卡地址800 m范圍內(nèi)的地鐵站數(shù)量臨近(1)名義會(huì)員寄卡地址800 m范圍內(nèi)存在地鐵站點(diǎn)19不臨近(0)名義會(huì)員寄卡地址800 m范圍內(nèi)無(wú)地鐵站點(diǎn)81附近站點(diǎn)數(shù)連續(xù)用戶寄卡地址800 m范圍內(nèi)的公交站數(shù)量臨近(1)名義會(huì)戶寄卡地址800 m范圍內(nèi)存在公交站點(diǎn)78不臨近(0)名義會(huì)戶寄卡地址800 m范圍內(nèi)無(wú)公交站點(diǎn)22頻率連續(xù)每月平均訂單數(shù)低頻離散每周少于1次,即每月小于4次78中頻離散每周1~2次,即每月1~14次19高頻離散每周2次及以上,即每月大于14次3時(shí)長(zhǎng)連續(xù)平均每月用車(chē)時(shí)長(zhǎng)短時(shí)離散平均每月小于30 min27中時(shí)離散平均每月30~360 min56長(zhǎng)時(shí)離散平均每月大于360 min17里程連續(xù)平均每月行駛里程低里程離散平均每月低于30 km22中里程離散平均每月30~300 km53高里程離散平均每月300 km以上23連續(xù)度連續(xù)實(shí)際用車(chē)月數(shù)/首次用車(chē)到數(shù)據(jù)截止時(shí)月數(shù)不連續(xù)離散連續(xù)度小于0.432較連續(xù)離散連續(xù)度0.4~0.828連續(xù)離散連續(xù)度大于0.841個(gè)人名義以個(gè)人身份辦理會(huì)員,無(wú)折扣82政府名義以政府工作人員身份辦理會(huì)員,享受6折17公司名義以公司身份辦理會(huì)員,工作時(shí)間內(nèi)免費(fèi)1內(nèi)環(huán)內(nèi)名義寄卡地址在內(nèi)環(huán)內(nèi)的用戶1內(nèi)、外環(huán)間名義寄卡地址在內(nèi)、外環(huán)間的用戶17外環(huán)外名義寄卡地址在外環(huán)外的用戶82
用車(chē)連續(xù)度定義為用戶總活躍月數(shù)與自首次用車(chē)以來(lái)總月數(shù)的比值.其統(tǒng)計(jì)粒度是月,即用戶第i月至少用車(chē)1次即認(rèn)為該用戶第i月活躍.
因分析用戶月平均用車(chē)頻率的相關(guān)性因素時(shí),因變量使用連續(xù)變量,因此在模型中,同時(shí)設(shè)置連續(xù)型和離散型變量的自變量均使用連續(xù)型變量,如時(shí)長(zhǎng)、里程、連續(xù)性等.利用多元線性逐步回歸模型識(shí)別出了7個(gè)顯著相關(guān)的因素,如表2所示.
表2 用戶月平均用車(chē)頻率影響因素表
注:*p<0.1,**p<0.05,***p<0.01.
模型結(jié)果表明,工作日訂單率較高的用戶其使用頻率也高,用戶月用車(chē)頻率越高則通勤時(shí)段出行率越低.用戶月平均里程與用戶月平均用車(chē)頻率呈負(fù)相關(guān)性,說(shuō)明用車(chē)高頻用戶往往是短途出行用戶.連續(xù)性與用車(chē)頻率的相關(guān)性顯而易見(jiàn),經(jīng)常使用分時(shí)租賃服務(wù)的用戶,其平均用車(chē)頻率一般比偶然用車(chē)的用戶要高.公司用戶的用車(chē)頻率較其他兩種類(lèi)型(普通用戶和政府用戶)高,與其工作時(shí)段免費(fèi)的特征有關(guān).常駐地在內(nèi)外環(huán)之間的用戶用車(chē)頻率相對(duì)更低.年齡越大使用頻率越低.
出乎意料的是,EVCARD站點(diǎn)覆蓋、地鐵站覆蓋和公交站點(diǎn)覆蓋因素未被納入模型.考慮到用戶用車(chē)頻率與這3個(gè)重要因素可能非線性相關(guān)或這2個(gè)因素與其他因素存在共線關(guān)系,進(jìn)一步利用Spearman相關(guān)性檢驗(yàn).結(jié)果顯示用戶常駐地點(diǎn)是否在EVCARD站點(diǎn)800 m范圍內(nèi)與用戶使用頻率相關(guān)性依然不顯著,而用戶800 m范圍內(nèi)的地鐵站數(shù)量和公交站數(shù)量與EVCARD用戶月平均用車(chē)頻率顯著負(fù)相關(guān),p值分別為0.000和0.007,相關(guān)系數(shù)分別為-0.025和-0.018,地鐵比地面公交對(duì)EVCARD用戶使用頻率影響更大.這表明EVCARD高頻用戶主要居住或工作于公共交通不發(fā)達(dá)區(qū)域,汽車(chē)共享模式起到補(bǔ)充公共交通不足的作用.
由于二項(xiàng)logistic回歸模型的因變量為0-1變量,該模型中凡設(shè)置了名義變量的自變量均使用名義變量,如月平均用車(chē)頻率分低頻、中頻、高頻,月平均用車(chē)時(shí)長(zhǎng)分短時(shí)、中時(shí)、長(zhǎng)時(shí)等.表3為不同通勤時(shí)段出行率閾值用戶特征的模型結(jié)果匯總.
表3 二項(xiàng)logistic回歸模型特征匯總表
注:*p<0.1,**p<0.05,***p<0.01。
模型結(jié)果表明,閾值越高,統(tǒng)計(jì)顯著的特征越少,且除個(gè)別在所有閾值中都顯著的特征是低里程、中里程及用車(chē)連續(xù),由于這3個(gè)特征系數(shù)均為負(fù),因此表明通勤者用車(chē)較為不連續(xù),且均為長(zhǎng)距離出行.年齡因素在除了閾值為0.90時(shí)均顯著,且為正,表明通勤者年齡較大;閾值不大于0.75時(shí),用戶臨近地鐵會(huì)顯著降低其為通勤時(shí)段出行者的可能性,這表明通勤時(shí)段出行者的居住地或工作地主要在地鐵未被覆蓋的區(qū)域;閾值更低時(shí),男性用戶、外環(huán)外的用戶更可能為通勤時(shí)段出行者,而高頻用車(chē)用戶與出行時(shí)間較短的用戶則更不可能為通勤時(shí)段出行用戶. 值得注意的是,是否被公交站點(diǎn)覆蓋這一因素并不顯著,可能是因?yàn)榈孛婀坏目煽啃院虴VCARD相當(dāng).
若將通勤時(shí)段出行率0.6~0.7的用戶定義為“輕度通勤者”,將通勤時(shí)段通勤率大于0.8的用戶定義為“重度通勤者”,其他為“中度通勤者”.對(duì)比三者異同可發(fā)現(xiàn),工作或居住于外環(huán)外的男性用戶更可能為“輕度通勤者”;臨近地鐵站對(duì)中、輕度通勤者有顯著抑制作用,對(duì)“重度通勤者”影響不顯著,但“重度通勤者”比例很低(約0.3%).
結(jié)合上述兩個(gè)模型的結(jié)果可知,EVCARD高頻用戶與通勤時(shí)段出行者特征基本不一致,且部分特征呈相反趨勢(shì).首先,高頻使用者與通勤時(shí)段出行者在3個(gè)主要的特征上呈相反趨勢(shì):①用戶用車(chē)頻率與通勤時(shí)段出行率呈負(fù)相關(guān)性;②高頻用車(chē)者年齡較小,而通勤時(shí)段出行者年齡較大;③高頻用戶用車(chē)連續(xù)度較高,而通勤時(shí)段出行者用車(chē)連續(xù)度低.其次,高頻用戶更多為公司用戶,其常駐地不在內(nèi)、外環(huán)之間區(qū)域,而通勤者無(wú)此特征;通勤時(shí)段用戶的常駐地更可能在外環(huán)外區(qū)域,而高頻用戶此特征不顯著;公交站點(diǎn)覆蓋會(huì)抑制用戶用車(chē)頻率,但對(duì)通勤用戶影響不顯著.以上結(jié)果表明,汽車(chē)共享未來(lái)主要爭(zhēng)取的市場(chǎng)(高頻用戶)主要是非通勤時(shí)段出行者,因此汽車(chē)共享市場(chǎng)進(jìn)一步增長(zhǎng)并不會(huì)顯著增加道路負(fù)擔(dān).
本文的基本思路是首先分析EVCARD出行總量是否可能對(duì)交通流造成影響,其次分析需求的時(shí)空分布是否與交通負(fù)擔(dān)較大的時(shí)空分布重疊,以及高使用頻率用戶與通勤時(shí)段出行用戶特征是否一致,從這3個(gè)方面判斷EVCARD未來(lái)發(fā)展是否(可能)增加交通擁堵.因此不僅是“量”的判斷,更是一種“結(jié)構(gòu)性”判斷.研究結(jié)果表明:①EVCARD出行總量極小,其量級(jí)不足以對(duì)交通流造成顯著影響;②周末日均出行量高于工作日,周末出行主要發(fā)生在8:00~20:00,工作日出行的時(shí)間分布相對(duì)平均,但早晚高峰時(shí)段存在不顯著的峰值,無(wú)明顯通勤特征;③EVCARD出行主要發(fā)生在外環(huán)外區(qū)域,通勤時(shí)段的出行也主要發(fā)生在外環(huán)外區(qū)域,內(nèi)環(huán)內(nèi)區(qū)域主要為非通勤特征出行;④A借A還模式的站點(diǎn)出行特征與A借X還站點(diǎn)中的A借A還出行時(shí)間分布一致,均無(wú)通勤出行特征,而A借X還模式存在一部分通勤時(shí)段的出行;⑤年齡較小,常駐地不在內(nèi)、外環(huán)之間區(qū)域,也不在地鐵和公交800 m覆蓋范圍內(nèi)的公司用戶月平均用車(chē)頻率高,且這些用戶的平均出行距離較短,用車(chē)頻率更穩(wěn)定(連續(xù)度高),以及更多在工作日出行,較少在交通高峰時(shí)段出行;⑥常駐地不臨近地鐵站,年齡較大的用戶更有可能經(jīng)常于交通高峰時(shí)段使用EVCARD出行,且這些用戶多為偶然用車(chē),單次出行距離較遠(yuǎn).
以上結(jié)果表明,EVCARD當(dāng)前出行總量在交通出行總量中占比極低,共享汽車(chē)出行需求與道路交通資源緊缺較少在時(shí)間、空間中重疊,且高需求用戶與通勤時(shí)段出行者的特征和影響因素并不一致,反而在用戶年齡、用車(chē)?yán)锍?、用?chē)連續(xù)性以及用車(chē)頻率等因素上呈相反特征.這意味著當(dāng)前EVCARD系統(tǒng)的發(fā)展與道路交通負(fù)擔(dān)之間的矛盾并不顯著,且未來(lái)EVCARD要爭(zhēng)取的市場(chǎng)(高頻用車(chē)用戶)與交通高峰時(shí)段頻繁出行者特征不一致甚至相反.因此,本研究初步認(rèn)為未來(lái)EVCARD進(jìn)一步發(fā)展并不會(huì)帶來(lái)顯著的交通負(fù)擔(dān).
由于數(shù)據(jù)限制,研究只得到初步結(jié)論.如在空間層面,分析目前只停留在交通區(qū)位,未能進(jìn)一步分析EVCARD通勤時(shí)段出行對(duì)具體路段的影響,而后者更有價(jià)值,這一問(wèn)題將在得到GPS數(shù)據(jù)后進(jìn)一步研究;在相關(guān)因素識(shí)別問(wèn)題上,目前考慮的自變量因素還非常有限,EVCARD系統(tǒng)外部因素目前僅考慮了用戶的年齡、性別,常駐地址以及公共交通覆蓋等因素,下一步工作將考慮通過(guò)問(wèn)卷得到更詳細(xì)的用戶社會(huì)經(jīng)濟(jì)屬性,以及納入更詳細(xì)的空間因素(如興趣點(diǎn)POI)和交通因素(如停車(chē)場(chǎng)、公交站點(diǎn))等數(shù)據(jù),以得出更為有價(jià)值的結(jié)論.
參考文獻(xiàn):
[1] MILLARD-BALL A, MURRAY G, SCHURE J T,etal. Car-sharing: where and how it succeeds[R]. Washington D C:Tcrp Report Transportation Research Board of the National Academies, 2005.
[2] MEIJKAMP R. Changing consumer behaviour through eco-efficient services: an empirical study of car sharing in the netherlands[J]. Business Strategy & the Environment, 2001, 7(4):234.
[3] BIESZCZAT A, SCHWIETERMAN J. Carsharing: review of its public benefits and level of taxation[M]. Washington D C: Transportation Research Board,2012.
[4] FLEMMING G, NOBIS C. The impact of carsharing on car ownership in german cities[J]. Transportation Research Procedia,2016,19:215.
[5] FIRNKORN J, MüLLER M. Free-floating electric carsharing-fleets in smart cities: the dawning of a post-private car era in urban environments?[J]. Environmental Science & Policy, 2015, 45:30.
[6] NIJLAND H, VAN MEERKERK J. Mobility and environmental impacts of car sharing in the netherlands[J]. Environmental Innovation and Societal Transitions, 2017, 23: 84.
[7] OHTA H, FUJII S, NISHIMURA Y,etal. Psychological analysis of acceptance of pro-environmental use of the automobile: cases for carsharing and eco-car[J]. Group Decision & Negotiation, 2009, 18(6):537.
[8] 戴帥,劉金廣,朱建安,等. 中國(guó)城市機(jī)動(dòng)化發(fā)展情況及政策分析[J]. 城市交通, 2015(2):42.
DAI Shuai, LIU Jinguang, ZHU Jian’an,etal. Urban motorization development and policy in China[J]. Urban Transport of China, 2015(2):42.
[9] 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒(2016)[M].北京:中國(guó)統(tǒng)計(jì)出版社, 2016
National Bureau of Statistics of the People’s Republic of China. China statistical yearbook (2016) [M].Beijing: China Statistics Press, 2016.
[10] MARTIN E, SHAHEEN S. The impact of carsharing on public transit and non-motorized travel: an exploration of North American carsharing survey data[J]. Energies, 2011, 4(11): 2094.
[11] SIOUI L, MORENCY C, TRéPANIER M. How carsharing affects the travel behavior of households: a case study of montréal, Canada[J]. International Journal of Sustainable Transportation, 2013, 7(1): 52.
[12] WALB C, LOUDON W. Evaluation of the short-term auto rental (STAR) service in San Francisco, CA[R]. San Francisco: Cambridge Systematics and Urban Mass Transportation Administration, 1986.
[13] COOPER G, HOWE D A, MYE P. The missing link: an evaluation of carsharing portland inc. portland, oregon[R]. Portland: Portland State University, 2000.
[14] VINE S L, LEE-GOSSELIN M, SIVAKUMAR A,etal. A new approach to predict the market and impacts of round-trip and point-to-point carsharing systems: case study of london[J]. Transportation Research Part D, 2014, 32:218.