唐 立，邹 彤，罗 霞，陈思为

(1.西华大学 汽车与交通学院，成都610039；2.上海市政工程设计研究总院(集团)有限公司 成都分公司，成都 610000；3.西南交通大学 交通运输与物流学院，成都610031)

0 引言

网约车，即通过网络预约的出租汽车.相对于传统出租车，网约车通过整合实时出行信息，实现供需的高效匹配，被认为是解决“打车难”问题的利器.凭借价格补贴、较好的用户体验和减少现金支付等优势，网约车市场份额迅速扩张，已成为城市交通体系中不可忽略的组成部分.如何理解市场对网约车的青睐，对网约车公司规范化发展、合理调控城市交通资源意义重大.

从2010年易道用车上线，短短几年内，我国网约车市场已完成了“萌芽—井喷—源整合”的阶段过渡.2016年7月28日，交通运输部正式出台《网络预约出租汽车经营服务管理暂行办法》，明确了网约车的定位与合法性.然而，由于兴起与发展过快，关于网约车的学术研究一直较为少见.回顾近几年的相关文献，主要集中于法律框架[1]、对城市交通的影响[2]、出租车行业改革[3]等宏观管理问题上；另有少量研究从微观角度探讨了网约车运营与发展策略：Hai Yang等基于双边市场理论和均衡模型，提出了在一定条件下能够制衡出租车和网约车市场的定价策略模型[4].Jian Lu等提出了基于短时交通流预测的网约车订单需求预测模型[5].

本文从用户的视角出发，设计并开展了成都市网约车使用特征的行为调查(Revealed Preference,RP)及网约车选择的意向调查(Stated Preference,SP)，基于能够反映个体异质性偏好的混合Logit构建选择模型，研究影响网约车选择的关键因素及其变化对出行结构的影响.

1 基于混合Logit的网约车选择模型

网约车选择模型的构建与问卷设计紧密关联，往往需要在模型复杂度和问卷可操作性之间做出权衡.首先，确定选择集：基于成都市主要出行方式，本文重点考虑与网约车提供相似运距服务且具有竞争性的备选项，确定个体q的选择集为：常规公交、地铁、私家车、出租车、网约车，即

其次，确定影响选择枝效用的属性.设置出行目的、出发时间、出行距离、到达时间(定义为从出行原点至获取主出行方式期间所消耗的时间)、在车时间和费用等6个出行特征属性.由于在车时间与出行距离高度相关，因此，用出行方式平均速度的变化反映在车时间的服务水平.同时，假设出行者还受到性别、年龄、收入和小汽车使用权等社会经济属性和对网约车依赖性的影响.

进而，确定个体q对选择枝j的效用函数，即

式中：ASCqj为选择枝固有常量，表示出行方式本身对效用的影响；Fq为个体q使用网约车的频率，表示对网约车的依赖程度；Xqj表示出行特征属性；SDCqj表示个人社会经济属性为相关属性所对应的参数；εqj为效用随机项.

在经典的多项Logit模型中，β为固定参数，εqj相互独立且共同服从Gumbel分布.混合Logit模型假设变量参数和效用随机项在个体和选择枝之间变化，在β中加入随机要素，以引入个体异质性并包容选择枝之间的相关性.本文假设到达时间、在车时间和费用属性的参数为随机变量，服从对数正态分布.同时，为了反映个体在时间价值上的异质性，将在车时间属性的参数按公共交通(常规公交和地铁，表示为βtpub)、私人小汽车(表示为βt)、约租车(出租车和网约车，表示为βtrent)分为3类特定属性参数.同理，费用属性的参数中，公共交通类表示为βfpub，私人小汽车表示为βf，约租车类表示为βfrent.其余属性均设固定参数.

通常情况下，到达时间(Arrival)、在车时间(Travel)和费用(Fare)参数的期望值应为负，即以上3个属性值的增加都会降低相应的效用.而对数正态分布的值都在非负区间，因此，对上述属性施加符号变化.将私家车设置为对比项，各出行方式效用函数确定项为

当固定参数被服从某一分布的随机数所替代时，无条件下j被选择的概率应是β遍历所有可能值上的概率期望值，即混合Logit模型的概率函数可看作是多项Logit概率函数在β密度函数f(ηq|zq,Ω)上的积分，即

2 问卷设计与调查

2.1 问卷设计

问卷分为3个部分：第1部分，收集受访者社会经济属性信息；第2部分为RP问卷，了解出行者网约车使用频率、原因、出行距离等特征；第3部分为SP问卷，在通勤和非通勤背景下，将模型中各属性按不同水平组合成多个情境.采用对称编码，属性水平与编码设置如表1所示.

表1 属性水平与编码Table 1 Attribute level and coding

为获得更可靠的参数估计，采用D-efficient效率设计法生成SP问卷.使用Ngene软件编程，在通勤和非通勤场景下，各生成24个选择情境.每份问卷包含6个通勤选择和6个非通勤选择，4份分属于4个组别的问卷共同构成一套全情境问卷.

2.2 调查方案与实施

调查采用基于年龄的分层随机抽样法，同时参考移动互联网用户的年龄和职业分布.正式调查分为2个阶段：第1阶段，通过微信、邮件等发放电子问卷；第2阶段，基于第1阶段所得样本的年龄分布特征，有针对性地发放纸质问卷.为提高响应率和问卷有效率，每位完成问卷的受访者可获得50元现金奖励.

2.3 样本描述

调查从2016年11月持续至2017年1月，最终获得通勤和非通勤背景下的观察数各3 120个.对有效问卷进行整理分析，样本的社会经济属性统计指标如表2所示.调查对象年龄和职业分布与抽样计划基本一致.

表2 样本个人社会经济属性统计Table 2 Individual social-demographic characteristics statistics of the sample

3 结果分析

3.1 网约车使用特征分析

基于有效样本，统计网约车使用特征，结果如图1所示.分析发现，网约车软件普及率高，培育了一批活跃度高的用户群体.受访者中仅有6%的人群表示从不使用网约车出行，42.7%表示至少每周会使用1次网约车.网约车的服务范围主要为中短距离出行，以休闲娱乐和通勤通学为主要目的.价格优惠、线上付款方便和可以提前叫车占受访者选择网约车原因的前3位.可见，除了费用上的竞争力，线上叫车并支付的方式提高了用户体验，吸引并巩固了市场.此外，网约车对常规公交和出租车替代作用明显，对私家车和地铁的替代作用有限.近一半的受访者认为网约车增加了自己的出行次数，而其中有64%的人没有私家车.

3.2 参数标定结果及分析

由于式(4)不闭合，混合Logit模型的概率需要通过极大模拟似然估计法求得[6].利用NLogit软件编程，标定网约车选择模型.其中，采用Halton法完成对随机参数β的抽取，抽取总次数设定为R=500，标定结果如表3所示.

表3中的第1部分为随机参数的标定结果，括号外为随机参数的期望平均值，括号内依次为随机参数的方差值、方差标准差及p检验值.均值显著(即p＜0.05)表示对效用有统计意义上不同于0的影响.方差的显著性则反映该参数在均值周围的异质性，若不显著，说明分布中的所有信息已在平均值上被捕获，此时随机参数收敛为在均值上的固定参数.本文建立的通勤和非通勤模型均设置有7个随机参数，2个模型中随机参数的均值全部显著且符号为负.说明时间和费用的增加会不同程度地降低每一种出行方式的效用，与现实情况相符.从方差上看，2个模型中常规公交与地铁的在车时间、小汽车、出租车和网约车的费用参数的方差显著，说明个体对公交的运行时间及非公交方式费用的感知差异较大.

图1 网约车使用特征分析Fig.1 Feature analysis of taxi-hailing use

表3的第2部分为固定参数的标定结果.在2个模型中均显著的参数包括年龄、收入和私家车使用权.通勤模型中另有地铁和网约车的固有常量、网约车使用频率显著，非通勤模型中另有常规公交和出租车的固有常量及出行目的显著.首先分析固有常量：通勤模型中，地铁显著且为符号正，说明通勤出行时，出行者较之私家车更愿意选择地铁.非通勤模型中，地铁、出租车、网约车均显著且为符号正，说明这3种出行方式未被观测到的平均效用对其总效用有正面影响.其次，从社会经济属性来看，年龄、收入和私家车使用权在2个模型中均显著，其中收入和私家车使用权符号一负一正，说明高收入的拥车人群更倾向于私家车出行.此外，网约车使用频率在通勤模型中显著且符号为正，但在非通勤模型中不显著，可见个体在通勤出行方式的选择中更依赖于日常的出行习惯，而在非通勤时选择灵活度更大.

表3的第3部分为模型总体输出结果.可见，通勤和非通勤模型各使用了3 120个对应观察数据完成标定，其McFadden伪R2指标分别为0.328和0.213，均大于0.2，说明2个模型都有较强的解释力.

表3 基于混合Logit的网约车选择模型标定结果Table 3 Calibration result of the mixed-Logit based taxi-hailing choice model

3.3 费用的边际效应分析

最后，对出租车和网约车费用进行边际效应分析，直接边际效用表示某方式每单位变量变化对其被选择概率的影响，即

交叉边际效用则表示每单位变量变化对其对应方式被选择概率的影响，即

基于式(5)和式(6)，分别计算出租车和网约车费用的直接和交叉边际效用，结果如表4所示，括号内表示基于非通勤模型的边际效用计算结果.

表4 费用边际效益分析Table 4 Cost marginal effect analysis (%)

如表4所见，以网约车费用为例，其单价每上涨1元，则在通勤出行中的网约车被选择概率将下降8.7%，而地铁则在通勤出行中将增加5.6%的被选择概率.由此可知，在通勤出行中，网约车以价格优势转移了部分地铁出行人群，而对私家车替代作用有限(仅增加1.1%)，在娱乐购物出行中，网约车对地铁、私家车和出租车都有较明显的替代作用(网约车价格每增加1元，地铁、私家车和出租车选择概率分别增加2.69%，1.3%和1.56%).

4 结论

以成都市实际调查数据为基础，构建了混合Logit模型以研究考虑个体异质性偏好的出行者网约车选择行为，对出行方式固有常量、出行者社会经济属性及反映个体异质性的出行相关变量进行了显著性分析，对出租车和网约车的价格进行了边际效应分析，所得结论总结如下：

(1)网约车作为一种新兴的交通运输方式，除了发挥低价优势得以在早期大规模占领市场外，依托移动互联网技术带来的便利也是其后期巩固用户群的重要原因.

(2)常规公交和出租车是网约车替代的主要出行方式.在通勤出行中，网约车有过度使用趋势.从地铁转移至网约车的人群多在30岁以下且收入较高，可考虑利用价格干预使部分人群回归地铁.

(3)在娱乐购物出行中，年龄较小、高收入、高学历及没有私家车的群体对网约车价格增加均不敏感.考虑到娱乐购物的发生时间和线路较分散，对城市交通总体运行影响有限，可鼓励网约车强化在这方面的服务.

[1]北京大学法律经济学研究中心.网络预约出租车经营服务管理暂行办法(征求意见稿)政策研讨会资料汇编[R].北京：北京大学法律经济学研究中心，2015.[Peking University Law and Economics Research Center.Interim measures for the administration of taxihailing operation (draft) proceeding of policy workshop[R].Beijing:Peking University Law and Economics Research Center,2015.]

[2]高永,安健,全宇翔.网络约租车对出行方式选择及交通运行的影响[J].城市交通，2016,14(5):1-8.[GAO Y，AN J，QUAN Y X.The impact of APP-based car sharing on travel mode shift and transportation operation performance[J].Urban Transport of China,2016,14(5)：1-8.]

[3]LI C,ZHAO J.How E-hail transform shakeholder relationship in the U.S.taxi industry[C].Transportation Research Board 94th Annual Meeting,2015.

[4]WANG X,HE F,YANG H,et al.Pricing strategies for a taxi-hailing platform[J].Transportation Research Part E:Logistics and Transportation Review,2016(93):212-231.

[5]LI Y,LU J,ZHANG L,et al.Taxi booking mobile app order demand prediction based on short-term traffic forecasting[J].Transportation Research Record:Journal of the Transportation Research Board,2017(2634):57-68.

[6]HENSHER D A,GREENE W H.The mixed Logit model:The state of practice[J].Transportation,2003(30):133-176.