侯立文,張 麗

(上海交通大學(xué) 安泰經(jīng)濟與管理學(xué)院,上海 200030)

隨著社會經(jīng)濟的發(fā)展和人民生活水平的提高,人們與交通系統(tǒng)的互動成為日常生活的常態(tài),但從一個地方到另一個地方似乎變得越來越困難、昂貴。道路擁擠、燃料價格負擔(dān)沉重和環(huán)境污染問題迫切需要新的交通方式來緩解。傳統(tǒng)的交通方式如公共汽車或地鐵相對便宜和安全,但只提供具有固定地理路線和時間表的出行選擇,難以滿足乘客的個性化需求[1]。私家車或出租車能提供更靈活、更方便且往往更快的出行服務(wù),但在燃料和道路基礎(chǔ)設(shè)施方面需要付出相對高昂的成本[2]。共享乘車出行中駕駛員把車輛上空余的位置提供給乘客,也被稱為“拼車”“汽車共享”“順風(fēng)車”或“搭便車”[3]。這種新的交通方式提高了資源的利用率,在節(jié)約出行成本、縮短出行時間、緩解交通擁堵、節(jié)約燃料、減少空氣污染等方面都具有顯著優(yōu)勢[4-6]。隨著微軟、蘋果、谷歌、Facebook等公司相繼通過社會媒體開始提供共乘服務(wù),該領(lǐng)域已成為當前交通和互聯(lián)網(wǎng)服務(wù)的研究熱點[7]。

共享乘車方式按照出發(fā)后行程是否可變,分為靜態(tài)共乘和動態(tài)共乘兩種。靜態(tài)共乘需在車輛出發(fā)前規(guī)劃好行程,出行之后不能改變行程。這種共乘方式靈活性較差,沒有發(fā)揮資源最大潛力,對共乘服務(wù)的大規(guī)模發(fā)展有一定限制[3]。動態(tài)共乘允許行程靈活地變更,只需要參與者輸入行程和時間表,指定接送地點和時間,就能提供在途的駕駛員和乘客的自動匹配,具有明顯的優(yōu)越性[8]。共乘出行通過共享出行成本和增加系統(tǒng)用戶的機動性,使得有車的參與者節(jié)省與出行相關(guān)的費用,無車的參與者有車可用,同時減少污染和擁擠堵塞。但動態(tài)共乘在提供靈活性和便利性的同時,又帶來了計算復(fù)雜度、匹配成功率、價格機制和安全機制等一系列問題?，F(xiàn)有研究也大多圍繞著這些問題展開?？紤]到這些出行目標,大多數(shù)關(guān)于共乘出行的研究在確定共享乘車匹配時考慮如下特定目標及其組合:

(1)系統(tǒng)范圍內(nèi)的車輛里程最小化[9-10],即要求無論是共享乘坐還是單獨駕駛的所有參與者前往目的地的駕駛里程最低,這一目標有助于減少污染排放和擁堵,也能最大限度地降低總出行成本。

(2)行程時間最小化[11],即要求車輛在始發(fā)地和目的地之間實際行駛所花費的時間最短,這對于消費者而言也是一個重要的考量因素。

(3)參與者數(shù)量最大化[12],即要求最大化駕駛員和乘客數(shù)量,這一目標有利于共乘服務(wù)提供商,其收入與參與者數(shù)目密切相關(guān)。

(4)匹配成功率最大化[3,13],這對于共乘服務(wù)參與者而言是一個非常重要的性能指標,高匹配成功率將有助于鼓勵形成更大的用戶參與池。

通過對優(yōu)化目標的整合求解,已有大量研究對動態(tài)共乘的司乘匹配和路徑規(guī)劃等問題進行了深入討論,但司機與乘客的社會行為因素尤其是安全影響因素,也是共乘系統(tǒng)需要考慮的重點[3],關(guān)于這方面的研究目前還較為缺乏。部分學(xué)者從理論視角闡述了共享乘車服務(wù)中存在的各種安全問題。從共乘服務(wù)使用者層面看,共乘服務(wù)駕駛員的技術(shù)水平和職業(yè)素養(yǎng)稂莠不齊,服務(wù)安全質(zhì)量難以保證,投訴機制存在滯后性和維權(quán)困難等問題,且隱私信息泄露嚴重,評價機制無法做到公開透明,嚴重影響消費者對共乘服務(wù)平臺的持續(xù)性使用體驗。從共乘服務(wù)提供者的角度看,共享乘車行業(yè)從業(yè)人員勞動保障機制不健全,社保、養(yǎng)老保險等問題尚未有明確的法律條文規(guī)定[14]。從政府監(jiān)管層面而言,大量私家車涌入共享乘車市場,產(chǎn)生許多監(jiān)管模糊和規(guī)則真空的灰色地帶[15],法律和規(guī)章的修訂難以跟上行業(yè)發(fā)展的步伐,存在一定的滯后性,難以在短期內(nèi)落實執(zhí)行[16]。共享乘車行業(yè)存在的諸多安全問題也引起了學(xué)者的廣泛關(guān)注[17]。

根據(jù)對英國和美國消費者的跨大西洋調(diào)查,安全問題是共享乘車模式的主要瓶頸[18],一些大型共乘服務(wù)提供商如Uber等在數(shù)個國家面臨安全問題的禁令[19]。共享乘車的商業(yè)模式不可避免地引起用戶對安全、隱私及合法訪問的擔(dān)憂。安全被認為是人類的基本需求之一,確保參與者的安全以防止服務(wù)提供商或服務(wù)使用者帶來潛在威脅至關(guān)重要,更高的安全效益將是參與者持續(xù)使用共乘服務(wù)的根本動力[20]。左文明等[21]針對網(wǎng)約車服務(wù)存在的駕駛員素質(zhì)不佳、信息泄露、拼車不安全等問題,應(yīng)用中介物和外部性能等創(chuàng)新原理,從乘客評價服務(wù)、用戶反饋信息歸類、駕駛員信息管理與關(guān)系維護等環(huán)節(jié)改進滴滴出行的服務(wù)藍圖,提出網(wǎng)約車的服務(wù)創(chuàng)新方案。Yang等[20]將共享經(jīng)濟服務(wù)中驅(qū)動顧客忠誠的關(guān)系利益劃分為社會效益、經(jīng)濟效益和安全效益,以評估這些關(guān)系利益在影響顧客忠誠方面的相對優(yōu)勢,研究結(jié)果表明,安全效益會顯著影響顧客承諾。Almoqbel等[22]采用定性研究的方法研究影響共乘司機安全的相關(guān)問題。Chaudhry等[23]重點研究了共享服務(wù)中的乘客安全問題,并給出諸如引入強制行車記錄儀、設(shè)置求救警報、引入乘客保險附加條款等建議,增強乘客出行的安全性。

上述研究為分析共享乘車服務(wù)的安全影響機制提供了很好的指導(dǎo)和依據(jù),但這些理論性研究大多數(shù)處于定性分析影響用戶使用共乘服務(wù)的安全因素和防范措施的階段,定量研究的方法很少,對平臺安全性與參與者互動機理的刻畫不夠深入,也沒有考慮政府的監(jiān)管將如何影響整個市場。鑒于此,本文從共享乘車服務(wù)安全的角度出發(fā),基于多智能體仿真方法探究司乘安全對于共享乘車匹配率的影響。在司乘匹配模型框架下,分別細化了乘客安全信任的演化模型、政策導(dǎo)向的影響模型、平臺安全投入的影響模型和安全事件影響模型,并根據(jù)仿真結(jié)果給出具體的研究結(jié)論和建議。

1 考慮安全水平的動態(tài)共乘多智能體建模

在基于Agent的多智能體建模中,宏觀系統(tǒng)中的主體被建模成具有適應(yīng)性和自主性的智能體,宏觀行為不是預(yù)設(shè)的,而是來自個體的微觀決策。通過對宏觀系統(tǒng)中的個體及個體行為的抽離,建立個體行為規(guī)則和演化機制,從而實現(xiàn)對現(xiàn)實系統(tǒng)的演繹。多智能體仿真技術(shù)可以反映群體行為下個體狀態(tài)的變化策略,已有不少學(xué)者將多智能體仿真技術(shù)應(yīng)用于交通出行領(lǐng)域的理論研究[24-26]。本文將從多智能體仿真建模的角度將司機和乘客抽象化為具有決策意識的智能體,探究在考慮司乘安全的視角下,司乘匹配如何隨時間動態(tài)演化的過程。

1.1 問題描述

給定N個乘客agent,乘客屬性集合={乘客出發(fā)地、乘客目的地、最大等待時間、乘客安全信任},即P={origin,destination,wait_time,safety_trust}。給定M個司機agent,司機屬性集合={司機當前位置,司機安全水平},即D={location,safety_level}。要求在給定仿真時間內(nèi),根據(jù)匹配算法求解每個時間單位下司乘匹配的匹配成功率。司乘成功匹配要求在乘客最大等待時間內(nèi),司機能夠到達乘客所在的出發(fā)地,且司機安全水平高于乘客安全信任閾值。

參照文獻[3]中的研究,將匹配成功率定義為:nsuc表示固定區(qū)域內(nèi)在時間窗口[timei,timej]被成功分配的乘客乘車請求;nreq表示該區(qū)域內(nèi)在時間窗口[timei,timej]中所有的乘客請求。匹配成功率表示在該區(qū)域內(nèi),同一時間窗口中所有成功分配的乘客乘車請求占總請求數(shù)的比例,即ratiosuc=nsuc/nreq。

動態(tài)共乘中乘客請求的匹配效果是大數(shù)據(jù)背景下共乘能否可持續(xù)發(fā)展的重要因素,如乘客的請求不能被有效匹配,會導(dǎo)致用戶體驗下降,而多次匹配失敗,則很可能造成用戶流失,匹配成功率可以從一定尺度上反映匹配效果。實時動態(tài)共乘可以近似看成貪心匹配問題,乘客的行程需求被發(fā)出后,要求在一定的等待時間內(nèi)得到服務(wù)響應(yīng)。利用匹配算法,在某個時刻將得到司機和乘客在這一時刻的最優(yōu)匹配安排,并將用戶請求分配給指定車輛。隨著新的乘客請求加入,之前的最優(yōu)匹配安排在之后的時刻可能并不是最優(yōu)的。然而,對實時的請求處理,這種方法從技術(shù)角度看更容易實現(xiàn),也能夠被乘客和司機所接受。因此,對動態(tài)共乘的匹配將被處理為某一時間點所能達到的最優(yōu)匹配。

1.2 司乘匹配模型設(shè)計

1.2.1 乘客安全信任演化模型 每個乘客智能體agent都具有乘客安全信任屬性,該屬性反映了乘客對于司機安全水平的要求,只有高于該乘客安全信任閾值的司機才能作為候選司機進行匹配。乘客安全信任屬性包含兩個變量:安全信任值xi,滿足xi∈[0,1],0和1分別表示安全信任的兩個極值;不確定性水平ui,表示乘客agenti對其觀點的確信程度,也滿足ui∈[0,1]。在每一次交互中,某一個智能體agenti被選取作為目標智能體(觀點傳播方),另一個智能體agentj則被選取為被動智能體(觀點接收方)。

乘客安全信任的演化公式借鑒了Deffuant-Weisbuch模型,即連續(xù)觀點相對協(xié)議模型[27-28]。根據(jù)DW 模型,任意乘客智能體agenti的安全信任觀點表示為

對于任意兩個智能體agenti和agentj,觀點重疊部分

如果hij＞ui,意味著觀點的重合度高于主動智能體agenti的不確定性;如果hij＜ui,則意味著觀點重合度低于主動智能體agenti的不確定性。

DW 模型認為,當hij≤ui時,智能體agenti對智能體agentj沒有影響,即所謂的“話不投機半句多”,個體僅接受與自己觀點相似的其他個體的觀點。然而,在現(xiàn)實中,當涉及到安全問題時,往往是相反的口碑影響更甚。Lim 等[29]的研究也表明,負向口碑相對于正口碑能更有效地影響信任屬性的評價。接觸到的觀點差異越大,個體反而更有可能動搖自己的初始觀點。因此,當觀點重合度hij≤ui時,智能體agenti對智能體agentj也會產(chǎn)生影響,且重合度越低,影響力度越大。被動智能體agentj的觀點xj和不確定性uj更新規(guī)則為:

這里的μ是一個收斂參數(shù),滿足μ∈[0,1/2];hij反映了智能體agenti和智能體agentj的安全信任觀點重合度,且有hij∈[-1,1],觀點重合度越低,則取值越大,被動智能體agenti越會改變自己的安全信任觀點值;ui反映了智能體的觀點不確定性,該值越低,則智能體agenti觀點越堅定,越能產(chǎn)生影響。

1.2.2 政策導(dǎo)向的影響模型 建立安全穩(wěn)定、競爭有序的共享乘車市場體系,需要發(fā)揮政府管制的作用,政府要著力解決市場體系不完善、監(jiān)管不到位等問題,促進形成良好市場秩序。各級政府組織針對特定共享乘車安全事件,出臺一系列公告、倡議書、規(guī)章制度等政策信息,宣傳政策導(dǎo)向。這些代表政府導(dǎo)向觀點信息的傳播過程,往往不會像工作流程或合作書一樣馬上執(zhí)行,其執(zhí)行效果不是一蹴而就,而是在長期宣傳和倡導(dǎo)中逐漸被大眾所接受。為了反映政府導(dǎo)向信息的影響過程,參考Martins等[30]對大眾傳媒模型的設(shè)置,設(shè)置政府政策導(dǎo)向變量為government,滿足government∈[0,1],智能體agenti受政策導(dǎo)向影響的過程如下式所示。在政策執(zhí)行時間為D的范圍內(nèi),執(zhí)行下式,表明政策導(dǎo)向的持續(xù)作用時間,

式中:pj依概率p0取值為1,依概率(1-p0)取值為0,服從概率為p0的伯努利分布;ξ是更新因子,滿足ξ∈[0,1/2]。這里體現(xiàn)了乘客agent并非看到安全導(dǎo)向的政策宣傳文件或活動時都會發(fā)生觀點和行為的調(diào)整。

式(3)表明,政府主體也具有安全信任值government,隨著政策導(dǎo)向宣傳力度以及政府管制措施落實程度的變化,政府主體的安全信任值government也會隨之變化,并以概率pj影響所有的乘客agent,使得乘客的安全信任值在接收到政策信息時也產(chǎn)生相應(yīng)改變。

1.2.3 平臺安全投入的影響模型 共享乘車平臺的安全投入將對平臺簽約司機的安全水平產(chǎn)生正向影響。安全問題是共享乘車服務(wù)最基本的要求之一,也是共享乘車行業(yè)發(fā)展過程中最常被用戶詬病的問題。作為國內(nèi)共享乘車行業(yè)的代表企業(yè),滴滴在2020年投入30億元保障司乘出行安全,全面落實行程分享、司乘黑名單、緊急聯(lián)系人以及行程錄音等基礎(chǔ)性安全功能要求,司機資質(zhì)更是成為重點整改方向[31]。定義平臺安全投入對司機安全水平的影響如下式所示:

式中:ht為t時刻平臺的安全投入引起的司機安全水平增加量,反映了平臺的安全投入程度;γi為不同司機對平臺安全投入的敏感程度,滿足γi∈[0,1]。

式(4)表明,平臺安全投入能有效提高司機安全水平,而司機個體安全水平增量與平臺安全投入強度ht、司機對平臺安全投入敏感度γi呈正相關(guān)關(guān)系,同時也存在邊際效應(yīng)遞減的規(guī)律。

1.2.4 安全事件的影響模型 安全是共享乘車監(jiān)管最重要的維度,突發(fā)安全事件是衡量共享乘車安全監(jiān)管狀況的重要指標。以滴滴出行為代表的共享乘車平臺,在2018年3個月內(nèi)發(fā)生了兩起惡性安全事件,引起了社會輿論的廣泛關(guān)注,公眾對共享乘車的安全風(fēng)險感知增強,整個共享乘車市場陷入了信任危機。針對上述惡性安全事故,滴滴公司下架順風(fēng)車業(yè)務(wù),進行內(nèi)部安全整改;交通運輸部、公安部、中央網(wǎng)信辦等多部門也組成專項工作調(diào)查組,展開安全專項檢查。盡管平臺加強安全審查,政府也實行嚴厲的安全監(jiān)管,但公眾是否能重拾對共享乘車服務(wù)的信任還未可知。而對于一些程度較輕微的安全事件,考慮到監(jiān)管成本和資源的限制,政府部門和共享乘車平臺也不一定會采取措施加以管控。

為了反映安全事件影響的動態(tài)演化過程,引入了基于“情景-應(yīng)對”模式的演化博弈方法,針對不同的安全事件場景分別考慮政府和共享乘車平臺的應(yīng)對措施,以分析安全事件對政府和共享乘車平臺的交互機制對司乘匹配的影響。

政府部門作為共享乘車監(jiān)管的重要主體,面對不同程度的安全事件時,可以選擇監(jiān)管與不監(jiān)管兩種策略。對于危害性不高、影響范圍窄的安全事件,如果政府采取監(jiān)管策略,則可以有效提升共乘服務(wù)的安全質(zhì)量,但過于嚴格的管控可能會影響共享乘車市場的活力與效率,記乘客收益為H-A。如果政府采取不監(jiān)管策略,則存在安全事件進一步發(fā)酵擴散的風(fēng)險,記乘客收益為-Cl。另一方面,對于危害性較大的安全事件,如果政府采取嚴格監(jiān)管舉措,則有利于控制安全事件的社會影響,但乘客信任仍然會受到一定打擊,記乘客收益為H-Ch。如果政府采取不監(jiān)管策略,則乘客對共享乘車服務(wù)的安全風(fēng)險感知將大大增強,即乘客收益為-Ch。據(jù)此,得到乘客個體在不同安全事件情景下關(guān)于政府策略的收益矩陣,如表1所示。

表1 乘客個體收益矩陣

共享乘車平臺處于對效益的考慮,主觀上具有安全監(jiān)管動機。如果市場中存在較多機會主義以及資質(zhì)較差的用戶,則市場規(guī)模必然會受到影響。另一方面,如果平臺安全投入過多,可能導(dǎo)致平臺盈利能力受限,同樣影響平臺經(jīng)營和發(fā)展。因此,平臺在面對不同程度的安全事件時,也可以采用無安全投入和安全投入兩種策略。對于危害性較低的安全事件,如果平臺采取無安全投入策略,可能會導(dǎo)致司機出現(xiàn)監(jiān)管松懈,記司機收益為-V。如果平臺采取安全投入策略,則可以有效提高司機安全質(zhì)量,記司機收益為S。對于高危害性的安全事件,如果平臺采取安全投入策略,則可以在一定程度上規(guī)范司機安全意識,但安全事件造成的負面影響仍然無法完全抵消,記司機收益為S-K。如果平臺不采取安全投入策略,則在缺乏有效安全監(jiān)督和監(jiān)管激勵的情況下,司機安全水平受到嚴重影響,記司機收益為-K。據(jù)此,得到司機個體在不同安全事件情景下關(guān)于平臺安全投入的收益矩陣,如表2所示。

表2 司機個體收益矩陣

以乘客的策略學(xué)習(xí)為例,介紹乘客個體在政府與安全事件博弈過程中的安全信任觀點演化過程。司機的策略學(xué)習(xí)步驟同理。

(1)初始設(shè)置。初始的乘客agent占agent總數(shù)的N/(M +N),安全事件為低危害性的概率為p,為高危害性的概率為1-p;政府采取無監(jiān)管策略的概率為q,采取監(jiān)管策略的概率為1-q。群體中所有個體都隨機分布在仿真區(qū)域內(nèi)。

(2)計算個體收益函數(shù)。博弈過程發(fā)生在政府和安全事件之間,并對乘客策略產(chǎn)生影響,此時乘客agent可以在群體內(nèi)部進行策略學(xué)習(xí)。記乘客agent收益函數(shù)為:Ui=f(pi,qi),i=1,2,…,n。其中,f函數(shù)表示第i個乘客個體在不同安全事件-政府監(jiān)管情景下的收益,且安全事件為低危害性的概率為pi,政府采取無監(jiān)管策略的概率為qi。乘客個體根據(jù)政府管制的影響模型更新參數(shù)。

(3)策略學(xué)習(xí)。隨機在鄰居節(jié)點中選擇一個作為策略學(xué)習(xí)對象。由于個體總是以追求更好的收益為目的,故博弈過程中收益高的個體更容易被其他個體學(xué)習(xí)模仿。據(jù)此,乘客個體策略更新規(guī)則為[35-36]

式中:pij為第i個乘客個體采取第j個乘客個體策略的概率,策略更新公式如式(1)所示,第i個乘客將以概率pij根據(jù)式(1)更新當前的安全信任觀點值,同理,司機也將以概率pij更新當前的司機安全水平值;Ui和Uj分別為第i和第j個乘客的總收益;k是噪聲系數(shù),表明個體的有限理性,即使收益較低的個體策略也可能以一個小的概率被其他個體學(xué)習(xí)。參照文獻[35],本文取k=5。

1.3 司乘匹配模型流程

司乘匹配模型總體算法流程:

步驟1初始化仿真對象,N個乘客和M個司機,其中,乘客屬性:{出發(fā)地,目的地,最大等待時間,乘客安全信任},司機屬性:{司機當前位置,司機安全水平}。根據(jù)初始化參數(shù)表3設(shè)置相應(yīng)參數(shù)。

步驟2設(shè)置系統(tǒng)時間T(天),執(zhí)行步驟3,計算單位系統(tǒng)時間內(nèi)的司乘匹配率。

步驟3設(shè)置單位T內(nèi)的模擬次數(shù)Iterations(min),循環(huán)執(zhí)行步驟4～7。

步驟4查看是否有在途中的司機和乘客。若有,則更新當前乘客和司機的旅行剩余時間;若剩余時間為0,則將該乘客和司機移出在途名單,并對該乘客和司機重新初始化。

步驟5對非在途的司機和乘客進行匹配。匹配規(guī)則為:對于每個乘客,篩選出滿足乘客最大等待時間的司機,并對這些司機按照安全等級由大到小排序,選定前k個司機作為候選司機發(fā)布訂單。每個司機接單的概率服從[0-1]的均勻分布。若當前司機的安全等級滿足乘客的安全信任閾值,且接單概率大于0.1,則將該司機和乘客進行匹配。

步驟6未匹配上的司機開始隨機游走。對于未匹配上的乘客,若其當前的最大等待時間為0,則對該乘客重新初始化。

步驟7單位T內(nèi)的模擬次數(shù)Iterations推進一個單位,根據(jù)乘客安全信任演化模型更新乘客屬性。

步驟8系統(tǒng)時間T推進一個單位,在不同仿真情景下根據(jù)政府管制影響模型、平臺安全投入影響模型和安全事件影響模型更新乘客和司機屬性。

步驟9當達到最大系統(tǒng)時間T時模擬結(jié)束。

2 仿真與結(jié)果分析

2.1 參數(shù)設(shè)置

本文選取覆蓋北京市區(qū)的真實軌跡Geolife數(shù)據(jù)集[32]對上述設(shè)計的司乘匹配模型進行參數(shù)設(shè)置,使仿真過程更加貼近現(xiàn)實設(shè)定。Geolife數(shù)據(jù)集出自微軟研究Geolife項目,從2007-04～2012-08 共收集了182個用戶的GPS軌跡信息,其中大部分軌跡信息來自中國北京。由于本文是在共享乘車出行的背景下進行的,故僅選取其中標簽為出租車和私家車的軌跡進行分析。

首先對Geolife數(shù)據(jù)集進行預(yù)處理,刪除文件中的說明性信息,提取出每條軌跡信息的出發(fā)時間、到達時間、出發(fā)地點(經(jīng)度、維度)以及到達地點(經(jīng)度、維度)。計算出每條軌跡信息的里程和時間,剔除行程時間低于5 min的軌跡,最終得到有效軌跡663條,軌跡里程從1～350 km,平均駕駛速度約為20 km/h?？紤]到數(shù)據(jù)集大部分軌跡來自中國北京,參考北京市面積范圍和仿真區(qū)域清晰度,將仿真區(qū)域設(shè)置為1 300×1 300,單位距離為100 m;設(shè)置司機平均駕駛速度為400 m/min。其他參數(shù)的默認設(shè)置見表1。

仿真實驗通過不同的參數(shù)設(shè)置表達不同的情景,例如政策導(dǎo)向模式、平臺安全投入模式,其余參數(shù)的缺省設(shè)置參照表3。每次交互時,被動智能體agentj隨機選取n個主動智能體agenti作為交互對,并根據(jù)上述模型更新智能體agent的屬性值。仿真過程通過Python編程實現(xiàn)。

表3 默認的參數(shù)設(shè)置

2.2 政策導(dǎo)向?qū)λ境似ヅ涞挠绊?/h3>

在共享乘車平臺的發(fā)展過程中,政府部門必須積極引導(dǎo)行業(yè)規(guī)范性,督促共享乘車平臺完善行業(yè)從業(yè)人員準入、考核及管理制度,杜絕不法分子利用共享乘車駕駛員身份進行違法犯罪的惡行。政府通過出臺一系列政策導(dǎo)向措施來引導(dǎo)平臺發(fā)展,嚴厲的監(jiān)管手段和法律法規(guī)能增強用戶對共乘服務(wù)的安全信任,降低對共乘服務(wù)的安全擔(dān)憂。

首先分析政策導(dǎo)向宣傳密集度D對司乘匹配的影響。政府出臺某項政策導(dǎo)向舉措,往往只會在某時間段內(nèi)密集宣傳,舉辦與該政策導(dǎo)向有關(guān)的活動或會議等。設(shè)置系統(tǒng)時間T=10時,政策導(dǎo)向宣傳開始發(fā)揮作用;設(shè)置3種情境:D=5,D=10,D=15。密集度D=5 時的政策宣傳示意圖如圖1 所示。3種情境下的司乘匹配率變化過程如圖2所示。

圖1 宣傳密集度的政策作用時間示意圖(D=5)

圖2 政策宣傳持續(xù)時間3種情境下的司乘匹配率(D=5,10,15)

由圖2可以看出,在不同的政策導(dǎo)向宣傳周期下,司乘匹配率呈現(xiàn)出一定的區(qū)別:司乘匹配率在系統(tǒng)時間T=10后均出現(xiàn)明顯上升趨勢,但當政策宣傳密集度超過一定程度后,司乘匹配率提升程度有限。從乘客安全信任的角度,當政府宣傳不夠充分,即宣傳密集度較低時,政策導(dǎo)向信息引起的乘客安全信任提升度有限,乘客還未完全接受政策信息并調(diào)整自身觀點。隨著政策宣傳的持續(xù)和相關(guān)措施的落實,乘客逐漸被政策導(dǎo)向信息影響,安全信任閾值逐漸降低,并最終維持在和政府主體倡導(dǎo)的安全信任值趨于一致的水平。乘客安全信任閾值的降低意味著對司機安全等級要求的降低,因此,有更多的司機可以作為行程服務(wù)的候選司機,司乘匹配率得到提升。而當安全監(jiān)管政策已經(jīng)深入人心后,乘客對共乘服務(wù)的安全信任已趨于固化,即使再進行政策宣傳也只能起到非常有限的作用,因此,在D=10和D=15情境下的司乘匹配率無明顯差別。這表明,政策導(dǎo)向宣傳存在一定的衰減效應(yīng)。政府應(yīng)該把控好共享乘車平臺管制的時機和節(jié)奏,跟進市場發(fā)展動態(tài),既不能一蹴而就造成政策落實不到位,也不能追求過度宣傳而導(dǎo)致政府監(jiān)管資源的浪費。

圖2展現(xiàn)了government=0.1時,不同宣傳密集度的政策導(dǎo)向信息對于司乘匹配的影響。接下來探究政策導(dǎo)向信息的強度給司乘匹配帶來的影響。嘗試改變government的值,即設(shè)定government=0.1,government=0.3,government=0.6,并保持政策持續(xù)時間D=10,模擬結(jié)果對比如圖3所示。

圖3 政策導(dǎo)向信息情境下的司乘匹配率(government=0.1,0.3,0.6)

考慮到乘客群體的初始安全信任值的均值為0.5,government=0.1,可以理解為政府通過一系列政策監(jiān)管措施之后,對于共享乘車平臺的安全發(fā)展態(tài)勢非常有信心,向用戶傳遞出了積極的信號;government=0.3,則意味著政府管制強度一般,對用戶的引導(dǎo)效果有限;government=0.6,則說明政府發(fā)布的政策導(dǎo)向信息對共享乘車的安全管理現(xiàn)狀較為消極,同時也影響了用戶的安全信任。由圖3可以看出,司乘匹配成功率與政府安全信任閾值水平呈負相關(guān)關(guān)系,這也印證了政策導(dǎo)向信息在共享乘車平臺發(fā)展的重要作用。

2.3 平臺安全投入對司乘匹配的影響

面對共享乘車這一新興業(yè)態(tài),政府的監(jiān)管手段和法律法規(guī)也難以適應(yīng)新生事物的發(fā)展。共享乘車平臺作為服務(wù)提供方,具有更及時、更豐富的信息來源,對服務(wù)的安全弊端和缺陷也具有更加深刻的認識,由平臺主導(dǎo)的安全監(jiān)管措施能夠更直接有效地提升共乘服務(wù)的安全質(zhì)量。在平臺的安全投入中,司機資質(zhì)審查和司機安全培訓(xùn)計劃是平臺關(guān)注的重點方面[33],將對司機整體的安全水平產(chǎn)生積極效果。

首先分析平臺安全投入程度h對于司乘匹配率影響。設(shè)定4 種情境:h=0.01,h=0.03,h=0.05,h=0.07,分別表示平臺采取不同程度(輕度、中度和重度)的安全投入而引起的司機安全水平增加量。仿真結(jié)果如圖4所示。

由圖4可以看出,在平臺安全投入初始階段,司乘匹配率之間的差異并不明顯,隨后才表現(xiàn)出較為顯著的差異。這意味著平臺的安全監(jiān)管是一個需要持續(xù)性投入的過程,短期的投入難以對司機安全做到有效提升。安全是共享乘車平臺的核心競爭力,平臺需要持續(xù)性地做好安全保障工作,才能贏取乘客的信任與支持。此外,隨著安全投入強度的增大,司乘匹配成功率呈現(xiàn)出先遞增后不變的趨勢,h=0.05和h=0.07兩種情境下的司乘匹配成功率幾乎無顯著區(qū)別。這說明,與政府政策導(dǎo)向相似,平臺安全投入對司機安全水平的提升存在衰減效果,平臺應(yīng)把握好投入的度與量。安全投入過少,則司機安全水平提升有限;安全投入過多,則會導(dǎo)致平臺資源的浪費,加大平臺的虧損壓力。

圖4 平臺安全投入程度4種情境下的司乘匹配率(h=0.01,0.03,0.05,0.07)

接下來分析司機對平臺安全投入的敏感程度的影響。設(shè)定3種情境:γ∈[0,0.1],γ∈[0,0.5],γ∈[0,1],分別表示司機不同程度(從低到高)的平臺安全投入敏感度。仿真結(jié)果如圖5所示。

圖5 平臺安全投入敏感度3種情境下的司乘匹配率(γ ∈[0,0.1],γ ∈[0,0.5],γ ∈[0,1])

由圖5可以看出,敏感度越高的司機越容易被平臺的安全培訓(xùn)和管控措施所影響,因此,有更多的司機滿足乘客的安全要求,從而帶來司乘匹配率的提升。Signori等[34]的研究結(jié)果也表明,發(fā)生安全事故的司機往往對內(nèi)知覺的敏感性較低,即駕駛員對外部環(huán)境存在極度依賴性,并且內(nèi)在控制能力較弱。因此,平臺可以對司機的心理素質(zhì)進行考核,重點關(guān)注存在較強外部依賴心和較弱自控能力的司機,加強對這部分司機的安全培訓(xùn)和監(jiān)管,這將使得平臺的安全投入更加行之有效。

2.4 安全事件對司乘匹配的影響

共享乘車安全事件頻發(fā)給乘客帶來了信任危機,而對不同程度的安全事件如何響應(yīng),也成為政府和共享乘車平臺共同面臨的重要挑戰(zhàn)。下面探究不同安全事件危害性情景下,政府管制力度和平臺安全投入強度的協(xié)同演化對司乘匹配的影響。在本文模型中,安全事件危害度和政府、平臺的管控力度主要體現(xiàn)在概率p、q和s中。當p＞0.5時,表示安全事件為低危害性的概率更大;當p＜0.5時,則意味著安全事件為高危害性的概率更大。同理,q＜0.5和s＜0.5分別表示更高強度的政府管制措施和平臺安全投入策略。

首先探究高危安全事件發(fā)生概率對司乘匹配的影響。分別設(shè)置不同的p參數(shù)值,分析在一定的政府管制力度和平臺安全投入情景下(q=0.3,s=0.3),司乘匹配成功率如何變動。仿真結(jié)果如圖6所示。

圖6 不同高危安全事件發(fā)生概率下的司乘匹配率

由圖6可以看出,安全事件對司乘匹配成功率有著重要影響。即使是在政府和平臺的協(xié)同監(jiān)管下,頻發(fā)的高危安全事件仍然會對市場信心造成嚴重打擊,司乘匹配成功率遠遠低于低發(fā)安全事件情景下的結(jié)果。而高危安全事件的有效控制能夠給司乘匹配率帶來顯著提升,這也證實了安全事件的預(yù)防與控制對共享乘車行業(yè)的重要意義。

接下來分析安全事件危害性強度中等(p=0.5)情景下,政府和平臺單方面主導(dǎo)的監(jiān)管模式(q=0.1,s=0.9;q=0.9,s=0.1)以及雙重監(jiān)管模式(q=0.1,s=0.1)下司乘匹配率的變化情況,仿真結(jié)果如圖7所示。

圖7 政府和平臺單方面主導(dǎo)的監(jiān)管模式以及雙重監(jiān)管模式下的司乘匹配率

由圖7可以看出,當安全監(jiān)管完全由平臺主導(dǎo),而政策宣傳僅僅起輔助作用時,司乘匹配率曲線顯著低于政府主導(dǎo)的監(jiān)管模式和政府-平臺雙重監(jiān)管模式。這意味著共享乘車服務(wù)供需雙方在安全需求上的隔閡,也體現(xiàn)出平臺單一監(jiān)管模式存在的局限性。如文獻[37]所述,依靠共享乘車平臺自身發(fā)揮監(jiān)管作用存在3點局限:①平臺企業(yè)實施監(jiān)管缺乏有效地監(jiān)督,可能會存在監(jiān)管松懈的情況;②平臺企業(yè)作為市場規(guī)則的制定者,也會為了短期利益而產(chǎn)生內(nèi)部腐敗的情況;③平臺企業(yè)難以改變自身作為企業(yè)的屬性,因此并沒有執(zhí)法權(quán),對于違法行為的監(jiān)管具有一定的局限性。相反,政府主導(dǎo)的監(jiān)管模式相對于平臺主導(dǎo)模式而言更能顯著提升司乘匹配成功率。政府的長處是行政機關(guān)可以合法進行監(jiān)管,并且可以克服平臺單一監(jiān)管帶來的弊端。對于平臺監(jiān)管松懈和內(nèi)部腐敗問題,政府可以依法向平臺企業(yè)施加連帶懲罰,克服企業(yè)主觀監(jiān)管動機不純的問題。同時,政府的政策宣傳也能對乘客信心回升產(chǎn)生積極的引導(dǎo)作用。特別地,政府和共享乘車平臺的雙重監(jiān)管模式對司乘匹配率的提升最為有效。這種模式能充分發(fā)揮共乘平臺的監(jiān)管積極性,在市場監(jiān)管上與政府相互配合,取長補短。政府實施事前的準入監(jiān)管,平臺通過大數(shù)據(jù)手段進行事中的行為監(jiān)督,對于事后的糾紛則可由平臺和政府共同解決。這種監(jiān)管模式要求政府建立靈活的監(jiān)管機制,同時放權(quán)給平臺企業(yè),推動共享乘車行業(yè)自律監(jiān)督,更好地發(fā)揮協(xié)作作用,從而最大限度地提升安全監(jiān)管效率,保障司乘安全需求。

3 結(jié)論

本文研究了安全視角下司乘匹配成功率如何隨時間動態(tài)演化的過程。與傳統(tǒng)司乘匹配的研究相比,本文既考慮了乘客安全信任和司機安全水平等內(nèi)生安全因素,同時也考慮了政策導(dǎo)向、平臺安全投入和安全事件等外生變量的影響。分別建立了乘客安全信任演化模型、政策導(dǎo)向影響模型、平臺安全投入影響模型和安全事件影響模型,探究不同的政策宣傳密集度和強度、平臺安全投入強度、司機對安全投入敏感度和高危安全事件發(fā)生概率等情景下,司乘匹配成功率隨之變化的情況。綜合仿真結(jié)果可以得出如下結(jié)論:

(1)政府主導(dǎo)的監(jiān)管模式相對于平臺主導(dǎo)模式更能顯著提升司乘匹配成功率,而政府和共享乘車平臺的雙重監(jiān)管模式對司乘匹配率的提升最為有效。政府管制對整治共享乘車行業(yè)亂象具有積極效用,同時也應(yīng)該主動放權(quán),加強平臺企業(yè)的事中監(jiān)管力度,發(fā)揮政府-平臺雙重監(jiān)管模式的優(yōu)勢。

(2)政策導(dǎo)向的宣傳作用存在一定的衰減效應(yīng)。政府要把控好共享乘車平臺管制的時機和節(jié)奏,跟進市場發(fā)展動態(tài),既不能一蹴而就造成政策落實不到位,也不能追求過度宣傳而導(dǎo)致政府監(jiān)管資源的浪費。同理,平臺也要考慮安全投入的度量問題。安全投入過少,則不能充分保障司機和乘客的安全水平;安全投入過多,又會造成平臺資源的浪費,增大平臺運營成本。

(3)平臺在進行司機資質(zhì)考核與培訓(xùn)時,應(yīng)對自控能力較弱且依賴性較強的司機進行重點觀察。這部分司機對平臺的安全管制措施更加敏感,也更容易在受監(jiān)管的情況下規(guī)范自身行為,使得平臺的安全投入更卓有成效。

(4)安全事件的預(yù)防和控制對司乘匹配成功率具有重要影響。即使是在政府和平臺雙重監(jiān)管的情況下,高發(fā)安全事件仍會對市場信心造成嚴重的負面影響,需要采取有效手段盡量避免此類安全事件的發(fā)生。

本文存在一些不足,可以在未來的工作中加以改進。例如,對政策導(dǎo)向的建模只考慮了政策導(dǎo)向宣傳密集度和政策導(dǎo)向信息強度兩個維度,現(xiàn)實的政策導(dǎo)向可能更復(fù)雜,未來可以考慮用更多變量來更加客觀地表達政策導(dǎo)向。