0 引言

在当前城市出行服务体系中，按需交通服务已成为居民短途通勤和个性化出行的重要组成部分。其中，网络预约出租汽车服务(Online Car-hailing Service, OCS)与传统巡游出租汽车服务(Traditional Taxi Service, TTS)构成了该市场的2种主要服务模式。网络预约出租汽车服务是指依托互联网平台实现供需匹配、通过平台派单机制完成非巡游型预约服务的出行方式，具有服务平台化、订单数字化、接单灵活化等特征。传统巡游出租汽车服务则是指以行政许可为基础，主要通过街头巡游或电话预约获取乘客、并在限定运营区域内提供服务的传统出租汽车体系，其运营模式以线下调度为主，具有固定性、制度化程度高等特点。

近年来，网约车行业发展迅猛，逐渐成为按需出行服务的重要力量。然而，在部分城市，传统出租车依然占据相当比例，与网约车形成复杂的共存格局^[1]。网约车司机与传统出租车司机均为具有较高运营自主性的从业者群体^[2]。在供需关系持续调整的当下，研究2类司机群体的收入机制、雇佣关系等职业特征，以及其出车运营的特征和策略，具有重要的现实意义。

以苏州市为例，截至2024年第2季度，合规网约车数量由2019年的2.4万辆增长至6.0万辆，5 a间增长近1.5倍。在需求增长有限的情况下，市场供给的大量增加，尤其是网约车的快速增长，导致行业竞争逐步加剧，司机收入逐步降低。根据苏州市交通运输局统计，苏州市网络预约出租车的日均营收由2023年上半年的348.03元/d下降至2024年第2季度的324.14元/d，1 a内下降近7%。同期出租车的数量没有变化，但出租车司机的收入也在同比下降。这表明网约车和出租车所处的响应式出行市场已是一个供需关系持续调整、总体需求有限的市场体系。

在这样的市场环境中，网约车司机和传统出租车司机均面临乘客订单减少、市场需求相对疲软的问题，二者之间的竞争博弈愈发激烈，司机收入下降已成常态。在春节等特殊时段，甚至出现了出车运营比不出车运营亏损更多的现象，这主要是由于出租车司机需要承担油费、车辆维护费用以及应对突发情况下的额外运营成本。在此背景下，深入分析两类司机群体所采取的出车运营策略及其相互博弈，显得尤为迫切。

1 文献综述

作为近年的热门话题，针对网约车的研究较多且主要集中在政府对网约车市场的监管^[3-4]、在线派单方法论^[5]、网约车安全问题^[6]、服务质量评估^[7]、市场和行业发展政策等方面^[8-9]。也有研究涉及突发事件对网约车市场的影响，如2021年，Zheng等^[10]讨论了深圳市网约车市场在新冠疫情期间的表现，发现疫情初期网约车运营指标下降较快，但是随着疫情缓解，市场迅速回温。上述研究多聚焦网约车，很少涉及传统出租车。此间原因可能与网约车数据的访问和获取更方便，体量更大，且作为研究主体更便利有关，也可能与传统出租车的势弱有关。近10 a内，随着网约车平台的兴起，全球范围内传统出租车企业被其取代或合并^[11-12]。然而，传统出租车行业并未完全消失，许多出租车企业和司机在网约车大潮中幸存了下来^[13]，作为一个多元共享出行市场的有机补充。将二者区别对待并研究二者的差异仍具有现实意义。作为少数分析网约车和出租车差异的研究，Mezuláník等^[2]从乘客(用户)视角出发，通过调查捷克2个城市网约车和出租车服务，发现其乘客存在社会属性方面的显著差异。伊旭等^[14]从市场结构演化视角出发，通过分析网约车与出租车的市场准入和商业模式，构建相关互动关系模型，以宁波市为案例进行研究，发现网约车与出租车在市场规模、服务水平和行业收入等方面存在显著差异及不同的演化趋势。李兆磊等^[15]从市场角度出发，通过竞合关系分析网约车和出租车的适度规模。而从司机视角出发，关注2类司机群体在运营决策方面差异的研究则更少。同时，出租车和网约车司机均由高度自我驱动的个体组成，其出车运营决策在很大程度上取决于对预估收入、安全风险等方面的考量，特别是在应对重大突发事件(如新冠疫情)时，由于客源减少，相互博弈影响更为深刻。因此聚焦司机群体的研究具有重要现实意义。

演化博弈论(Evolutionary Game Theory，EGT)源于生物学，结合了博弈论和动态评价过程^[16]。聚焦到共享交通领域，有部分学者运用EGT研究网约车的政府监管课题，取得了一些成果^[17]。Lei等^[18]基于EGT建立了网约车行业监管策略的三方博弈模型。Li等^[19]使用古诺双寡头博弈模型分析了网约车企业的社会责任。Wang等^[20]提出了类似模型来研究网约车运营过程中的政府监管部门、平台企业和网约车司机之间的三方关系。邬佩琳^[21]采用四方演化博弈方法，分析了网约车新政监管之下，派单平台企业与司机、政府管理部门及乘客之间的博弈行为。本研究借助EGT的动态演化特性，模拟不同司机群体的运营策略如何随着时间的推移，根据对方的策略和外部环境，在有限的市场中相互调整和演化。

总体而言，一方面，关于出租车和网约车司机群体运营策略演化的研究仍较为有限。另一方面，健康的共享出行市场应该由多元而不是单一的服务主体组成，网约车巨头和本地出租车企业均是共享出行服务不可或缺的一部分。因此需要相应的研究来支持对这2类司机群体在运营策略博弈中的行为进行预测。因此不管是填补研究空白还是服务产业发展，开展相应的网约车和出租车研究都有重要的现实意义。

2 网约车和出租车运营 2.1 市场规模和供需变化

苏州市的传统出租车服务始于20世纪90年代，车辆总数在2014年前逐年增加。出租车和网约车的市场规模如图 1所示。其后主管部门为控制规模，严控了牌照的发放，近年来车辆总数一直保持在5 638辆。网约车数量则在近几年快速增长，2017—2023年的7 a内，合规网约车数量由5 235辆增加至超过47 000辆(是同期出租车数量的8.2倍)。根据2024年第2季度最新数据显示，网约车接近6万辆。同时网约车退出市场的数量也在增加，截至2023年，退出市场的网约车达到9 054辆。值得注意的是，图 1中黑色条表示当年的退出车辆数(不包括报废车辆)，网约车数据从2017年才开始获得。

出租车和网约车市场的基本情况如表 1所示，包括各类车辆的注册数量、运营企业数量和运营车辆数量等关键指标。可以看出，出租车长期保持稳定的规模，网约车在注册车辆数量和运营车辆数量上迅速扩展。表 1中的数据充分反映了网约车行业在规模化和集中化上的发展趋势。

由表 1可见，出租车的市场规模长期保持稳定，而对于有限的市场而言，网约车是个体量快速膨胀的“新玩家”。网约车的车辆数量和司机人数均呈现显著增长趋势，截至2021年8月，注册的合规网约车司机已突破13万人。尽管供给增长迅速，网约车需求却并没有实现很快的增长，近年来退出的车辆也持续增加。网约车司机和出租车司机的竞争日趋激烈。

2.2 司机的职业特征

出租车司机大多是本地出租车企业的正式员工，使用企业的车来运营并与企业签订总价合同，他们需要向企业缴纳固定的费用(包含租车费用)，剩下的收益则由自己支配。网约车司机很多都是通过服务外包单位签订劳动合同，再由外包单位与滴滴、优步等大型平台运营商签订整体外包合同，因此他们不是平台企业的真实员工，更像是自由职业者。不管是用自己的车还是租平台企业的车，除了向运营商交纳固定费用外，网约车司机通常每笔订单都需要上缴相应比例的利润，其收入的计算较出租车更为复杂。

除实时运营数据外，主管部门的数据平台还提供了司机月平均收入数据。为更好掌握司机的收入情况，对本地司机群体开展线上和线下的补充问卷调查和调研。调查时间为2021年8月和2022年8月，调研覆盖了苏州市区(不含吴江区)所有的出租车司机和网约车司机。询问内容主要为受访司机的收入情况，具体形式有2类：一是通过出租车企业和网约车平台企业向司机推送线上问卷；二是线下面对面走访调研的采访记录，其中有15.8%(1 345份)的传统出租车司机和14.7%(12 658份)的网约车司机回答了收入相关的问题。

司机历年收入情况如图 2所示。如图所示，黑色条表示当地居民人均可支配收入(Per Capita Disposable Income，PCDI)，横线条和点线条分别表示出租车和网约车司机的月收入。2015年，出租车司机的收入是人均可支配收入的1.87倍，2019年差距缩小至1.06倍。2020年，出租车司机的收入大幅下降，此后首次低于PCDI。对于网约车司机来说，他们的净收入相对低于出租车。调查发现，网约车司机的运营成本相对高于出租车司机，因此在竞争激烈、潜在订单较少的情况下，网约车司机的收入更低，其出车运营的意愿也更低。这2类司机的收入在新冠疫情期间都出现了衰退，在2020年2月甚至出现了司机收入为负值的情况。此外, 在特殊时期(如春节及大规模流感等公共卫生事件导致乘客较少时)部分司机因为出车运营承担更多的油费、维护费、额外的防护物资的花费，但乘客需求却持续走低，导致运营成本与收入之间的不平衡，索性选择数日或数周都不出车运营。至2022年，由于整体供给增多，2类司机收入均出现增长停滞和小幅下降。

2.3 有显示场下的网约车和出租车运营

网约车运营可以从多个角度解读，如可从日车均订单分析司机的盈利情况和市场的供需情况，可从日车均行驶里程(km/d)分析司机的工作强度。本研究关注司机的出车运营意愿，宏观角度来说即某一时间(如某1天、某1周)出车运营车辆占所有车辆的比例。因车辆需要定期维护，司机需要轮班休息或只是想休息下不出车，故企业注册车辆数并不等于某1天真正的共享出行运力。本研究提出以日均运力(Daily Active-vehicle，DAV)和归一化日均运力(Normalized Daily Active-vehicle，NDAV)指标描述其运营情况。DAV表示在当天接受了至少1个订单的车辆数。对于司机群体，该指标可以也可表示工作意愿。

(1)

式中，n为第j月的总天数；X_DAVi,j为在j月第i天的运营车辆数。

同一时间段内出租车和网约车的月均DAV对比如图 3所示。出租车的DAV大部分时间保持在4 000辆左右；2020年年初DAV降至2 000辆以下。同时间段的网约车的DAV从8 000降至2 000辆(幅度约为75%)，但是2020年4月之后又大幅回升, 一度接近14 000辆(2021年6月)。考虑到网约车数量每年都在增长，车辆总数是一个动态变化量(见图 3)，DAV的绝对量不适宜反映出租车和网约车运力供给情况，故进一步提出NDAV^[21]，该指标可以更切实反映出租车和网约车供应变化的相对情况(见图 4)。对比可发现，2020年以来虽然DAV的净值快速上升(见图 3)，但NDAV(实际运营司机和车辆的比例)与2020年前相比相同甚至更低(见图 4)。例如2021年2月，当网约车的DAV达到约11 000辆时(约为2019年同期的2.5倍)，其NDAV与2019年大致持平。NDAV也可以理解为经营实力或工作的意愿，其计算公式为：

(2)

式中，X_{NDAVi, j}为j月第i天的标准化日常运营车辆数；X_DAVmax,j为在j-1，j，j+1月的X_{DAVi, j}的最大值。与式(1)的形式相似，可以推导出以下结果：

(3)

式中n为j月的总天数。

在2020年初的2个月，出租车的NDAV出现了中等程度的下降，2个月内下降了10%~40%。网约车的NDAV出现了暴跌，2个月下降超过40%。相比之下，2019年12月网约车的月均NDAV约为65%，出租车为85%左右，这组数据将作为后续演化博弈论模型的重要初始变量。

网约车和出租车的归一化运力在2020年后都遭受了巨大损失(见表 2)，尤其是网约车，司机报酬大幅减少, 和2个司机群体的竞争博弈加剧同步出现。现实中类似的突发事件如持续时间进一步延长，对不同司机群体的影响将更加深远。了解司机在突发事件中的运营策略演变具有实际意义。本研究以演化博弈论来模拟该场景下不同司机群体运营策略的决策博弈。

3 演化博弈论的应用 3.1 基于静态收益的基本模型假设

演化博弈论不同于经典博弈论，其更多地关注动态策略变化^[22]，这受群体中竞争策略的概率影响^[23]。本研究中，选定的时间内网约车和出租车的总体出行需求是一个定值，在博弈论的背景下，司机之间为获取利润而进行的竞争可视为一场博弈。由于出租车和网约车的司机职业特征不同，将他们视为博弈中的2个群体。每个群体都有相同的2种策略，即运营(出车)或不运营(不出车)。博弈中所涉及到的变量及其含义如表 3所示，表中所有变量均为常数。博弈双方的策略和收益矩阵如表 4所示。

在本研究的博弈模型中，市场可能出现以下4种场景。

场景1，网约车和出租车均运营。网约车和出租车司机都选择出车运营。2类司机的收入取决于其基本收入，并扣除出租车的固定成本和网约车的利润分成。由于市场需求有限，竞争程度较高，司机的收入可能受到供需关系的影响。

场景2，出租车运营，网约车不运营。当出租车司机仍然选择运营，而网约车司机全部退出市场时，出租车可能因竞争减少而获得额外的收入。然而，出租车司机仍需承担固定成本和额外的运营成本，整体收益可能因市场环境而波动。

场景3，出租车不运营，网约车运营。在出租车全部退出市场，而网约车仍然运营的情况下，由于市场竞争减少，网约车司机可能获得更高的收入。但与此同时，网约车司机仍然需要支付相应的利润分成，并承担额外的成本。

场景4，网约车和出租车均不运营。网约车和出租车司机都选择不出车运营，市场处于供给中断状态，乘客无法获得服务。而对于司机而言，即使不运营，仍可能需要承担一定的固定成本，使其收益为负。

不同情况下的收入变化表现出不同的趋势。出租车模式下，当市场被断裂时，收入会下降，且仅在出租车模式下，收入才会出现波动。网约车模式下，当市场断裂时，收入会表现出不同的变化，尤其是当选择运营时，网约车模型的收入较为稳定, 且显著高于出租车模型。

3.2 模型求解及演化稳定性分析

演化博弈理论假设, 博弈参与者在决策过程中并不总是设定利润最大化的固定策略^[16], 而是受参与者社会经济背景和行为偏好的影响，采取不同的、随时间而演进变化的动态策略。本研究中，初始时，出租车司机选择出车运营策略的比例由初始的p₀表示。在动态策略学习过程中，p₀会逐渐演化为随时间变化的p_t，演化博弈论一个重要作用就是对p_t的求解，或更进一步对p_t随时间变化的变化率ṗ_t求解, 即由ṗ_t可推断出每个时刻t，出租车司机选择出车运营策略的概率, 理想状态下，当p_t不再随时间变化时，可认为系统达到稳定状态，即博弈达到均衡。该演化过程是一个随时间变化的动态函数，演化博弈论提供了很多成熟的动态函数。本研究使用复制动态方程^[23-24]，具有假设易于理解且应用广泛的优点。复制动态方程假设p的变化与博弈双方的收益(博弈论称之为fitness，即效用)及某个时刻t博弈双方各自选择某策略的概率(即p_t和q_t)有关^[25]。假设时间是连续的，博弈中的司机倾向于根据其收益来调整他们的策略，即策略带来的收益越高，越有可能被采取。计算出租车司机运营的效用为F₁, 不运营的效用为F₂：

(4)

(5)

出租车司机的平均效用为：

(6)

根据Taylor等^[25]的分析，出租车司机选择出车运营策略的复制动态方程为：

(7)

式(7)可以理解为在t时刻，出租车司机运营的概率是p_t，下个时刻(t+1)运营的概率是p_t+1。当运营的效用大于平均效用时，即(F₁-F)>0时，显然在t连续的情况下，ṗ>0，其斜率为正，因此p_t+1>p_t，选择运营的司机比例会增加，因为收益更高。同理，计算网约车司机运营的效用为G₁, 不运营的效用为G₂：

(8)

(9)

网约车司机的平均效用为：

(10)

相应的网约车司机选择出车运营策略的复制动态方程为：

(11)

式(7)和式(11)构成了复制动态方程组，描述了博弈者的群体动态，显示了2个司机群体之间策略变化的速度和方向。当式(7)和式(11)均等于0时，相应的p和q取值即为策略平衡点。这样的策略平衡点有5个：(0, 0)，(0, 1)，(1, 0)，(1，1)，(P_m, Q_m)，其中(1, 1)是纯策略平衡点；(P_m, Q_m)是混合策略平衡点，，。博弈系统的雅克比矩阵J可表示为：

(12)

式中，a₁₁为出租车司机选择出车运营策略的概率p对出租车司机收益函数f(p, q)的偏导数，即表示出租车司机选择出车运营策略p对其自身收益的影响。具体为：a₁₁=(1-2p)(―Δuq+u+Δu-Δc)；a₁₂为网约车司机选择运营策略的概率q对出租车司机收益函数f(p, q)的偏导数，即表示出租车司机选择出车运营策略q对其自身收益的影响。具体为：a₁₂=p(1-p)(―Δu); a₂₁为出租车司机选择出车运营策略的概率p对网约车司机收益函数g(p, q)的偏导数，即表示网约车司机选择出车运营策略p对其自身收益的影响。具体为：a₂₁=q(1-q)(Δl-Δv); a₂₂为网约车司机选择运营策略的概率q对网约车司机收益函数g(p, q)的偏导数，即表示网约车司机选择出车运营策略q对其自身收益的影响。具体为：a₂₂=(1-2q)[(Δl-Δv)p+v+Δv-Δd-l-Δl]。通过分析雅克比矩阵在平衡点处的行列式det(J)和迹tr(J)，可以判断复制动态方程平衡点的稳定性。每个平衡点det(J)和tr(J)如表 5所示。J的特征值与表 4中列出的变量有关。由于出租车和网约车变量中各有3种组合(见表 6)，共计存在9个组合。

当且仅当det(J)>0且tr(J) < 0时，策略平衡点可以为演化稳定策略(Evolutionary Stable Strategy，ESS)^[26]。对于平衡点(P_m, Q_m)，其tr(J)=a₁₁+a₂₂=0，因此(P_m, Q_m)不是ESS点。根据表 4~6确定ESS状态, 如表 7所示。

局部稳定性分析的结果如表 7所示，用于判断在不同平衡点下系统的动态特性和均衡策略的稳定性。具体而言，目前2个司机群体的收益和成本均以变量表示。表 7针对不同变量实际取值的可能，具体探讨2个群体不同收益和取值情况下(即表中标量取值不同情况下)，能否达到演化均衡的推断。表中包含了雅可比矩阵J的行列式det(J)、迹tr(J)的正负，以及这些特性对均衡点稳定性的影响。通过分析这些指标，并基于表 5的结论, 可以确定某一平衡点是否为演化稳定策略点, 抑或不稳定点或鞍点。表 7量化地描述策略动态调整过程中的稳定性特征，从而为系统设计和政策干预提供理论支持。

当u>Δc且v-l>Δd时(表 7中的第1组)，对于出租车司机来说，场景1中的收入已经足够支付额外的运营成本；对于网约车司机来说，他们的利润分成后的收入高于额外的运营成本。(1, 1)的状态为ESS，表示2组司机最终都会选择运营。这也是出租车和网约车都选择运营的唯一一种演化稳定策略, 即便在饱和的市场状况下，司机们的收入均超过运营成本，司机均选择尽职尽责地运营，这种情况符合常理。

然而，有限市场叠加突发事件，可能导致收入大幅下降，以致无法抵扣成本, 因此，二者均运营的市场可提供的收入可能不足以支撑博弈一方的成本, 也可能双方都会亏损。这种情形的数学表示对应表 7的第2~9组。例如，当u+Δu>Δc>u且v-l>Δd时，对于出租车司机来说，他们在运营时的额外成本高于场景1的收入，但低于场景2的收入(该收入包含独占市场的额外收入)。网约车司机的收入与表 7中的第2组别相似。ESS位于点(0, 1)，表示所有出租车司机最终将停止运营，而网约车司机则相反。

在本研究的博弈模型中，不同的初始变量设置可能会导致不同的市场演化结果。为了分析这些变化，分别构建了初始变量模拟和更新变量模拟2种情境。初始变量模拟用于基于调查数据设定合理的初始条件，以模拟突发事件对市场的影响；更新变量模拟则通过调整关键参数，探讨不同市场环境下的演化趋势。

(1) 初始变量模拟

在这种情况下，博弈初始变量如表 8所示。根据2.3节内容，在2020年之前，出租车归一化有效运力为0.85，网约车为0.65，即p和q的初始值。其他收入和成本变量的取值基于运营情况的调查数据(见图 4)，该图展示了出租车和网约车的NDAV变化, 以此作为市场供需变化的参考，从而尽可能还原突发事件发生时的市场实际情况。其演化模拟由MATLAB R2014b执行，结果如图 5所示，模拟结果表明出租车司机最终将独占市场，而网约车司机将完全退出市场。该组初始变量对应表 7中的第6组情况，其演化稳定点ESS为(1, 0)，表 7与图 5所示的稳定性分析一致。

(2) 更新变量模拟

更改其他变量的值以模拟各种情况，如表 9所示。表中的序号1~3对应表 7中的第1组，这表明2类司机在新冠疫情期间参与市场运营时的收入已经高于成本，u和v的值略有不同。本例中的演化结果模拟如图 6所示，这种情况的演化结果表明(1, 1)是ESS。此外，由图 6可以清楚地看出，初始收入u越高，p收敛到1的速度越快，q的收敛速度越低；反之亦然。

表 9中的序号4~6对应表 7的第5组别，u和v的值略有变化。现实中这一组场景较有可能发生——出租车和网约车司机都无法在场景1的激烈竞争中获利，但在独家市场中可获得额外收入。模拟结果如图 7所示。与图 6相反，初始收入v越高，q收敛到0的速度越慢。假设u减小(从1.5到0.3)，则整体的收敛趋势可能从出租车收敛到1、网约车收敛到0反转为出租车收敛到0、网约车收敛到1，这意味着ESS从(1, 0)变为(0, 1)，对应表 7中第5组别的2个ESS。

此外，演化模拟图和相位图如图 8所示。观察图 8可以发现在场景4中，整个博弈系统将收敛于(1, 0)或(0, 1)，具体则取决于初始策略。换句话说，序号4~6情况在突发事件期间很有可能发生，且最终可能导致“赢家通吃”的独占市场。

然而上述基于静态收益的模型收入被看作是恒定的，这是个不尽合理的假设。此外，稳定性分析表明，大多数ESS是“赢家通吃”的独占市场博弈结局，对于利益相关者(特别是监管部门和用户)来说，这并不是个理想和健康的市场状态^[27]。因此，本研究在演化博弈论模型中引入了一个动态收益变量，尝试寻找一组两个司机群体均共存的演化稳定态。

3.3 基于优化动态收益的EGT模型求解及稳定性分析

考虑到突发时间下市场需求非常有限，供应过剩将导致过度竞争，从而进一步降低司机的收益，反之亦然。故本研究提出了一种动态机制来模拟这种情况。假设司机群体的收入受到市场供需关系的影响，即与运营率p和q相关，即司机运营的比例越高，收入就越低。表 4中的u，Δu，v，Δv替换为表 10中的u₁和v₁。u₁和v₁的定义表明收入由固定收入和独立收入2部分组成，后者与2类司机群体的运营比例有关。换句话说，更多的司机参与市场运营(p值和q值增大)，由于市场需求有限，供给增加而竞争加剧，则司机的收入将会减少。相应地，收益矩阵更新如表 11所示。

复制动态方程在式(7)和式(11)的基础上更新为：

(13)

(14)

通过MATLAB求解得到上述方程有8组解(8组平衡点，见表 12)，如3.2节所述，本节主要关注网约车和出租车均存在于市场的平衡状态，因此对表 12的第7个和第8个解进一步求解。

求解发现只有一组有效解存在，另一组解p和q均大于1，与实际情况不符。唯一有效的解满足下述方程组的条件：

(15)

新的雅克比矩阵J为：

(16)

式中，a₁₁=(1-2p)(u′+Δu-Δc-aq-Δuq)-p(2-3p)a；

(17)

利用相同的方法可以求得：a₂₂=bq(q-1) < 0，因此，det(J) < 0，是一个鞍点，而不是ESS稳定点, 即在网约车和出租车司机都有运营的情况下，不存在一个演化平衡点。当变量的初始值设置如表 13所示，该情况对应表 7中的第5组情况。

由表 14中可以发现(0.532, 0.548)为鞍点，将p的初始值微微增加0.01，其稳定状态将被打破(见图 9(a)和(b))，即p和q初始值的轻微突变可能会扰乱脆弱的平衡。在该案例中，由图 9可见，出租车的轻微增加会达到ESS(1, 0)平衡，而稍微降低会达到ESS(0, 1)平衡。

3.4 启示

日益严峻的网约车市场供需矛盾及黑天鹅突发事件对网约车和出租车司机群体的运营、接单和营收均会产生严重影响。当司机维持原有出车运营策略不变时, 在市场竞争加剧、收入下降、成本不变或上升的情况下, 其纯收入可能会持续下降, 最终导致亏损。例如, 仿真结果(见表 7和图 5)显示, 出租车司机在网约车市场扩张的影响下, 未调整运策略的情况下, 其收入无法覆盖成本, 最终出现亏损。因此，预备入行的司机需要在预估成本收入后谨慎决策，已在行业内的司机需要积极参与各项数据共享和上传，计算营收并预判市场变化，从而作出继续运营或退出市场的决策；建议平台企业和出租车企业提供相应补贴、降低租车费用等, 帮助司机渡过难关；同时，市场监管部门有必要通过实施减税、免税政策来帮助整个行业渡过困难时期，甚至允许市场运营主体在突发事件采取相对灵活的定价机制(需要有严格的限制和监管机制保障)，动态调整(主要是调增)单笔订单的收入，以抵消总体客流下降带来的营收下降。此外，鉴于网约车规模增长过大过快从根本上影响了市场的供需关系，建立市场的动态总量控制机制也至关重要。

此外，本研究提出的EGT模型和ESS分析框架为监测出租车和网约车市场提供了司机视角。众所周知，营收情况会深刻影响司机的出车运营的意愿。在本研究对其运营策略平衡分析的基础上，网约车平台企业和出租车企业可以预测司机的出车运营比例，以提前制订预案，对现有管理规则进行改进。同时，通过调整收入和成本的初始变量，决策和管理部门可以预测市场的运行状况，以便政府主管部门预先规划和科学决策。此外，为建立一个稳定的市场，理想状态是两类司机都选择运营以满足不同的出行需求，也解决行业的就业。基于此，本研究表明传统的固定收益机制很可能导致“赢家通吃”的市场独占局面，应尽量避免；另一方面，应建立一个动态的收入体系并考虑在突发事件发生时适当提高打车费用，以便2类司机群体都能在极端情况下提供服务。市场监管部门应提供实时的市场信息，包括司机是否运营、参与比例等，以便运营商提供相应的动态收入系统和动态调整打车价格。

4 结论

本研究对2018—2022年苏州本地的出租车和网约车2类司机群体开展了持续性的纵贯研究，分析了市场规模发展、合同和支付机制，并研究了2类司机的职业和人口特征。本研究假设两种司机群体在职业特征(合同种类、薪酬制度)的差异会导致其采用不同的运营策略，并提出归一化日均运力指标表征运营情况。研究结果表明，在供给增加叠加突发事件时，由于客流大量减少，2类司机群体之间存在着激烈的竞争博弈，司机收入大幅下降甚至入不敷出，部分司机因此选择停止运营以及时止损。其中网约车司机的收入减少更多, 归一化运力降低也更多。

基于上述发现，本研究提出一种改进的演化博弈论模型，模拟不同司机群体的运营策略。研究发现，当收入机制为静态时，存在5个潜在稳定点，当且在不同输入变量(不同情景下的收入和成本)条件下，系统会在不同的时机收敛到演化均衡点。当2类司机的收入高、成本低时，收敛概率更高。此外，引入了一种优化的动态收入机制，该机制下司机的收入与司机选择运营的比例相关，更符合实际市场。然而，演化稳定策略表明，无论是静态还是动态收入机制，都很可能导致“赢家通吃”的独占市场格局，这不利于行业的健康发展。为了避免这种情况，当2类司机都选择运营时，建议通过适当提高打车起步费、发放司机补贴、降低租赁费用等措施，以确保司机的初始收入应覆盖或至少超过初始成本达到演化均衡ESS(1, 1)的稳定点。

虽然本研究关注的是双方博弈的市场，但类似的博弈理论可以应用于多方博弈情况。例如，由于网约车是一个快速迭代的行业，司机可能演变为多个具有不同人口和职业特征的子群体。在这种情况下，可以相应地建立3个或更多博弈方的EGT模型。