譚家美，朱麗葉，南香蘭，侯立文

(上海海事大學 交通運輸學院，上海 201306)

0 引 言

在國外,拼車有幾種不同的說法，其中常用的有carpool, ridesharing, carsharing, sluggish等.正式意義上的拼車起源于1982年美國的舊金山，后來逐漸擴散到西雅圖、華盛頓、休斯頓等城市，形成主流行為.隨后發(fā)生的SMART計劃也為拼車的實施提供幫助.1914年，隨著美國經濟的崩潰，出現類似于拼車的商業(yè)行為，為正式拼車奠定基礎.由于拼車既有利于環(huán)保[1]，又有利于緩解擁擠的城市交通[2]，世界上許多國家用各種方式鼓勵和支持拼車行為.

為了提高拼車參與率，國內外許多學者從不同層面研究影響拼車行為的各種因素.王茂福[3]分析拼車行為的積極效應，如節(jié)約成本、增進社會成員之間的溝通、降低交通擁堵、減少碳氣體排放等.BURRI等[4]分析得出25～34歲年齡段的頻繁出行次數，具有專業(yè)職位或者管理層職位時更傾向于參加拼車，但家庭收入在25 000～35 000美元之間的拼車行為明顯降低.FERGUSON[5]通過研究1970—1990年間拼車的變化，指出每個家庭可用汽車數量的增加和更高的教育程度影響美國的拼車參與率，年齡、性別、家庭收入、生活習慣、種族多樣化和相對貧困現象對拼車影響較小.LEVIN[6]則分析指出女性最不愿意被安排為司機，而男性最不喜歡一直當乘客，這些傾向影響到拼車.SCHEINER等[7]通過研究指出拼車激勵是拼車參與者人數增加的重要原因.LI等[8]研究得出拼車參與者選擇拼車的最重要原因就是可以使用HOV道路，其次才是節(jié)省時間、保護環(huán)境、減少費用等原因.JACOBS[9]通過分析得出：拼車時每增加一個車內人員，獎勵25分的實驗組表現出拼車行為的持續(xù)增加，而任何獎勵措施都沒有的控制組則沒有變化.由于拼車對社會的積極效應使得國外諸多國家對拼車大力支持和鼓勵，各種激勵措施以及拼車行為自身產生的積極效應促使人們紛紛加入拼車者的行列.另外，還有針對有效拼車配對系統依據數學模型進行研究，提出拼車行為最優(yōu)化建議.

上述文獻從不同角度分析影響拼車行為的各種因素，并考慮提高拼車參與度.但是很少有文獻涉及到網上拼車系統的分析及建議，當前國內針對拼車的文獻也主要集中在法律法規(guī)層面上.本文結合以上文獻所提供的信息分析影響互聯網上拼車行為成功以及拼車效率的因素和影響強度，通過分析得到如何更有效地提高拼車成功的可能性，希望對現階段拼車網站的建設提供參考依據.

1 國內外拼車網站比較

拼車的概念剛剛引入中國時互聯網已經在國內穩(wěn)定發(fā)展，因此大部分人一開始就可以通過拼車網站尋找拼友.隨著互聯網的發(fā)展，我國開始逐漸形成多樣的拼車文化，越來越多的拼車依賴于拼車網站.現在北京、上海、廣州等大城市的上班族都愿意通過拼車網尋找車友進行拼車.拼車的流行，很大程度上依賴于各個拼車網的發(fā)展.

近年來，隨著拼車人數越來越多，各類拼車網站隨之產生.國內拼車網站在發(fā)展時間上落后于國外，但在數量上卻遠遠多于國外.這些網站為用戶提供發(fā)布拼車信息、查找拼車信息的平臺：如國內主要的網站有拼車啦(http://www.pinchela.com/)，網站上發(fā)布各種拼車信息；51拼車網(www.51pinche.cn)，為5大城市提供服務；AA拼車網(http://www.aapinche.com/)，立足于各大城市，網站上的信息，除了發(fā)布基本的拼車信息外，還包括各類拼車信息以及相關信息的統計；拼車網(http://www.pcwcn.com/)可以在全國范圍內進行拼車.還有一些網站開出專門的拼車頻道：如百姓網(http://www.baixing.com/)，趕集網(http://www.ganji.com/index.htm)，58同城(www.58.com/pinche/)等，這些拼車頻道每天更新數千條拼車網友的拼車信息.拼車網站與拼車頻道的發(fā)展使得信息的流通更快，信息量更大.

拼車網站主要為用戶提供一種平臺，可以讓用戶提出自己的拼車路線和要求，也可以讓他們用一定的方式尋找其他人的拼車路線.作為一個平臺，拼車網站既不會干涉拼車的匹配，也無法提供任何保障.拼車的具體匹配交給用戶自行完成.

通過對國內外兩家主要拼車網站的比較發(fā)現，在功能設計方面沒有明顯差異，甚至國內的拼車網在信息互動方面還要強于國外的拼車網站，影響國內外拼車活躍度不同的主要原因很可能是國內外對拼車的關注度不同.另外，雖然目前在國內拼車有需求也有市場，但卻無法納入合理合法的軌道，事實上，國內很多法律法規(guī)始終掙扎于如何區(qū)分“拼車”與黑車的問題上.

國內共有幾百家拼車網站或者拼車頻道，為出行人員提供尋找拼車伙伴的平臺，但經過調查發(fā)現其中大部分網站已失去足夠的活躍度.研究拼車網站能夠對拼車網站的發(fā)展有一定幫助，提高拼車參與率，這為個人和整個社會都會帶來一定的積極效應.[10-13]

2 影響拼車的因素提取

拼車通常出現在上下班、接送孩子上下學、旅游、過年過節(jié)回家、長途出行等時間段.當前，尋找拼車伙伴主要有以下3種方式：(1)熟悉環(huán)境下(如親人、朋友、鄰居)的自發(fā)拼車，相互主動提供方便;(2)通過論壇、網絡社區(qū)、微博等方式尋找與自己出行路線相同或相近的人一起拼車；(3)在網上發(fā)布自己的出發(fā)時間、出行路線、出行目的地、聯系方式等，等待其他未知拼友的聯系.本文針對第3種拼車方式進行研究.

在研究拼車問題的過程中，影響拼車的部分因素[14]逐漸被篩選出來，其中一部分是分析影響拼車的社會人口統計因素，如性別、年齡、教育程度、職業(yè)、收入等；另一方面是具體的出行影響因素，如拼車線路特點、出發(fā)地點、出發(fā)時間、出行距離、出行時間和拼車費用等.拼車影響因素的提取需要考慮拼車信息發(fā)布者和拼車參與者的各種社會人口統計因素特點，同時在選擇拼車同伴時有些人會更傾向于選擇同性或者異性，例如有些女性更喜歡跟同性一起拼車，感覺安全或者更方便交流.因此，性別可能是影響拼車成功的因素之一.事實上，主觀因素[15]對拼車行為也會產生影響，如個人對拼車行為的態(tài)度、拼車的方便性、拼車人的可信度、個人對拼車的適應程度、與拼車同伴的熟悉程度等.

2.1 數據收集與描述

本文分析所采集的數據主要來源于國內外幾個重要的拼車網站或者網站的拼車頻道針對拼車信息的發(fā)布，基本上分為以下兩種方式:一是拼車類型，如上下班通勤拼車、長途出行拼車、旅游拼車、其他目的拼車；二是拼車途經地點分類，通過途經地點的細化，使拼車信息匹配更加方便快捷.

首先提取網上拼車時影響拼車成功率和拼車次數的主要因素，包括將拼車信息發(fā)布者的年齡、性別、出行線路、出發(fā)時間等基本信息作為數據分析的主要變量；然后從拼車網站收集和篩選變量對應的數據，并將有效數據進一步整理，利用回歸模型和DOE分析有效數據，最后篩選出影響拼車成功率和拼車申請次數的主要影響因素.

通過對某拼車網站的拼車歷史記錄的初步收集，得到近25 000條拼車歷史記錄.將網站上采集到的數據保存到數據表中，數據表的主要字段包括Id，Name，Gender，Origin,Destination,Depart_time，Arrive_time，Timewindow，Has_car，Passed，Invite，Apply，Reply，Click，Price.表1是針對原始數據主要字段變量的說明.

表1 原始數據主要字段變量的描述

2.2 數據處理

收集原始數據后，對數據作進一步處理，刪除無法識別的數據(當數據中出現大量異常值時，也無法采用).原始數據中還包含有很多信息是黑車攬客的廣告，當這些黑車信息非常明顯時，即刪除該無效數據.

經過初步數據處理，最終得到有效數據.將這部分有效數據劃分為兩種類型：一種是4 002條有效拼車數據，10個可以直接應用到分析中的變量，但是不包括價格變量；另外一種是1 000條有效拼車數據，11個可以直接應用到分析中的變量，包含價格變量.部分字段的數據以文本形式存在，如出發(fā)地點、到達地點、出發(fā)時間和到達時間，需要將這些文本數據轉換為一系列可分析的數據形式，見表2.

3 模型計算

3.1 影響因素的交互效應分析

試驗設計，是一種安排試驗和分析試驗數據的數理統計方法.試驗設計主要是對試驗進行合理安排，以較小的試驗規(guī)模或者較少的試驗次數、較短的試驗周期和較低的試驗成本獲得理想的試驗結果并得出合理結論.

表2 變量描述統計

根據處理完畢的有效數據進行試驗設計，分別將表2中變量的水平值劃分為低水平和高水平.該劃分依據對各變量的觀察,確定出各變量的水平臨界值.例如,變量T的水平臨界值為55,低于55的為低水平,其余的為高水平.本次試驗擬合整個模型，包括10個主效應，43個雙因子交互作用，其中“R”和“R*C”的主效應顯著，其p值(用于判斷交互作用的顯著性)分別為0.004和0.000. “R”和“R*C”交互作用的效應顯著(見圖1～4).

圖1 標準化效應的正態(tài)圖

圖2 標準化效應的半正態(tài)圖

從主效應圖4上可以看出G對Ap的影響最小，R和C對Ap的影響最大，其次為其他因素.交互作用圖(見圖5)顯示更改一個因子的設置對另一個因子的影響.由于交互作用可以放大或縮小主效應，因此評估交互作用極其重要.從圖中可以看出，除了V，O，D，T交互作用很弱甚至沒有外，Pr與D，R，C，H，Pa的交互影響也很弱或者沒有，交互作用比較顯著的有T與R.

圖3 標準化效應的Pareto圖

圖4 Ap主效應圖

圖5 Ap交互作用

R對申請人數Ap產生很大影響，而在Ap的效應和因數的估計圖中，C顯示的p值為0.804，在主效應圖中，顯示C對Ap的影響很大，幾乎與R相當.而在雙因子交互作用中，表現最明顯的就是R*C.對Ap影響最小的為因子G，即發(fā)起人性別，由圖5可以看到，G對其他因子的影響也很小.

3.2 影響因素的回歸分析

設定Ap(對該拼車信息提出申請的人數)為因變量，其他9項為自變量，分別對上述兩種數據進行回歸分析.首先針對沒有包含價格變量的4 002條有效數據進行回歸，其次針對包含有價格變量的數據進行回歸.回歸分析使用的軟件是Minitab 15，計算結果見表3和4.

表3 以Ap為因變量的回歸結果分析

表4 方差分析

表3中，S是回歸模型誤差的標準方差.R-Sq是回歸模型誤差占總誤差的百分比，取值在0和100%之間；取值越大，表明回歸模型與數據吻合越好.(R-Sq)adj是調整后的R-Sq,取值也在0和100%之間，與R-Sq越接近，表明回歸模型越可靠.表4中,F表示組間均方與組內均方的比例.

由此得到回歸方程

Ap=0.647 0-0.049 5G-0.038 9O+0.050 8D+0.000 002T+0.015 6V+0.248 7R+

0.010 7C+0.136 4H-0.009 1Pa

可以看出所有自變量中只有R和C對因變量Ap影響顯著，進一步分析影響不顯著的分類數據，將G和H分別與影響顯著的非分類數據R和C相乘，得到4個新的變量G_R，G_C，H_R，H_C分別進行回歸分析.結果表明4個新變量均對因變量Ap影響顯著，有些甚至影響到其他自變量對因變量的影響程度，原有影響不顯著的變成影響顯著.4個新變量中對其他自變量影響最顯著的為H_C，計算結果見表5和6.

由表5和6可以看出5個自變量O，R，C，H，H-C對因變量Ap影響顯著.對包含價格變量的數據進行回歸分析，Ap為因變量、其他10項為自變量的結果顯示：V，R，C和Pr等4個自變量對因變量Ap影響顯著.同樣，嘗試將影響不顯著的分類數據G和H分別與影響顯著的非分類數據V,R,C,Pr相乘，得到8個新的變量G_V,G_R,G_C,G_Pr,H_V,H_R,H_C,H_Pr.將這8個變量分別加到已有的10個自變量，分別用1個因變量和11個自變量進行回歸分析.結果表明8個新變量中只有一項G_R對因變量Ap影響顯著.

表5 H-C的影響分析

表6 方差分析

通過上述分析，可以得出以下結論：回復數與點擊數對拼車成功率有正面影響；當不考慮價格因素時，拼車信息發(fā)布人的性別和是否有車會間接影響拼車成功率；考慮價格因素時，拼車信息發(fā)布人的性別間接影響回復數對拼車成功率的影響.因此，提高點擊數和回復數可以提高拼車成功率.對于拼車網站而言，可以采取適當的鼓勵措施提高點擊數和回復數，從而增強網站的活躍度.國內外已有文獻研究過拼車的鼓勵措施，有些國家甚至成立拼車組織，例如德國設立的“拼車中心”“ 拼車協會”“ 拼車俱樂部”等.

3.3 模型結果解釋

根據上述計算結果可以看出，所有不同自變量的情況下，無論有沒有價格變量，回復數和點擊數均對報名人數有顯著影響，這意味著拼車的報名人數與其拼車信息的關注度，即點擊數和回復數成正比.當考慮到價格因素時，價格和邀請人數也變成影響顯著的因素，價格越低，邀請人數越多，拼車報名人數也越多.拼車發(fā)起人的性別和是否有車這兩種分類變量均間接地影響到回復數和點擊數對報名人數的影響程度.在所有因子中，性別是被考慮得最少的因素.這些說明拼車者在尋找伙伴的過程中，首先考慮到拼車信息的受歡迎程度，然后是這條拼車信息的實際內容，最后關注的才是拼車對象的性別問題.

4 結束語

針對互聯網的拼車行為，分析拼車網站或拼車頻道的信息規(guī)范問題.通過分析了解在網絡中拼車伙伴成功配對的影響因素和影響強度，利用分析結果為拼車網站的規(guī)范化和持續(xù)發(fā)展提供參考依據.

在實際的拼車網站中，即使了解回復數和點擊數的重要性，也難以確保這兩個數據的真實性和有效性.在互聯網發(fā)展的過程中，不可避免地會產生各種水帖和黑車信息，網站應盡量保持回帖的可利用性并及時排除黑車信息，以提高拼車匹配成功率.

參考文獻：

[1] 王正. 交通戰(zhàn)略規(guī)劃的特征研究[J]. 上海海運學院學報, 2001, 22(4): 19-22.

[2] 張春平, 黃敏, 楊東援. 深圳市智能運輸系統建設機制分析[J]. 上海海運學院學報, 2001, 22(1): 29-34.

[3] 王茂福. 拼車的發(fā)展及其效應[J]. 中國軟科學, 2010(11): 54-61.

[4] BURRI M W, WINN J R. Slugging in Houston: casual carpool passenger characteristics[J]. J Public Transportation, 2006, 9(5): 23-40.

[5] FERGUSON E. The rise and fall of the American carpool: 1970-1990[J]. Transportation, 1997, 24(4): 349-376.

[6] LEVIN I P. Measuring tradeoffs in carpool driving arrangement preference[J]. Transportation, 1982, 11(1): 71-85.

[7] SCHEINER J I, KEIPER S A. Carpool information project: innovative approaches improve results[J]. Transportation Res Rec, 1979(619): 16-18.

[8] LI Jianling, EMBRY P. Who chooses to carpool and why: examination of Texas carpoolers[J].Transportation Res Rec, 2007(2021): 110-117.

[9] JACOBS H E. Multiple incentives in encouraging carpool formation on a university campus[J]. J Applied Behavior Anal, 1982, 15(1):141-149.

[10] 丁潔蓉. 我國“拼車”合法化的法律思考[J]. 浙江萬里學院學報, 2009, 22(6): 56-60.

[11] 劉洲. 個人自由與政府干預——基于“拼車”現象的法律分析[J]. 生產力研究, 2009, 9(24): 18-20.

[12] 吳潤元. 對私車拼車載客現象的分析和思考[J]. 交通與運輸, 2007 (5): 15-16.

[13] 周澤強. 拼車的法律分析及規(guī)制建議[J]. 福建法學, 2010(3): 8-11.

[14] KAMAR E, HORVITZ E. Collaboration and shared plans in the open world: studies of ridesharing[C] // 21st Int Joint Conf Artificial Intelligence, Proc, 2009: 187-194.

[15] 鄭士源. 合作博弈理論的研究進展——聯盟的形成機制及穩(wěn)定性研究綜述[J]. 上海海事大學學報, 2011, 32(4): 53-59.