0 引言

随着机动车规模不断扩大，城市道路拥堵及污染问题日益严重。有研究报告指出，2021年全国乘用车全生命周期碳排放量达7亿吨，私家车碳排放占据了交通运输部门碳排放的最大份额^[1]。与此同时，私家车保有量仍居高不下，根据《北京市交通发展年报》，2023年北京市私人机动车保有量超过600万辆，比上一年增长了近6%。为了解决道路拥堵及环境污染问题，诸多大城市纷纷出台政策推广公共交通出行并且鼓励私家车主改用更环保的交通工具。然而，受限于公共交通的服务水平，居民对私家车的依赖程度依然较高^[2-3]。

近年来，移动互联网和共享经济广泛流行，网约合乘服务在中国乃至世界范围内快速兴起。合乘出行(Ridesharing)通常也称为顺风车(Carpooling)，一般定义为2组或2组以上的出行路线和时间相似的乘客，使用同一辆私家车的共享出行方式。互联网出行平台通过高效地匹配乘客，使得网约合乘服务得到了规模化发展。合乘出行不仅能够提升私家车载客量，比自驾出行更加节能，同时也比公共交通更加灵活，服务水平更高，因此被认为是降低私家车依赖，解决城市交通问题的有效手段^[4-5]。

面对快速发展的网约合乘服务，合乘乘客的匹配问题受到国内外学者的关注。学者们对动态客运匹配算法进行了深入研究，努力寻求最优的乘车方案，关注优化匹配模型的各个方面，并提出了多种算法和方法，为乘车决策提供了理论和实践支持^[6-9]。在合乘服务的管理及推广策略方面，也有很多学者展开研究，如Wang^[10]和Vanoutrive^[11]研究认为，管理者不应该干预驾驶行为，但也不应过度刺激驾驶行为。另有研究提出了服务-补偿竞拍机制和拥堵时变补偿机制^[12-13]。人们对共享出行平台的信用体系、隐私保护^[14]、评级系统^[15]和移动行为分析^[16]等方面的研究给予了很大关注。中国针对网约合乘的研究还在起步阶段，2015年“滴滴”顺风车上线后，中国关于网约型交通、共享经济和移动支付等领域的研究越来越多。这些研究主要集中在拼车合乘的匹配算法^[17]和行业规范^[18]这2个方面。

与传统交通方式相比，网约合乘具有更高的灵活性、共享性、便捷性和用户体验。在服务方式上与传统交通方式明显存在一些不同之处，但在出行模式这一点上的认识尚存不足。当前国内外针对合乘出行特征的研究主要是基于调查数据且研究范围局限于城市内部。对于合乘出行特征的挖掘研究通常缺乏基于实际运营数据的充分支持。为了更好地解决乘客匹配、运营优化、平台管理、推广政策设计等影响合乘行业发展的关键问题，开展基于实际数据的合乘出行方式特征挖掘这项基础研究十分必要。因此，本研究综合合乘出行数据和乘客调查数据，围绕时空特征、用户特征、群体特征、节油特征，更全面地了解和分析合乘出行的情况。以北京都市圈为研究案例，深入挖掘网约合乘出行特性，对于合乘服务优化和区域交通规划具有一定的决策支撑价值。

1 数据预处理

本研究使用的第1类数据为已脱敏的“滴滴”网约合乘出行订单数据，空间范围是北京都市圈，即订单行程至少有一端在北京市范围内。数据时间跨度为2017年10月1日至12月31日，数据总量约为966万条。本研究使用的第2类数据为乘客调查数据，采用在线问卷的形式，时间跨度为2017年10月13日至10月23日，调查范围为北京市，问卷总量约为400份。

1.1 网约合乘数据说明

(1) 网约合乘订单数据

由于乘客和司机在合乘服务中所扮演的角色不同，因此在数据构成上具有一定差异。乘客端的合乘订单数据主要包含与乘客相关的信息，包括订单编号、司机ID、乘客ID、乘客出发时刻、到达时刻、起点GPS经纬度、终点GPS经纬度、订单行程距离、合乘费用、乘客人数。数据中，乘客和司机的身份标识已进行了脱敏处理。

与乘客端数据相比，司机端数据包括驾驶员的行程信息，还包括驾驶员无载客时的自身行驶距离d_R、驾驶员从出发点到乘客起点的距离d_B和驾驶员从乘客下车点到自己终点的距离d_E，具体数据含义如图 1所示。图中d_O为司机实际载客时的行驶距离。

(2) 网约车乘客调查问卷数据

调查问卷面向北京市范围内的网约合乘乘客，问卷回收总量为449份，共得到有效问卷记录401条，抽样调查样本数量满足置信度为95%的水平。

1.2 合乘订单数据预处理

为了降低误差干扰，首先对订单数据进行“清洗”降噪，“清洗”对象主要包括字段丢失的不完整数据和行程不合理数据，例如：合乘乘客行程时长小于3 min，载客距离小于500 m，平均行程速度超过120 km/h等。“清洗”后最终乘客端订单数据剩余约为944万条，司机端订单数据剩余约为535万条。

2 网约合乘出行特征挖掘方法 2.1 合乘运营特征

相比其他网约出行模式，合乘运营特征主要体现在定价机制和匹配机制上。在定价机制上，合乘司机并非以盈利为目的，而是为了利用空座进行出行费用分担。具体表现为车费定价较低，服务频次较少。国外对于合乘司机的服务次数和收入有着更加明确的规定，从而避免该类合乘服务转变为频次较高的、以盈利为目的的载客行为。

在匹配机制方面，合乘司机和乘客一样，是出行平台的用户并非员工，行程匹配过程是两端用户的互选结果，而不是通过平台进行任务指派。可见，“顺路”是该类合乘的根本原则，运营平台应该通过先进的路径规划算法，在保证匹配成功率的同时，也要减少司机和乘客的绕行。

2.2 合乘司机分类

通过订单数据中的司机端信息，基于司机出车频次、出行时间、行程起终点等信息，合乘司机可以被分为出租车型司机、随机型司机、多功能司机和通勤型司机4种类型。出租车型司机通常每天会出车2次以上，这种高频出车通常是为了追求更多的盈利。随机型司机每月出行频次低于2次，出行目的难以判断。通勤型司机主要在郊区活动，他们的行驶时间主要集中在早晚的交通高峰期，占据了整个行驶时间的50%以上。这些司机早晨会从一个地点出发，晚上则会返回同一地点，一般这2个地点之间的距离不超过3 km。除了以上3种类型的司机之外，还有其他驾驶员提供如商务休闲等其他类型的服务，即多功能司机。

2.3 乘客群体模式识别

对于某个区域而言，范围内的宏观交通模式可以由不同基本群体模式的线性组合来反映^[19]，矩阵分解方法^[20]常用于识别基本群体模式，如主成分分析法、特异性分解法和非负矩阵分解法。其中，非负矩阵分解由于其分解出的低阶矩阵具有非负性特性，更加符合出行模式的实际认知，在交通领域得到广泛应用^[21]。

首先，基于空间网格模型，构建一个交通发生量的时空矩阵。空间上将地理网格标签化为(i, j)，代表第i行第j列的某个网格，其中，i∈[1, m]，j∈[1, n]，m和n为空间网格的总行数和总列数。在时间上，使用代表出行时间跨度的天数来表示。一般情况下，1 d被划分为多个时间切片，通常是以1 h为单位进行切分。然而，在数据库中，关于网格在特定时间内发生的交通总量v_{ij, t}如式(1)所示。

$ v_{i j, t}=\sum\limits_1^d v_{i j}^t, $

(1)

式中，v_{ij, t}为在研究时间范围d天内第t小时中第i行第j列的网格内发生的交通总量之和；v_ij^t 为某1天第t小时内第i行第j列的网格内发生的交通总量。

对于研究区域中的所有网格，在各个时间切片下的交通需求矩阵可以用式(2)表示。

$ \boldsymbol{V}_{m n \times h}=\left(\begin{array}{ccc} v_{11, 1} & \cdots & v_{11, h} \\ \vdots & \ddots & \vdots \\ v_{1 n, 1} & \cdots & v_{1 n, h} \\ v_{21, 1} & \cdots & v_{21, 1} \\ \vdots & \ddots & \vdots \\ v_{m n, 1} & \cdots & v_{m n, h} \end{array}\right)_{m n \times h}, $

(2)

式中，V_mn×h为所有网格中各个小时的交通需求矩阵；m和n为空间网格的总行数和总列数；h为小时。

为了将高维的时空需求矩阵进行降维，可以利用非负矩阵分解的方法，将其分解为2个低阶矩阵，如式(3)所示。

$ \left\{\begin{array}{l} \boldsymbol{V}_{m n \times h} \approx \boldsymbol{S}_{m n \times \lambda} \boldsymbol{B}_{\lambda \times h} \\ \lambda < < \min (m, n, h) \end{array}, \right. $

(3)

式中，λ为基本群体模式的数量，通常为整数；B_λ×h为基本群体模式，可以通过基于时间分布的矩阵来表示；S_mn×λ为区域中基本模式的比例关系，可以用比例系数矩阵来表示。非负矩阵分解方法的根本就是求解2个矩阵差值的最小化问题，即Min ‖Ε‖=‖ V_mn×h－ S_mn×λ B_λ×h‖。

根据式(1)~(3)，任意网格(i, j)的宏观交通模式被分解为多种基本群体模式在空间上的线性组合，如式(4)所示。

$ \boldsymbol{V}_{i j}=\boldsymbol{S}_{i j}\left[\begin{array}{c} \boldsymbol{B}_1 \\ \boldsymbol{B}_2 \\ \vdots \\ \boldsymbol{B}_\lambda \end{array}\right] \text {, } $

(4)

式中行向量S_ij为基本模式对应的比例系数，反映不同基本模式的权重，例如，假设网格A交通量为V_A= S_A[B₁, B₂, B₃] ^T，系数矩阵S_A=[0.1, 0.3, 0.2]，这说明有3种基本出行模式[B₁, B₂, B₃] ^Τ；其中群体模式B₂的系数最大，那么B₂对应的基本模式为主导模式。

2.4 合乘出行节油估算

Jacobson^[22]通过计算得出合乘出行可以节省的燃料量，同时还预测了合乘出行的增长趋势。Yu^[23]则根据实际的客运联运数据，分析并估算了合乘客运出行的直接环境效益，以及改变潜在小型车辆用户行为后带来的间接环境效益。他们的研究基于实际数据进行估算，旨在评估合乘出行对环境的影响。然而，在制订管理政策时，需要进一步细化研究，以更好地理解和应对合乘出行带来的挑战。

由于公共交通资源有限，或者对出行的舒适性和便捷性有更高的要求，许多人更倾向于选择小型汽车进行合乘出行，而不是选择费用较低的公共交通方式^[24]。通过比较独自驾车出行和合乘出行的能耗，可以计算出合乘出行的节能潜力，公式为：

$ \left\{\begin{array}{l} S=C^{\mathrm{H}}-C^{\mathrm{R}} \\ R=S / C^{\mathrm{R}} \end{array}, \right. $

(5)

式中，S为合乘出行节油量; C^H为独自驾驶的能耗；C^R为实际的合乘能耗; 合乘出行的节油水平R为节油量与合乘能耗的比值。

根据研究表明，车辆质量与燃油经济性之间呈正线性关系，这意味着较轻的车辆通常具有更好的燃油经济性。因此，有效降低车辆总重可以在一定程度上实现燃油成本的节省及减少车辆行驶里程所带来的环境效益。一次的总燃油消耗计算为：

$ C=\sum E_{\mathrm{VOS}} \times L_{\mathrm{VOS}}, $

(6)

式中，C为出行能耗；E为燃油经济性参数；L为行驶距离；下标VOS表示不同载客情景，包括司机空驶情景、用户合乘出行情景和乘客独自驾驶情景。

3 网约合乘出行特征分析 3.1 时空分布特征分析结果

时间层面主要考虑工作日、周末、法定长假期，空间层面考虑市内出行和城际出行。合乘出行的时间分布及运距分布如图 2所示。在工作日，平均每天的订单数量约为10.9万条，由图 2(a)可见，在早晚高峰时段有明显的波峰，其中早高峰时段的订单约占总订单数量的21%，通勤特征十分显著。相比之下，非工作日的平均订单数量约为9.5万条，且没有明显的高峰期。

进一步将图 2(a)中早高峰时段的合乘订单单独提取，分析其运距分布后发现，合乘出行的平均运距为28.6 km，属于中长距离出行。此外，合乘出行中存在相当一部分的城际出行，约占总出行量的10%，早高峰期间约占7%，全部城际出行的平均运距达到84.8 km。出现这种现象的原因可能有2个方面。一方面，合乘的成本相对较低，而距离越远，成本优势越明显；另一方面，可能是由于郊区或城际公共交通的缺失或不便，导致超长距离乘客选择合乘出行的方式。

为了进一步验证合乘出行中存在一定比例的城际出行，本研究将合乘订单映射到空间上。结果发现在早高峰时段，私家车合乘跨越了北京边界，辐射到河北省廊坊市、张家口和保定部分区县。然而，值得注意的是，天津作为京-津-冀城市群的第2大城市，其与北京之间的网约合乘出行量较低。这可能是由于京津城际铁路的存在，其速度快、频次高、舒适性好等因素降低了网约合乘比例。

除上述对工作日和周末网约合乘的分析外，本研究还分析了国庆节长假期间和长假前后的城际出行特征。总体而言，假期出行量存在先增加，再减少，再增加的变化趋势。一般合乘出行量在假期前一天下午开始逐渐增加，在假期第1天上午达到高峰，随假期持续后，在假期最后1天下午再次出现峰值，展现出“早走晚归”的假期出行特征。

3.2 用户特征分析结果

在合乘司机层面，2.2节中合乘司机被定义为4种类型。不同类型司机占比及接单频次具有显著差异，如表 1所示。

首先出租车型司机数量比例不足1%，但是接单占比接近10%，接单频次较高。由出租车型司机完成的合乘出行订单，其平均运距最短但绕行比最高，具有明显的营运特征。其次，随机型司机数量占比超过30%，但接单频率最低。由这类司机完成的订单，其平均运距最长但绕行水平最低。这意味着随机型司机可能更倾向于进行长途运输或服务偏远地区的乘客。再者，通勤型司机人数占总人数的比例不到10%，接单频次低，行驶距离较短，绕行水平较低。最后，多功能型司机数量最多，约占总司机数量的60%左右，但接单频率较低，平均每周合乘出行不超过3次。

绝大部分网约合乘出行订单都具有共享出行的特征属性，与巡游出租车和网约出租车区别明显。根据合乘司机的特点，管理者可针对性地制订精细化的管理策略。例如，对于出租车型司机，限制其提供私家车合乘服务，而将其归为网约出租车进行管理；而对于绕行较少的通勤型司机和行驶距离较长的随机型司机，考虑到每次出行在里程和能耗节省方面的贡献，可予以政策上的倾斜和鼓励^[25]。

在合乘用户层面，根据调查问卷数据发现，合乘乘客在选择出行方式时，主要以上班和上学为目的，但也有一部分人将合乘用于商务办公和休闲娱乐等活动，如图 3(a)所示。此外，通过问卷数据还发现有相当数量的乘客在以前使用过公共交通工具，占比为42.7%(公交21.3%，地铁21.4%)，如图 3(b)所示。基于公共交通优先的发展原则，管理部门在设计合乘激励政策时需要避免过度吸引这部分乘客，以保持公共交通出行的使用率。最后，值得注意的是，在合乘服务中，还存在“熟人”现象，有387名司机和乘客每周至少保持一次联系，这表明合乘服务具有一定的社交性质，为乘客提供了更多的交流和互动机会。这一发现有助于进一步了解合乘服务对于社交和人际关系的积极影响，为未来的合乘发展提供有益的参考。

3.3 基本群体模式识别结果

基于2.3节的分析，对网约合乘的时空需求进行非负矩阵分解后，综合考虑信息量、冗余度及可解释性等因素，识别出3种合乘出行的基本群体模式，如图 4所示。图中每条曲线代表一种基本模式，其中模式1和模式2分别代表早、晚高峰出行，这2类模式反映出通勤特点；模式3代表平峰出行，没有明显的波峰波谷，可能包含商务活动、娱乐休闲等出行目的。

进一步针对早、晚高峰通勤的2类基本模式，将相应的系数矩阵映射到空间后发现，早高峰通勤模式比例系数较大的区域主要分布在北京市外围地区，包括通州老城区、回龙观、天通苑等大型居住地；晚高峰通勤模式比例系数较大的区域主要分布在北京五环以内的市中心商务区，另外五环外的亦庄新城、城市副中心也成为了重要的就业地点。

3.4 节油估算结果

通过求解2.4节中的节油估算模型，可以得到北京市内合乘出行平均油耗为2.52 L，与司机独自驾驶出行相比，平均每单节油1.17 L，节油比例达到46.43%。相对于市内合乘出行，北京都市圈城际合乘出行的平均油耗和节油量都大幅增加，平均油耗为6.19 L，平均每单节油3.02 L，节油比例达到49.19%。

为了研究合乘顺路程度、行驶距离和油耗水平之间的关系，进行不同乘车模式节油等值线分析，如图 5所示。合乘行驶的油耗水平受到行驶距离和绕行距离的共同影响。当行驶距离增加或绕行距离减少时，合乘行驶的油耗水平会显著增加。由图 5中的边界线分布来看，合乘车辆行驶距离的增加，能够在一定程度上造成顺路程度的降低。总体而言，为了放大合乘出行节能优势，在实际合乘运营过程中，网约车平台应优化路线匹配算法，主动提升合乘出行的顺路程度，同时通过车费打折、提供优惠券等方式，进一步鼓励用户选择长距离合乘出行。

4 结论

本研究基于合乘司机服务数据、乘客出行数据和问卷调查数据，以北京都市圈为例，分析了合乘司机的不同类别、合乘出行的时空分布特征、合乘乘客出行目的和潜在方式转移，并基于不同载客场景计算了合乘出行节油情况。研究发现，网约合乘出行作为一种新兴的出行服务模式，在时空分布、用户行为、群体特征和能源消耗等方面，都与传统交通方式有较大差异。

(1) 时空统计特征方面，合乘出行运距较大，能够覆盖都市圈范围内的出行需求，出行时间集中在工作日早晚高峰，能够分担市郊铁路的通勤服务功能。

(2) 用户特征方面，合乘司机在服务频率和出行目的上有较大的差异，既有服务频率较高的出租车型司机，也有绕行水平较低的通勤型司机，而合乘乘客主要是小汽车用户，主要出行目的为通勤通学。

(3) 群体出行模式方面，网约合乘乘客主要体现出3种宏观模式，即早高峰从家到工作单位、晚高峰从工作单位到家的通勤模式和出行需求峰值不明显的混合模式，其中通勤模式可以刻画都市圈的职住关系分布情况。

(4) 能耗计算方面，合乘出行能显著降低对化石能源的消耗，其中城际出行的节油效率更高；都市圈不同区域的合乘节油效果有所差异，都市圈外围出行节油量较高，而中心城区出行节油水平较低；合乘出行节油量的主要影响因素是合乘车辆的顺路程度和行驶距离，长距离的顺路载客节油效率更高。

本研究通过对出行数据的多角度分析，交叉验证了网约合乘出行主要是一种都市圈范围内的有效通勤出行模式，为后续合乘服务运营优化和推广政策设计奠定了实证研究基础。