英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

哪一个对出行者更具吸引力，出租车或网约车？

中国的实证研究

张玉杰，郭伟伟，程力，吴红宏，姜小北，杨柳

摘要

除了公共交通，城市居民现在更频繁地寻求个性化的出行模式，以满足他们不断增长的出行需求。基于移动互联网技术的网约车，如美国的优步和中国的滴滴出租车，以其高质量的服务为特征，目前正在迅速扩大其在全球的市场渗透率。新兴的网约车挑战传统的出租车行业。该项研究集中在出租车和网约车之间的个性化出行选择。个性化出行选择由个人特征和出行特征决定。根据已有的偏好专门的调查，设计一份问卷以获取出行偏好数据。然后提出二元logit模型来描述出行者个性化出行行为的偏好。接着，进行灵敏度分析以讨论不同偏好因素对个体特征的影响。最后，描述出租车和网约车用户的一般特征，并提出差异化发展策略。

1. 介绍

汽车，公共汽车和出租车的传统模式正在逐渐开始失去市场份额，例如共享出租车，拼车方案和需求响应型运输服务等中间模式[5]。面对城市地区巨大的出行需求，新兴的网约车在世界各地蓬勃发展。Horpedahl [7]提出了一个如下文所示的网约车的概念。交通网络诸如优步出租车和Lyft等公司现在通过拼车业务的点对点模式提供了几乎所有的出租车服务，普通司机通过这种方式为人们提供搭便车以赚取车费。受益于先进的互联网技术，可以方便地为手机预订网约车，这显着增加了专用车的租用可能性，特别是在大都市的高峰时段。除了可靠的通达性，网约车也因其高质量的服务而闻名，因为包括补贴，出行成本视情况而定甚至比出租车更低。但是，大量网约车的最大障碍在于确认运营合法性。另外，在网约车市场补贴淘汰机制的影响下，出行成本的增加必然会削弱网约车的市场渗透率。此外，在网约车出行时，乘客的权利保护仍然存在空白。更糟糕的是，优步在印度的性侵犯案件进一步引起了乘客对网约车安全性的担忧。尽管可以发现优势和劣势并存，事实上，网约车目前正在威胁传统的出租车行业的利益。为了占据有利的位置，在出租车和网约车之间越来越激烈的竞争中，出行偏好的分析起着基础性的作用。因此，当乘客必须在出租车和网约车之间选择一种个性化的出行模式时，有必要计算各种偏好的权重。

对常规出租车的调查已经做了许多研究。近年来由于最近网约车正在蓬勃发展，本文主要回顾了网约车的学术研究。现有研究评估了网约车相关服务的运营情况，包括合法和非法类型。Gholami等人[6]分析了出租车khattee的运营成本，它有固定的路线和两个固定的站点，如jitney，这是一种在美国过时和非法的城市交通模式。他们进一步提出了对出租车khattee线路进行分类的方法，以便用其他运输方式充斥闲置的的线路。Factor和Miller [9]对中转出租车进行了研究，这与公交服务类似，但是使用的是出租车。他们回顾了美国和国外实施中转出租车服务的背景和潜力。

Cervero和Golub [4]一直关注非正式运输服务，这是非官方制裁提供的paratransit型服务，如小巴，jitney，货车和出行车。他们讨论了全球非正规运输部门的成本和收益。 Valenzuela等人 [11]调查了camionetas的顾客，这些小型货车是由美国，墨西哥和中美洲各个城市的移民为移民管理的私人运营的jitney服务。他们发现，camionetas主要由具有不同社会经济特征的墨西哥移民使用，他们希望跨区域和跨国出行。Brake等人。[3]重点关注现有的灵活传输服务（FTS），重点介绍按需响应传输（DRT）服务，如英国泰恩威尔郡的UCall或意大利佛罗伦萨的Personalbus。他们在政策层面提供了易于使用和对用户友好的指导方针，以更好地实施和发展FTS。Mulley和Nelson [10]指出，DRT主要依靠小型的低地板公共汽车或出租车来实现运输任务。他们认为，将实施的FTS有可能重振公交运输服务。纳尔逊等人。提议建立灵活的集体流动服务机构（FAMS），为FTS提供组织结构和商业模式。Atasoy等人 [1]引入了一种名为灵活移动随需（Flexible Mobility on Demand，FMOD）的创新交通概念，这是一种为乘客提供个性化服务的需求响应系统。他们证明，FMOD可以应用于不同的服务类型，包括出租车，共享出租车和小巴士。

从上面提到的文献中可以发现，现有的研究主要是在讨论上概念层面以一种相当定性的方式。事实上，旅客对网约车的偏好和态度取决于旅客的个人特征，特别是针对特定出租车的特点，例如服务水平，收费和安全保障。另一方面，基于模型互联网的网约车的发展也引起了公众，政府和学者的关注。因此，对旅客的偏好和态度进行定量分析将是非常必要和有益的。针对出行者偏好常规出租车和网约车的背后影响因素，提出了具有实证数据的二元Logit模型，并定量分析了解释变量的影响。根据模型估计，提出了一些警方建议。本文的其余部分组织如下。第2节介绍了包括二进制Logit模型和数据收集的方法。第3节介绍了模型的构建和估算。第4节讨论了各种影响因素下的个性化出行模式选择提出出租车和网约车的一些差异化发展战略。第5部分展示了研究的结论和对未来工作的期望。

2. 方法

2.1. 出租车和网约车之间的出行选择分析

在这项研究中，出租车代表在街上巡游的出租车。在这种情况下，出行者得花费不确定的时间打车。此外，出租车服务的质量和票价不受旅客的控制。另一方面，网约车是指应用软件订购的即时汽车服务。在这种情况下，旅客可以根据他或她的历史评价选择不同的司机。同时，旅客可以通过将订购的汽车安排在特定地点的所需固定时间减少等待时间。目前，在没有考虑补贴因素的情况下，网约车成本要高于常规出租车。虽然在网约车出行时仍存在法律上的权利保护差距，但仍以优质服务而受欢迎。出租车或网约车的选择可能与个人特征和出行特征有某种关联。年龄，性别，受教育程度和家庭收入被选为个人特征的三个观察项目。出行特点的观察可以分为三部分。首先是出行时间。其次是通勤出行或弹性出行。第三项包括三项旅游偏好评估，包括便利性，经济性和安全性。因此，出行者的选择可能是综合考虑上述所有特征的结果。由于不同的人对出租车和网约车持有不同的预期，他们会选择更满意的出行方式来更好地满足他们的需求。因此，出行者可以获得最大效用，而出行选择可以通过效用最大化理论来解释。

logit模型用于通过拟合通常由某些变量表示的数据来预测事件的概率[8]。作为一种离散选择模型，二元Logit模型是一种重要的交通行为模型，并在交通预测中得到广泛应用[2]。在本文中，我们将事件定义为网约车出行。个性化的出行模式预测的结果是乘坐出租车或网约车。的数目是已知的，而的概率仍然未知。是指第i位旅客。 一共通过调查收集了m个出行者样本。对于每个出行者样本，可以使用一组变量预测事件发生的可能性（出租车或网约车）。假设存在k个变量，即,,hellip;,。未知二项概率的logit值定义为如下的线性函数：

（1）

其中通过最大似然估计估计未知参数，其表征第j个变量对logit概率值（j =1，2，hellip;，k）的贡献。注意到是指截距。从方程1，我们可以很容易地得到方程2。

（2）

假设效用函数可以写成，

（3）

方程2可以表示为逻辑回归形式，

（4）

其中f（z）（0,1）表示事件的概率。

2.2. 数据采集

数据收集通过在北京市区进行的随机抽样调查完成。在回答问题之前，每位受访者都会收到对研究目的和问题定义的明确解释。调查问卷的内容包括：（a）个人资料信息（年龄，性别，收入和教育水平），（b）选择个性化出行模式的偏好（出租车或网约车），（c）选择行动原则的评估个性化的出行模式（经济，方便和安全），和（d）人的出行特征（出行时间和是否属于通勤出行）。调查问卷在真实调查之前进行了预先测试，以确保每个陈述的清晰含义。 表1中声明了该量表中变量的定义。

表1.变量中变量的定义

剔除不完整样本后，收到了230份可用的问卷。127名男性受访者和103名女性受访者参加了调查。

大多数受访者年龄在50岁以下，平均年龄为32岁。关于每月家庭收入，所有参与者中的27.8％低于3000，13.5％在3000和8000之间，26.9％在8000和16000之间，31.8％超过16000。受教育时间多数受访者（96.1％）高中毕业，其中35.6％已经获得学士学位或更高学位。经济，方便和安全的平均得分分别为3.06,1.98和2.59。至于出行时间，25.6％的出行时间不到10分钟，42.6％的出行时间在10分钟到20分钟之间，其余的31.8％的出行时间超过20分钟。当受访者选择出租车或网约车时，他们大多数出行（75.2％）是弹性出行。调查结果显示，30.4％的人会选择网约车，而69.5％的人会选择常规的出租车。

3. 模型估计和验证

3.1. 估计模型系数

根据随机效用理论，替代品具有影响选择的各种效用。在本文中，考虑了两种个性化的出行模式，包括出租车或网约车。在开始时，我们假设每个备选方案的效用函数都受所有解释变量的影响（参见）。解释变量的参数在每个效用函数中通过将模型拟合到观察到的选择结果来估计。 此过程中采用最大似然估计和t检验。如果解释变量的t检验值大于1.96，则该变量可以保留在效用函数中，因为它可能以95％以上的概率影响选择结果。相反，t检验值未达到1.96将导致排除变量。对于其余变量，参数估计过程将再次执行。 如表2所示，变量性别，变量经济时间和可变出行时间被排除在效用函数之外。然后再估计剩余变量，参数估计值在表3中显示。估计系数的值表明，年龄较大，收入较高和更关注安全保障的特点将导致出行者选择出租车。相反，高等教育水平，更注重便利性和通勤出行的特点会导致出行者选择网约车。一般来说，表3中的估计结果使我们得出结论：该模型构建得很好。首先，所有的解释都达到了显著水平。其次，选择的变量适合数据，因为调整后的R平方为0.87。

表2.解释变量的系数估计