1. 引言
专车和共享单车均为近几年新兴的交通业态,也一定程度上改变了居民的出行方式。专车自2014年进入中国后迅猛发展,从开始的烧钱补贴到滴滴、快的、Uber等巨头合并,市场进入寡头垄断状态,同时国家和地方政策相继出台,市场逐步发展成熟。而共享单车主要为解决居民“最后一公里”的出行问题,自2016年下半年开始迎来热潮,几乎延续着专车的发展路径,通过融资烧钱迅速扩大规模占领市场,现已形成摩拜、ofo两家巨头企业及若干家中小企业。
由于两个业态诞生时间不长,相关领域现有研究成果不多,且定量研究更为匮乏。专车市场方面,梁训慈,朱雁翎,顾仁敏,等(2015)对扬州市专车行业进行了社会调查,发现专车价格相较于出租车有高达30%以上的溢价,具有较高附加价值 [1] 。张恒(2016)通过系统动力学的方法建立以年为单位的专车系统模型,对专车定价方面策略进行了研究 [2] 。李艳芳(2017)基于市场均衡理论,以有效载客率最大为标准解出专车系统最优平衡的运营车辆数、票价等,从而探讨政府管制的合理策略 [3] 。韩敬微(2016)基于大数据问卷调查的多项logistic回归,利用决策树和关联树的原则挖掘专车出行社会认知的影响因素及相互关系 [4] 。共享单车市场方面黄国青,陈雪(2017)基于UTAUT模型和情景感知理论探究了共享单车的使用意愿 [5] 。
共享单车市场的逐步完善必然会对短距离专车出行市场造成一定冲击,而目前共享单车和专车竞争方面的研究成果尚有缺乏,因此本文基于SP调查和Logit模型量化探究两种新兴交通业态的竞争关系。
2. SP调查数据采集
SP调查是指为了获得“人们对假定条件下的多个方案所表现出来的主观偏好”而进行的调查 [6] 。SP调查起源于经济学领域,以事先确定的属性及水平组成各种情境,供受访者选择其偏好,从而对后续模型的建立提供数据支持。
2.1. SP调查问卷设计
考虑到问卷调查的简洁性,选取的因素指标不宜过多,选取的指标应便于量化同时抓住影响居民出行选择的关键要素。最终选取4个因素:
1) 出行距离:即居民的出行距离,由于共享单车和专车的竞争主要在短途出行当中,因此选取2 km、4 km、6 km三个处于中短途区间的水平。
2) 气温:即室外气温,具体数据以气象局每日公布的数据为准,为保证能覆盖不同状况下的气温情况,选取30℃、15℃、0℃三个水平。
3) 专车折扣:专车的折扣力度也是影响出行选择的一个重要指标,通过专车价格/出租车市价来衡量,选取100%、120% (有20%的溢价)、80% (八折)三个水平。
4) 成功率差值:有共享单车需求但是找不到共享单车是目前出行者不选择共享单车的一个重要原因之一,同时专车的匹配成功率也是重要影响因素之一,因此以两者的差值作为一个指标要素。通过专车订单成功率-3分钟内找到共享单车成功率进行计算,取10%、0%、−10%三个水平。
具体水平设置见表1。
问卷方案需要对已经确定的各个指标水平进行有机组合,为避免受访者的疲倦和反感,采取正交试验设计法(简称正交法)进行问卷设计,正交法是基于标准正交表安排试验方案,本文采用的4因素3水平正交表L9(34)如表2。最终设置9个不同场景,让受访者在这一场景下选择使用共享单车或者专车进行出行,由于本文仅研究共享单车对专车系统的冲击,故不考虑其他交通方式。
2.2. SP调查实施及结果
通过线上问卷平台的形式投放问卷,投放时考虑到受访者年龄、性别、收入等分布与专车和共享单车使用群体的贴合性。最终共回收有效问卷398份,受访者中男女比例相当,年龄分布20岁以下占比7.0%,20~35岁占比62.8%,35~50岁占比26.6%,50岁以上占比3.5%。可以看出受访者以年轻群体为主,与共享单车和专车的主力使用人群相似。
根据回收的问卷得到各场景下受访者的选择结果,如表3所示。通过调查结果可以直观感受到出行距离越远、专车折扣幅度越大、气温越极端化(过冷或者过热)、专车相较于共享单车成功率越高,居民选择专车的出行意愿更强,反之则越多的受访者愿意选择共享单车出行。
![](Images/Table_Tmp.jpg)
Table 1. Attributes and levels of stated preference survey
表1. SP调查属性及水平表
![](Images/Table_Tmp.jpg)
Table 2. Orthogonal test table L9(34)
表2. 标准4因素3水平正交表
![](Images/Table_Tmp.jpg)
Table 3. Resulting data of stated preference survey
表3. Sp调查结果表
3. 专车和共享单车出行选择模型构建
3.1. 模型构建
本文的核心在于构建专车和共享单车的离散选择模型。离散选择模型是主要用来分析和研究在一组互斥的选项中,决策者做出选择的可能性。离散选择模型的基础和前提条件是最大效用理论,即通常假定决策者会选择对其效用最大的选项,根据最大效用理论,决策者在给定条件下会选择所认知的效用最大的方案,而这一效用会受到多个因素的影响。假设出行者n选择方式i的效用为
,随机效用理论认为这一效用由非随机变化的固定项
和随机变化的概率项
构成。则
可以表示为
固定变量
与特性向量
上存在多种形式,其中最常用的为线性函数,也与本例中直观感知契合,即
其中
为影响旅客n选择结果的第k个特性变量,α、β为需要标定的参数。
随机变量
的不同分布会产生不同的方式选择模型,其中Logit模型是最为常用的模型,其假定概率项
相互独立且服从统一的二重指数分布,当选择方案仅为两个时即为二项Logit模型。假设若旅客选择共享单车,其方案属性变量为0,旅客自身属性变量已经由
表示,故旅客选择专车出行的概率可简化为
3.2. 模型求解
基于表3得到的SP调查结果数据,对出行选择模型的参数β进行标定,其中气温这一指标由于是非线性的(温度过高或过低会导致选择专车意愿增强),因此需要进行线性处理。赵国雄(1996)通过研究得出人体运动的最适宜温度
为20℃ [7] ,以此为标准,将绝对温度T化为相对温度t从而满足线性化需求,即
利用SPSS统计软件的二元Logit回归功能进行参数求解,计算结果如表4所示,各参数的sig值均小于0.01,表明有显著的统计学意义,该模型通过统计学检验。
依据回归结果,得到专车和共享单车出行的效用函数为
4. 算例分析
4.1. 算例输入
以上海市去年6月到今年12月共享单车快速成长期为例,将相关数据带入模型进行进一步分析。
气温数据参照上海市气象局公布的历史月平均数据,未来数据预测取近三年同期数据算术平均。
出行距离根据摩拜单车官方公布数据 [8] ,出行距离在0.5~1.5 km约占50%,1.5~2.5 km约占30%,2.5~3.5 km约占12%,3.5 km以上仅8%。可以看出共享单车的出行距离集中在3 km以内,而专车5 km以内订单占比40%,合理假设3 km以内短距离出行订单占比20%,共享单车仅对这部分份额进行挤占。
2016.6~2017.12这一阶段专车已发展成熟,订单成功率稳定在90% [9] 。共享单车成功率与投放数量紧密挂钩,从2016年10月摩拜进入上海开始,共享单车市场逐步迎来增长期,2017年3月投放数量达到45万辆。之后投放进一步加速,7月投放数量达到100万辆基本饱和,8月上海暂停共享单车新增投放。假设饱和状态共享单车成功率与专车相近达到90%,其他阶段共享单车成功率与投放数量正相关,并假设在两个阶段(2016.3~2017.3和2017.4~2017.7)保持线性增长,2017.7后保持稳定。
基于上述数据和假设,并模拟专车企业采取折扣度90%、100%、110% (服务溢价)三个水平下共享单车对现有专车市场的挤占结果,如图1所示。
![](//html.hanspub.org/file/9-2330265x25_hanspub.png)
Figure 1. Lossing share of dedicated cars to shared bikes
图1. 共享单车对专车份额挤占比例变化情况
![](Images/Table_Tmp.jpg)
Table 4. Resulting data of Binary-nomial Logit regression
表4. 二元Logit回归计算结果
4.2. 分析及建议
通过模型结果可以看出,随着共享单车的逐步发展成熟(到2017年7月之后基本饱和),对专车市场短距离出行市场有明显的冲击,在共享单车市场基本饱和后,对专车市场需求的冲击力度在13%~19%左右,但总体而言冲击力度不算很大。同时冲击仅仅是作用于需求端,由于在供给基本不变的情况下,需求减少会使得专车匹配成功率会有所提高,所以对专车订单量的影响会更小一些。此外气温是影响这一冲击最为重要的因素之一,温度过高或过低时这一冲击力度会有所减弱,从市场饱和后的7月和1月市场份额变化情况来看,低温和高温相比,会有更多人倾向于专车这种出行方式。另外专车企业采取小幅的补贴手段对这一分担率影响不大,同样分担率对专车收取一定的服务溢价也不敏感。
基于以上分析,我们认为对于专车企业而言,应当正视共享单车对短距离出行市场的冲击,更加侧重于中长距离(3 km以上)出行市场的发展。不必刻意为应对共享单车冲击做价格的调整,同时需要充分把握共享单车出行意愿的季节性变化因素进行用户的拓展和培养。