共享汽車用戶及出行時空特征分析

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實驗室，上海 201804)

共享汽車(即分時租賃)服務(wù)使用戶避免擁有車輛的麻煩(購買、維護(hù)、保險、清潔、尋找停車位等)，同時享受靈活而自由的小汽車出行[1].國外研究表明其具有減少私家車保有量的作用，主要表現(xiàn)在共享汽車用戶出售已有車輛，放棄、延遲購買新車等方面[2-5]，再加上其對減少排放的正面影響[3,6]，一些國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)國家已達(dá)到較高的機動化水平，如美國2010年千人機動車保有量已超過800輛，英國接近600輛[8].在這一社會背景下，共享汽車模式因其靈活經(jīng)濟(jì)的特點，對小汽車保有量產(chǎn)生了“減法效應(yīng)”.但我國尚處于機動化過程中，千人機動車保有量2015年剛達(dá)到200輛左右，還處于較低水平[9].同時，持駕照人數(shù)遠(yuǎn)高于小汽車保有量，還有相當(dāng)?shù)男∑嚦鲂行枨笪吹玫结尫?在這一背景下，共享汽車模式能否對私家車保有量產(chǎn)生“減法效應(yīng)”尚未可知，這使我國交通管理部門在城市道路資源緊缺的情況下對發(fā)展共享汽車存在一定顧慮.

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，共享汽車模式存在一定必然性和必要性;另一方面，共享汽車的本質(zhì)仍是小汽車出行，可能與我國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交通系統(tǒng)的影響就尤為關(guān)鍵.但目前對于共享汽車對其他交通方式的替代以及對車公里的影響尚存在爭議.一些研究表明,共享汽車的會員更多地使用了公共交通、自行車及步行[10-11]，減少了車公里[3,4,6];另一些研究則表明共享汽車對公共交通存在替代效應(yīng)，且會增加車公里[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的具體模式有關(guān)，不可異地還車(A借A還)模式更多地是對公交的補充，而可異地還車(A借X還)模式則對公共交通存在替代作用，同時A借A還模式能更有效地減少小汽車使用[14].在這種爭議下，政府部門無法確定對共享汽車模式的管理方向和力度.

目前大多數(shù)針對這一問題的研究都僅考慮共享汽車模式對小汽車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模式對交通狀況的影響.由于道路交通狀況的動態(tài)變化，交通流量的時空分布并不均勻，因此交通負(fù)擔(dān)呈現(xiàn)動態(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)生的空間和時間，若共享汽車帶來的小汽車用量增長并未在這一時空域出現(xiàn)，則其發(fā)展對交通狀況不存在顯著負(fù)面影響.從這一角度切入，本文從時間、空間、運營模式以及用戶4個維度分析上海最大的汽車共享公司EVCARD的出行需求是否增加交通負(fù)擔(dān)，為政府部門管理政策的制定提供參考.

1 EVCARD運營概況

1.1 運營模式、車型及價格

EVCARD主要以A借X還模式為主，僅少量站點以A借A還模式運營.其中,A借X還模式指用戶從A站點取車后可還至任何一個站點；A借A還模式指用戶從A站點取車后最終必須將該車輛還至A站點的模式.

截止2016年12月，EVCARD共投入榮威E50、奇瑞EQ和寶馬芝諾1E 3種純電動車型，前兩者單價為0.50元·min-1，后者為1.00元·min-1，無起步價，24 h內(nèi)用車超過6 h的僅計6 h費用.

1.2 使用流程

EVCARD僅為會員提供服務(wù)，因此須提交駕駛證免費申請會員，首次用車須繳納1 000元押金或用信用卡預(yù)授權(quán)用車.

EVCARD提供全自助式用車服務(wù).服務(wù)流程如下：①通過手機APP找到附近站點并預(yù)定車輛，車輛保留15 min；②通過會員卡或手機APP打開車門；③當(dāng)?shù)竭_(dá)目標(biāo)站點后將車停在EVCARD專用車位，用會員卡或APP鎖門；④用站點配備的充電樁充電、還車；⑤通過支付平臺等電子支付結(jié)算費用，行程結(jié)束.

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)

2.1.1數(shù)據(jù)來源

本研究共涉及到3個數(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時間、還車時間、取車站點、還車站點、出行時長、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日的注冊用戶及站點基本信息.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.站點信息僅包括站點名、車位數(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個步驟：①刪除缺少關(guān)鍵信息的訂單；②刪除運營人員產(chǎn)生的訂單；③刪除“減免原因”涉及無效出行的訂單，如測試、無法啟動、電量不足、故障等;④刪除“減免費用”等于“訂單費用”的訂單；⑤刪除“用車時間”小于2 min且取、還站點為同一站點的訂單.

滿足條件④的訂單即運營方完全減免了本次訂單所涉及的費用，EVCARD官方表示，原則上整個行程無效或EVCARD公司內(nèi)部因公務(wù)產(chǎn)生的出行會全部減免金額；第⑤條的設(shè)置根據(jù)最小乘車時間實驗.實驗召集10位不同駕齡駕駛?cè)斯矞y試30次.從打開車門行駛100 m再返回原位并成功還車，整個過程最少耗時2 min 15 s，最長耗時為3 min 10 s，因此認(rèn)為滿足⑤的出行均為無效出行.

2.2 方法

本研究首先用描述性統(tǒng)計的方法分析EVCARD出行總量、出行時間和空間，以及不同運營模式的需求特征.然后分別分析不同類型用戶的出行特征，并用多元線性回歸和二項logistic回歸識別對比高頻用戶及通勤者特征.

2.2.1用戶用車頻率模型

研究利用多元線性回歸模型解決第一個問題，并用逐步法對自變量進(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；bi為回歸系數(shù)；e為隨機誤差.

2.2.2高峰時段出行者模型

研究通過二項logistic回歸模型計算用戶是高峰時段出行者的概率，并用向前條件法篩選自變量.該模型的因變量Y僅有0和1兩個狀態(tài)，設(shè)某用戶是交通高峰時段出行者為Y=1(P=1)，則模型如下：

3 基本運營特征

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營精確數(shù)字，故不展示訂單月變分布.從2015年1月正式運營開始，EVCARD訂單量和會員輛持續(xù)增長，截至論文完成時(2017年5月)，上海地區(qū)運營站點接近3 000個，投入車輛近5 000輛(均為純電動汽車).EVCARD日出行總量尚不足上海日出行總量的0.05%，不足小客車出行的0.5%，不足出租車出行的2%，對城市道路交通流影響極為微弱.

3.1訂單時間分布

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.出行時間周分布圖如圖1所示.

圖1 出行時間周分布圖

工作日與周末的出行時間分布呈現(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為出行時間分布圖.

圖2 出行時間分布圖

雖然EVCARD出行從本身來看存在早晚“高峰”，如早上7:00～9：00點以及17:00～19:00兩個時段的訂單占比較其他時段高，分別占全時段訂單的6.3%和8.2%，但與上海市居民(通勤/非通勤)出行時間對比，其峰值并不顯著.這表明EVCARD用戶的主要用車目的并非通勤.圖3為EVCARD出行與上海居民出行時間對比圖.

圖3 EVCARD與上海2014年居民出行時間對比

同時，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)的時間約束緊，用戶會有意避開地面交通擁堵帶來的時間不確定性，而回家的時間約束較松，EVCARD出行表現(xiàn)出在晚高峰時比居民非通勤出行比例相對較高的特征；另一方面與工作日存在部分下班后直接參與社交娛樂活動的需求有關(guān).因此，首先可認(rèn)為早晨用EVCARD通勤的出行比例較低；其次，早晨通勤時段的EVCARD出行峰值主要發(fā)生在擁堵較少的區(qū)域，這一點將在下文論證.

3.2 空間分布

EVCARD的運營從上海嘉定區(qū)開始，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)域站點密度為0.46個·km2，內(nèi)、外環(huán)間區(qū)域為0.22個·km2，外環(huán)外區(qū)域為0.16個·km2，站點密度由城市核心區(qū)向外圍區(qū)逐層降低.上海EVCARD站點分布如圖4所示.

圖4 上海EVCARD站點空間分布

EVCARD出行絕大多數(shù)發(fā)生在外環(huán)以外區(qū)域，起訖點中至少有一端處于外環(huán)外的出行占93.4%，而起訖點至少有一端在內(nèi)、外環(huán)間的出行占14.9%，起訖點至少有一端在內(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)車位租金成本是外圍區(qū)域的數(shù)倍，內(nèi)環(huán)內(nèi)運營投資收益比較低，市場環(huán)境下運營商不傾向于核心區(qū)布點.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按分鐘計費，A借A還的出行若用于通勤目的將有大量時間閑置，因此理論上A借A還出行不是通勤出行.從出行時間分布也可看出，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并不會帶來顯著的交通負(fù)擔(dān).

圖6 EVCARD A 借A 還出行時間分布

此外，分析不同區(qū)域及各區(qū)域間跨區(qū)域的出行時間分布，可進(jìn)一步得到EVCARD在通勤時段的出行主要發(fā)生在起訖點至少有一端在外環(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間分布在通勤時段越一致，則該區(qū)域通勤時段為通勤目的出行的可能性就越低.

用工作日通勤時段(7:00～9:00及17:00～19:00)的出行比例減去周末通勤時段出行比例可發(fā)現(xiàn)，僅起訖點均在外環(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)域在工作日通勤時段的出行比例低于周末同時段出行比例，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.

3.3 運營模式特征

EVCARD不同運營模式也呈現(xiàn)出不同出行特征.出行時長方面，A借X還運營模式體現(xiàn)出以較短用時出行為主的特征，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)出較長用時的出行特征，1 h內(nèi)的出行僅占18%，2 h內(nèi)出行占42%.圖8為不同運營模式的出行時長分布.

A借A還和A借X還兩種模式呈現(xiàn)出不同的出行時間分布模式，A借A還模式無早晚高峰特征，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)

4 用戶出行特征

本節(jié)通過對比高使用頻率用戶和通勤時段出行者的特征，分析兩者的異同，進(jìn)而說明EVCARD未來爭取的用戶(高頻用車用戶)是否會傾向于通勤時段使用共享汽車出行.

為分析用戶相關(guān)特征，研究假設(shè)用戶從首次用車始，3個月后用車行為開始穩(wěn)定，因此這部分研究僅將實際用車3個月以上的用戶納入分析.表1為用戶相關(guān)屬性表.

需特別說明的是，通勤時段出行者定義為主要在高峰小時出行的用戶，以通勤出行率作為表征指標(biāo).通勤時段出行率指用戶于工作日7:00～9:00和17:00～19:00取車的訂單占其總訂單的比值.因不確定判斷高峰小時出行者合理的高峰小時出行率閾值，將在0.6～0.9范圍內(nèi)以0.05為間隔共取7個閾值分別建模，以求揭示出更全面和完整的通勤時段出行者特征.

圖8 不同運營模式出行時長分布

圖9 不同運營模式出行時間分布特征

相關(guān)因素變量類型定義樣本比例/%年齡連續(xù)會員年齡性別連續(xù)會員性別會員月齡連續(xù)會員從注冊到數(shù)據(jù)截止時的月數(shù)工作日訂單率連續(xù)會員工作日訂單數(shù)/該會員總訂單數(shù)通勤時段出行率連續(xù)會員工作日通勤時段訂單量/該會員總訂單數(shù)通勤時段是(1)名義通勤時段出行率大于某閾值的用戶出行者否(0)名義通勤時段出行率小于或等于某閾值的用戶EVCARD站點可達(dá)性地鐵站點可達(dá)性公交站點可達(dá)性月用車頻率月用車時長月用車?yán)锍踢B續(xù)性屬性交通區(qū)位附近站點數(shù)連續(xù)會員寄卡地址800 m范圍內(nèi)的EVCARD站點數(shù)量臨近(1)名義會員寄卡地址800 m范圍內(nèi)存在EVCARD站點61不臨近(0)名義會員寄卡地址800 m范圍內(nèi)無EVCARD站點39附近站點數(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)名義會員寄卡地址800 m范圍內(nèi)存在地鐵站點19不臨近(0)名義會員寄卡地址800 m范圍內(nèi)無地鐵站點81附近站點數(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)名義會戶寄卡地址800 m范圍內(nèi)存在公交站點78不臨近(0)名義會戶寄卡地址800 m范圍內(nèi)無公交站點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時長連續(xù)平均每月用車時長短時離散平均每月小于30 min27中時離散平均每月30～360 min56長時離散平均每月大于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)實際用車月數(shù)/首次用車到數(shù)據(jù)截止時月數(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個人名義以個人身份辦理會員,無折扣82政府名義以政府工作人員身份辦理會員,享受6折17公司名義以公司身份辦理會員,工作時間內(nèi)免費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

用車連續(xù)度定義為用戶總活躍月數(shù)與自首次用車以來總月數(shù)的比值.其統(tǒng)計粒度是月，即用戶第i月至少用車1次即認(rèn)為該用戶第i月活躍.

4.1 用戶月平均用車頻率

因分析用戶月平均用車頻率的相關(guān)性因素時，因變量使用連續(xù)變量，因此在模型中，同時設(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，如時長、里程、連續(xù)性等.利用多元線性逐步回歸模型識別出了7個顯著相關(guān)的因素，如表2所示.

表2 用戶月平均用車頻率影響因素表

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，用戶月用車頻率越高則通勤時段出行率越低.用戶月平均里程與用戶月平均用車頻率呈負(fù)相關(guān)性，說明用車高頻用戶往往是短途出行用戶.連續(xù)性與用車頻率的相關(guān)性顯而易見，經(jīng)常使用分時租賃服務(wù)的用戶，其平均用車頻率一般比偶然用車的用戶要高.公司用戶的用車頻率較其他兩種類型(普通用戶和政府用戶)高，與其工作時段免費的特征有關(guān).常駐地在內(nèi)外環(huán)之間的用戶用車頻率相對更低.年齡越大使用頻率越低.

出乎意料的是，EVCARD站點覆蓋、地鐵站覆蓋和公交站點覆蓋因素未被納入模型.考慮到用戶用車頻率與這3個重要因素可能非線性相關(guān)或這2個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.結(jié)果顯示用戶常駐地點是否在EVCARD站點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，汽車共享模式起到補充公共交通不足的作用.

4.2 通勤時段出行者特征

由于二項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，如月平均用車頻率分低頻、中頻、高頻，月平均用車時長分短時、中時、長時等.表3為不同通勤時段出行率閾值用戶特征的模型結(jié)果匯總.

表3 二項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)計顯著的特征越少，且除個別在所有閾值中都顯著的特征是低里程、中里程及用車連續(xù)，由于這3個特征系數(shù)均為負(fù)，因此表明通勤者用車較為不連續(xù)，且均為長距離出行.年齡因素在除了閾值為0.90時均顯著，且為正，表明通勤者年齡較大；閾值不大于0.75時，用戶臨近地鐵會顯著降低其為通勤時段出行者的可能性，這表明通勤時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，男性用戶、外環(huán)外的用戶更可能為通勤時段出行者，而高頻用車用戶與出行時間較短的用戶則更不可能為通勤時段出行用戶. 值得注意的是，是否被公交站點覆蓋這一因素并不顯著，可能是因為地面公交的可靠性和EVCARD相當(dāng).

若將通勤時段出行率0.6～0.7的用戶定義為“輕度通勤者”，將通勤時段通勤率大于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”；臨近地鐵站對中、輕度通勤者有顯著抑制作用，對“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)合上述兩個模型的結(jié)果可知，EVCARD高頻用戶與通勤時段出行者特征基本不一致，且部分特征呈相反趨勢.首先，高頻使用者與通勤時段出行者在3個主要的特征上呈相反趨勢：①用戶用車頻率與通勤時段出行率呈負(fù)相關(guān)性；②高頻用車者年齡較小，而通勤時段出行者年齡較大；③高頻用戶用車連續(xù)度較高，而通勤時段出行者用車連續(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，而通勤者無此特征；通勤時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；公交站點覆蓋會抑制用戶用車頻率，但對通勤用戶影響不顯著.以上結(jié)果表明，汽車共享未來主要爭取的市場(高頻用戶)主要是非通勤時段出行者，因此汽車共享市場進(jìn)一步增長并不會顯著增加道路負(fù)擔(dān).

5 結(jié)語

本文的基本思路是首先分析EVCARD出行總量是否可能對交通流造成影響，其次分析需求的時空分布是否與交通負(fù)擔(dān)較大的時空分布重疊，以及高使用頻率用戶與通勤時段出行用戶特征是否一致，從這3個方面判斷EVCARD未來發(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，其量級不足以對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，工作日出行的時間分布相對平均，但早晚高峰時段存在不顯著的峰值，無明顯通勤特征；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還模式的站點出行特征與A借X還站點中的A借A還出行時間分布一致，均無通勤出行特征，而A借X還模式存在一部分通勤時段的出行；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頻率高，且這些用戶的平均出行距離較短，用車頻率更穩(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)常于交通高峰時段使用EVCARD出行，且這些用戶多為偶然用車，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，共享汽車出行需求與道路交通資源緊缺較少在時間、空間中重疊，且高需求用戶與通勤時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?yán)锍?、用車連續(xù)性以及用車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EVCARD要爭取的市場(高頻用車用戶)與交通高峰時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EVCARD進(jìn)一步發(fā)展并不會帶來顯著的交通負(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通勤時段出行對具體路段的影響，而后者更有價值，這一問題將在得到GPS數(shù)據(jù)后進(jìn)一步研究；在相關(guān)因素識別問題上，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問卷得到更詳細(xì)的用戶社會經(jīng)濟(jì)屬性，以及納入更詳細(xì)的空間因素(如興趣點POI)和交通因素(如停車場、公交站點)等數(shù)據(jù)，以得出更為有價值的結(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. 中國城市機動化發(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] 中華人民共和國國家統(tǒng)計局.中國統(tǒng)計年鑒(2016)[M].北京：中國統(tǒng)計出版社, 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.