基于Nested Logit的电动汽车分时租赁选择行为分析

刘 向， 董德存， 王 宁， 张文剑

(1. 同济大学 道路与交通工程教育部重点实验室， 上海 200092； 2. 同济大学 汽车学院， 上海 200092)

汽车分时租赁在减轻道路负担上的优势十分明显[1-2]，而电动汽车对于环境友好性远超传统燃油车[3-4]，两者的结合，对于城市交通出行的可持续性十分有利。目前电动汽车受限于电池技术和充电基础设施，续驶里程较短，而汽车共享主要满足用户对短途的出行需求。电动汽车的环境负荷小，但续航里程短、充电时间较长等特点，刚好与具备短途、短时间的分时租赁模式相匹配。二者在需求与供给上都达到了统一。

当前，国内电动汽车共享还处于萌芽阶段，各运营商的共享车辆、站点规模以及普及程度都很低。但是由于电动汽车分时租赁的上述种种优势，近年来，其在政府层面也得到了支持和肯定。2017年8月8日，交通运输部、住房城乡建设部联合发布了《关于促进小微型客车租赁健康发展的指导意见》，首次从国家政策层面肯定了小微型客车租赁，提出推动移动互联网与小微型客车租赁融合发展的相关措施，鼓励使用新能源车辆开展分时租赁。

由以上可见，虽然目前国内电动汽车共享运营企业较少，运营经验不足，但在接下来的几年内，国内涉足共享汽车的公司将会越来越多，电动汽车共享服务将会在国内迎来春天。因此，为了迎接电动汽车共享的全面发展，本文针对普通消费者进行问卷调查，探究影响用户出行选择的因素，确定其对电动汽车分时租赁的接受度并明确相关影响因素。为电动汽车分时租赁服务行业提出相关建议，以促进电动汽车分时租赁在中国的更好更快发展。

1 研究历史及现状

国外对于电动汽车分时租赁的选择行为的研究起步较早，且大部分集中在消费者接受度调查、用户使用时的关注因素以及用户特点等方面。

Shaheen[5]的研究表明，普通人对汽车共享没有兴趣与不了解情况有关，采用社会学习和社会营销理论对旧金山海湾地区的一个汽车共享项目Carlink进行了实验研究。Langston[6]在2006年发现尽管德国的汽车共享市场近年来大幅增长，但消费者接受度仍相对较低，在德国只有0.16%的驾照持有者加入了汽车共享组织，因此进一步研究了推广共享汽车的方法。Costain[7]采用描述性统计分析和计量经济学的方法对多伦多的一个汽车共享项目的用户行为进行了研究，主要包括对环境的态度、对安全的态度、使用频率、成员持续时间、车型选择和月度需求等维度。

Shaheen[8]调查了电动汽车共享作为年老者私人用车的可行性。Kim[9]以在首尔参加电动汽车共享的533名会员为样本，进行了调查研究，发现电动汽车共享的参与者不愿意改变他们对汽车的拥有，但是愿意继续使用电动汽车共享服务。Clewlow[10]对美国旧金山海湾地区共享汽车会员与非会员家庭的出行行为和私家车拥有情况进行了研究，发现共享汽车成员不仅比其他人拥有更少的汽车，并且如果他们拥有汽车则更可能拥有环境友好型的汽车。

国内对用户选择共享汽车出行这一行为的研究相比国外较晚，专门研究不多，且主要集中在近几年，之前大多为对共享汽车的模式、影响和市场的研究。邱雷[11]阐述了汽车共享服务的特点、系统模式和社会经济特性，介绍了其在欧美地区的发展情况，并分析了在中国市场发展的关键影响因素。薛跃、杨同宇和温素彬[12]等梳理了共享汽车的分类，从社会经济角度分析了这项服务对于汽车拥有量、出行费用、使用成本、节能减排等方面带来的变化。代秋杰[13]在汽车共享的基础上分析了消费者行为，并在消费者行为研究基础之上引入了政府政策分析。鞠鹏等[14]基于南京市的实证调查数据，运用混合选择模型对出行者的汽车共享选择行为进行了研究，结果表明出行者对于汽车共享的感知有用性、感知易用性、行为态度、知觉行为控制等心理态度潜变量对其选择行为产生显著的正向影响。

陈梓烽等[15]采用多项Logit模型对居民通勤的出发时间的选择进行了研究。潘晖婧等[16]应用多项Logit模型对自行车骑行车对路径的选择进行了研究。YANG等[17]模拟了用户在高铁进入后对原有交通方式选择的影响。陈秋香[18]应用嵌套Logit模型对校区之间师生的出行方式进行了研究。

2 研究方法

2.1 数据收集

为了获得一定量的共享汽车会员样本数据，以及共享汽车出行方式对于被访对象的可获得性，选取同济大学嘉定校区以及安亭镇的3个EVCARD共享站点进行定点问卷发放，此外，在商圈、地铁站、4S店、办公楼、校园等多地进行随机发放问卷，最终共回收问卷523份，其中有效问卷480份，既有480位有效被访者，问卷收集了每位被访者近一周的交通出行实际情况(显示偏好)以及6种不同假设情景下用户对出行方式的选择的意愿(陈述偏好数据stated preference, SP)，故共产生有效交通方式选择RP数据1305条、SP数据2 880条。

其中，RP数据是从用户的实际选择中观察到的显示偏好数据(revealed preference，RP)，其统计了用户近一周最常选择的几种出行方式及其出行的目的、里程、费用等等，从中可以较为准确地分析出用户的出行习惯，分析RP数据无疑在研究用户对于电动汽车分时租赁的选择上有重要意义。SP数据是通过虚拟选择实验获得的陈述偏好数据，其统计了用户在不同的假设情景下(不同的出行目的、里程、费用、站点距离)对于出行方式的选择情况，SP数据可以更全面地覆盖更多的出行情况，同时弥补RP数据的不足。比如弥补了当前电动汽车分时租赁覆盖率较低，导致实际生活中用户接触不到从而无法选择的情况。因此，RP数据和SP数据互为补充，都进行研究更为合理。

2.2 模型选用

离散选择模型可以被应用于分析个体出行时对于交通方式的选择行为，因此，本文选用离散选择模型。其中，多项Logit模型、条件Logit模型与混合Logit模型都必须满足“无关方案的独立性”假定。“无关方案的独立性”假定，即备选方案之间不相关。

本文研究的出行方案之间存在相似性，不能满足“无关方案的独立性”假定，如私人非机动出行和共享单车在短程出行时存在很大的替代性，出租车和网约车的用户体验也较为相似。

Nested Logit模型则接受备选项之间的相关性，可以很好解决相似方案间的选择问题。其解决方法为把相似方案归入一组，允许该组内方案相关(可以不符合IIA假定)，不同组之间的方案相互独立(符合IIA假定)，形成嵌套式的选择树。本文研究的用户对交通出行方案的选择行为正符合Nested Logit模型的特点，因此选用Nested Logit模型进行分析。

2.3 模型建立

2.3.1建立嵌套式选择树

将日常出行方式分为8种，分别为：① 私人非机动出行(包含步行、自行车、电瓶车、助动车)；② 共享单车(如ofo、摩拜等)；③ 公交车；④ 网约车(如滴滴、优步、非出租车)；⑤ 地铁；⑥ 出租车；⑦ 电动汽车分时租赁(如EVCARD)；⑧ 私家车。在出行选择的Nested logit模型的建立中，将①私人非机动出行以及②共享单车归为“非机动出行”组；③公交车和⑤地铁归为“公共出行”组；④网约车和⑥出租车归为“定制出行”组；⑦电动汽车分时租赁和⑧私家车归为“自助自驾出行”组。最终形成4种出行方案组、8种出行方案的嵌套式树形结构，如图1所示，“交通出行”为此树形结构的“根部”，第1层的“非机动出行”、“公共出行”等为树干，第2层的“私人非机动出行”、“共享单车”、“公交车”等为树枝。

图1 出行选择的嵌套式选择树结构Fig.1 Nested structure for travel modes choices

2.3.2确定效用函数与解释变量

在嵌套Nested Logit模型中，假定个体在选择时综合考虑最优方案，即某出行方式的效用函数值最大，本模型效用函数如下：

j=1,…,J;k=1,…,K

(1)

3 研究结果

3.1 用户出行特征描述性统计分析

利用统计分析的方法，结合实际调查数据，从个人社会经济属性(性别、年龄、收入、职业、受教育程度等)、个人交通属性(驾龄、拥有私家车情况)、个人出行特性(出行目的、出行里程等)和共享交通使用情况(使用共享单车、网约车、汽车分时租赁情况)4个方面，探究了问卷调查用户的特点。结果表明，调查的用户样本较为全面，并且覆盖了选择电动汽车分时租赁出行的目标用户和潜在用户。

3.1.1个人社会经济属性分析

性别方面，被访者中男性比例占74.6%，女性比例占25.4%。年龄方面，65%的受访者年龄在18～30岁之间，85%的受访者年龄在18～40岁之间。收入方面，被访者中月收入分布较为均匀，由于存在部分大学生群体，故月收入3000以下的占比16%。受教育程度方面，被访者中大专及以上学历占比达到93%，本科及以上学历占比59%。职业分布方面，主要集中在普通职员、技术人员、学生、以及工/服务人员，占比达到77%。综上，受访群体具有男性较多、较年轻更易接受新鲜事物、受教育程度较高能独立思考、职业及收入分布较均匀等特点，其用户特点与前人研究的汽车分时租赁的目标用户特点较为相近，是理想的样本数据来源。

3.1.2个人交通属性分析

图2为被访者交通属性分析。拥有私家车情况方面，50%的受访者没有可供自己日常使用的私家车。驾龄方面，78%的受访者拥有驾照。拥有驾驶经验符合使用电动汽车分时租赁的要求，没有私家车的用户也正是电动汽车分时租赁的目标用户。

图2 被访者交通属性分析Fig.2 Traffic attributes of respondents

3.1.3个人出行特性分析

出行目的方面，因私出行的用户占53%，上下班/学通勤的用户占34%，因公出行的用户占13%。出行距离方面，38%的用户出行距离为10～50 km，正符合电动汽车分时租赁的细分目标里程，见图3。

图3 被访者个人出行特性分析Fig.3 Trip characteristics of respondents

3.1.4共享交通使用情况分析

共享交通使用情况如图4所示，其中有86%的用户使用过网约车，65%的用户使用过共享单车，这表明大多数受访者使用过共享交通，有一定的“绿色”、“低碳”的出行理念，因此也可能使用同样绿色低碳的电动汽车分时租赁出行，为潜在用户。由于电动汽车分时租赁仍处于起步阶段，硬件设施覆盖率低，仅有16%的被访者使用过，其中还有8%的被访者“仅使用过几次，就再没有使用过了”。

3.2 用户出行特征交叉统计分析

对用户的出行特征进行交叉统计分析，可以初步确定影响用户出行方式选择的因素。如下文，探究了出行距离与拥有私家车情况对于出行方式选择的关系。

结果表明，出行距离的长短会影响用户对出行交通方式的选择，如图5所示。在出行距离为1～3 km时，超过半数的用户选择私人非机动出行和共享单车出行；而在出行距离为60 km时，大部分用户选择私家车和地铁出行。用户选择汽车分时租赁的比率，随着出行距离的增加而增加；在出行距离为15～60 km时，选择汽车分时租赁出行的相对较高，占5%左右。这都表明中长距离出行是电动汽车分时租赁的细分市场。

拥有私家车情况同样在很大程度上影响了用户出行方式的选择，结果如图6所示。拥有私家车的用户选择私家车出行的占比超过30%，明显大于其他出行方式。这表明拥有私家车的用户对私家车的依赖程度很强。对于汽车分时租赁，没有私家车的用户选择比例大于有私家车的用户，这也符合当前汽车分时租赁将没有私家车的年轻群体作为目标用户的情况。

3.3 电动汽车分时租赁选择行为分析

3.3.1Nested Logit模型参数值分析

使用STATA软件对RP和SP数据分别进行Nested Logit模型回归分析，RP和SP模型的似然比检验结果分别为40.05和30.71，该结果强烈拒绝“无关方案的独立性(IIA)”的假设，因此，选用Nested Logit模型进行回归分析合理。

在模型参数估计中，选取各变量因素相对稳定且当前用户出行选择占比较大的“公共出行组”以及“地铁出行”分别作为模型上、下层的参照组，模型参数估计结果如表1所示：

表中，“参数值”即为各出行方式效用函数中的待估计系数，表示各解释变量与对应的出行方式之间的相关关系；P值代表显著性水平，取0.05作为可接受的显著性水平，即P值小于0.05，则认为解释变量与对应出行方式是否被选择显著相关。综合RP/SP参数估计结果以及对应P值可以得出以下结论：

(1) 对于上、下层共有变量，即“使用成本”和“站点距离(个体距离所选出行方式的站点距离)”。结果显示，不同出行方式的使用成本、站点距离与用户是否选择该出行方式呈现显著负相关。即对于所列的8种出行方式来说，使用成本越高，站点距离越远，那么用户选择的概率就越低，这是符合通常的认知的。

图5 不同出行里程下个体出行方式选择分布Fig.5 Distribution of travel modes in different travel mileage

图6 不同拥有私家车情况下个体出行方式选择分布Fig.6 Distribution of travel modes in different situations private car ownership表1 Nested Logit模型参数估计结果Tab.1 Estimation results of the Nested Logit model

变量分类方案组/出行方式影响因素RP参数分析SP参数分析参数值P值参数值P值上、下层共有变量所有使用成本-1.4680-0.7560站点距离-0.6670-2.4220上层变量非机动出行组公共出行组定制出行组自助自驾出行组出行里程-0.0860.016-0.1230出行目的-0.0670.993-0.2270.001参照组参照组出行里程0.0120.876-0.0080.003出行目的0.9960.8940.1390.044出行里程0.0300.6810.0140出行目的0.1670.823-0.0560.399

(转下页) (续表1)

(2) 对于上层变量，即“出行里程”和“出行目的”。结果显示，出行里程越长，个体越不倾向于选择“非机动出行”组，越倾向于选择“自助自驾出行”组。这表明私家车和电动汽车分时租赁，可以更好的解决用户中长距离的出行问题，因此电动汽车分时租赁对私家车出行具备替代作用的潜在可能。出行目的表示用户选择出行方案时的主要目的，包括因私出行、因公出行以及上下班通勤。结果显示，用户在因公出行时倾向于选择“定制出行”组，包括网约车和出租车。

(3) 对于下层变量，即“性别”、“年龄”、“收入”、“受教育程度”、“从事职业”、“私家车数量”(个体拥有私家车的数量)、“驾龄”。结果显示，驾龄对于选择私家车和汽车分时租赁呈显著正相关，但用户驾龄越高更倾向于选择私家车；个体拥有私家车数量对于选择出租车和私家车出行呈显著成正相关，拥有可供出行的私家车的数量越多，更倾向于选择私家车出行，这表明有车用户更依赖私家车，更习惯乘坐或驾驶汽车出行；个体年龄对于选择共享单车和电动汽车分时租赁出行呈显著负相关，说明比较年轻的用户更容易接受共享、低碳的出行理念，更能接受电动汽车分时租赁；个体收入对于选择出租车出行呈现显著正相关，对于选择网约车和公交出行呈现显著负相关，可见个体的收入越低，出行方案的经济性考虑权重就越大。

3.3.2电动汽车分时租赁选择的分担率分析

出行方式选择的分担率即用户选择某一出行方式的概率。本文使用STATA软件计算样本个体(既被访对象)选择不同出行方式的概率，在Nested Logit模型中，个体i选择出行组j中出行方式k的概率如下：

(2)

(3)

式中：Pj为个体i选择出行组j的概率;Pk|j为个体i在选择出行组j的情况下，选择出行方式k的条件概率；Ij称为包含价值(inclusive value)。

在得到所有个体选择概率之后，计算所有个体选择各个出行方式的概率平均值，即得出不同出行方式的分担率，结果如图7所示。

在RP数据中，选择私家车出行的概率在八种出行方式中占比最大，达到18.91%，在SP数据中也高达20.51%。这也正是上海、北京等城市道路拥堵的主要原因，而像电动汽车分时租赁这样在体验上与私家车出行相近的共享出行方式，有望替代部分私家车出行。

随着选择电动汽车分时租赁出行的用户的增多，则会相应的减少城市道路上的私家车，电动共享汽车比传统的私家燃油车更为节能环保，并且对于汽车的利用率更高，由此降低了城市道路压力，缓解拥堵。

根据RP数据和SP数据计算的汽车分时租赁的分担率为2.36%和3.30%，占比较低。这表明，目前汽车分时租赁的普及度和用户接受度都不高。对于汽车分时租赁来说，当前规模体量较小，并且其自助自驾的用户体验和依托于互联网平台使用的特质，都在一定程度上约束了其目标用户的范围。

其中，汽车分时租赁的SP数据分担率明显大于RP数据分担率。说明在实际出行中，使用过汽车分时租赁的用户十分有限，但在意向调查中，愿意尝试汽车分时租赁的个体要明显增多。可见汽车分时租赁在使用成本、用户体验等方面具有一定的吸引力和优势，市场上也仍有上涨空间。如何进一步提高汽车分时租赁的便捷性，形成规模效应，最终使其能大范围普及，是当前急需解决的问题。

3.3.3电动汽车分时租赁选择的敏感度分析

本文进一步对显著影响电动汽车分时租赁选择概率的变量的敏感度进行分析，及探究在解释变量变动的情况下，电动汽车分时租赁分担率的变化情况。

首先，根据上文模型参数分析结果，可以确定与电动汽车分时租赁选择概率显著相关的解释变量，即对应P值小于0.05的解释变量，如表2所示.

由表2可知，对于RP数据，与选择汽车分时租赁概率显著相关的变量为使用成本和站点距离；对于SP数据，显著相关的变量为使用成本、站点距离、出行里程、驾龄、私家车数量和年龄。选取在RP、SP数据中都显著相关的变量，即使用成本和站点距离，计算其对于选择电动汽车分时租赁的分担率的敏感度。计算敏感度前需要计算出变量的风险比率，结果如表3所示。

表2 与电动汽车分时租赁显著相关的变量Tab.2 Variables associated with EV car-sharing

表3 RP/SP数据风险比率结果Tab.3 Odds ratio of RP/SP data

表中计算的变量的风险比率(Odds Ratio)解释为，以RP数据计算结果为例，变量使用成本的风险比率为0.914，这意味着在其他变量不变的情况下，若使用成本增加一个单位(在本模型中为1元/km)，则选择汽车分时租赁的概率将乘以0.914，即概率下降8.6%；变量站点距离的风险比率为0.563，这意味着在其他变量不变的情况下，若站点距离增加一个单位(在本模型中为1km)，则选择汽车分时租赁的概率将乘以0.563，即概率下降43.7%。同理SP数据分险比率也可做上述解释。通过风险比率，可以容易得到敏感度结果，如表4所示。

表4 RP/SP数据敏感度结果Tab.4 Sensitivity of RP/SP data

由RP/SP数据敏感度结果可知，变量使用成本在RP数据和SP数据中对于汽车分时租赁选择的敏感度相近，分别为8.6%和8.9%，均小于10%。可见，即使汽车分时租赁的使用成本有一定提高，也不会造成用户选择概率的大幅下降，且在实际应用中，每km的使用成本的变化较小。而变量站点距离，在RP数据中敏感度高达43.7%，即站点远离用户1 km选择汽车分时租赁出行的概率下降43.7%。这表明在用户近一周的实际出行选择中，汽车分时租赁站点距离过远是用户没有选择的主要原因。在SP数据中，站点距离的敏感度同样高达21.1%，远高于使用成本的敏感度，这表明在给定情景下用户选择出行方案时，比起出行方式的使用成本更在意站点距离的远近，用户更看重出行方式的方便性。

4 结论

为促进电动汽车分时租赁更好更快发展，根据上述分析和模型计算结果，得出如下结论：

(1) 便捷性是当前汽车分时租赁需要解决的首要问题。经上文敏感度分析可知，用户在选择出行方案时对站点距离更为敏感。当前，汽车分时租赁站点较少，分布不合理，是制约用户选择汽车分时租赁的重要因素。

(2) 经济性是汽车分时租赁需要保持的重要优势。当前汽车分时租赁的使用成本相对于网约车和出租车的使用成本较低，特别是在较长出行里程的情况下价格优势明显，这也是用户在长距离出行时倾向选择汽车分时租赁的原因。汽车分时租赁如何实现差异化的收费标准，对用户形成更大的吸引力，值得运营企业关注。

(3) 分时租赁车辆的续航里程有待提高。如上文交叉统计分析所示，用户对于电动汽车分时租赁的选择比率，随着出行距离的增加而增加。可见，用户在较长出行距离时更愿意选择汽车分时租赁，而共享电动汽车当前的续航里程受成本和技术等因素的限制并不高。因此，提高共享电动汽车的续航里程，提供满足用户出行距离的电动车辆，可以改善用户的使用体验。

(4) 低碳、绿色的出行理念需更深入人心。电动汽车分时租赁在用户体验上与私家车相近，且更为环保，对私家车可以形成很好的替代。然而，由上文出行方式分担率分析可知，当前用户在实际出行选择时，更依赖和习惯私家车出行。如交叉统计分析所示，有车用户对电动汽车分时租赁的选择比率也明显低于无车用户。造成这一现象的原因，一是当前电动汽车分时租赁普及度不高，不够便捷；二是能够实际践行绿色出行的用户也并不多。因此，如何提高人们的绿色出行理念，如何鼓励用户践行绿色出行，值得思考。