电动汽车共享系统运营特征分析——以EVCARD系统为例

上海市城乡建设与交通发展研究院

随着大城市停车问题的日益突出和买车、养车成本越来越高，汽车共享将会是未来机动化出行的重要模式[1]。有数据统计，一辆共享汽车可以解决14个人的自驾出行需求，非常适合北京、上海、广州等大型城市发展。全球已有上千个城市拥有汽车共享服务，会员超170万。Shaheen[2]、Barth[3]等对汽车共享在世界各地的发展进行了综述。在我国，由于受车辆牌照额度制约和新能源车补贴刺激，许多城市常选用电动汽车作为共享汽车的首选车型。共享汽车系统由于需求的随机性，常出现借车、还车需求在时空上存在严重不均衡的情形，共享使用的电动汽车本身续航能力有限，城市充电设施空间覆盖不足，这些因素直接影响着电动共享汽车的运营服务。

现有研究多聚焦电动共享汽车的调度算法。Lee等[4]考虑了电动汽车因充电不足导致车辆不能借出的情况，提出了一种电动汽车共享调度算法。Bruglieria等[5]提出了车辆调度的混合整数规划模型，在求解调度方案时，加入了续航里程约束条件，综合考虑了有充电桩、无充电桩站混合布置，增加吸引范围。然而，共享汽车用户特征和企业运营策略是影响电动共享汽车的重要因素。开展城市共享汽车用户特征和企业运营策略研究，对于电动共享汽车的发展有非常重要的意义。本文以上海市的EVCARD系统为例，从用户需求特征、车辆调度特征和车辆运营特征三方面，对电动汽车共享系统进行了分析。该系统成立于2013年，拥有超过150个站点及500辆电动汽车，产生超过43 600个用户订单数据。

1 用户需求特征分析

满足用户需求是开展共享出行服务的基础。挖掘用户数据和研究用户特征，是开展精细化服务、运营调度和运营调整的必然选择。

1.1 日变特征

日变特征是指一个月中用户需求的日变化情况。研究日变特征，有助于探索共享汽车系统在较长时间段的中观需求规律，可以为公司的调度总体策略提供依据。统计EVCARD系统一个月的总订单数据，如图1所示。图中横轴为一个月的日期变化，纵轴为整个系统的总的订单量。数据体现了一定的宏观周期性规律：周末的总需求多于工作日的需求。这说明汽车共享的出行目的主要是满足非通勤出行需求，如聚餐、娱乐等。此外，由于用户需求的随机性，用户需要用车时共享站点可能处于无可用车状态，进一步考虑到共享汽车的费用较公交贵，汽车共享目前看来并不适宜替代通勤方式。对大多数系统用户来说，通勤采用公共交通方式可靠且价格实惠，非通勤目的出行则采用汽车共享。因此，汽车共享不仅不会“抢占”常规公共交通的市场，反而会通过降低汽车拥有率增加公交吸引力。EVCARD用户通勤期间依然维持既有出行方式，非通勤出行，采用汽车共享系统意愿有所提升。对于共享汽车调度而言，周末、节假日调度需求将会增加，宜在节假日和周末加强车辆合理调配。

图1 系统订单总量日变特征（2015/04）

1.2 时变特征

时变特征可以反映共享汽车在居民日出行中的角色定位，分析结果可以支持公司合理安排调度人员和车辆维护。EVCARD系统总订单的时变特征如图2所示。图中横轴为一天的时刻，纵轴是系统一个月平均一个站点的小时时段订单量。总体来看，8:00到10:00为需求增加时段，10:00到18:00为需求高峰时段，18:00到23:00需求缓慢下降。因此，在非高峰期可减少调度人员。例如，10:00前工作人员可主要用于维护等任务，22:00安排较少的调度人员即可满足需求。此外，在需求迅速变化的时刻（如图2的10:00和19:00），建议重新运行调度算法，适应新的需求状态。

图2 系统订单总量时变特征（2015/04）

图3列出了EVCARD部分站点一个月的借还车情况。图中横轴为一个月的时间变化，纵轴为从0时刻开始的站点车辆数净累积。可以看出，虽然之前分析得出系统宏观上表现出一定的规律性，但是具体到某一站点或者某个时间段，特别是当订单量不多时，需求特征表现出较大的波动性和随机性，站点的借、还车需求无明显的周期波动性规律。此外，这些数据还体现出借、还车需求在时间和空间上的不均衡性。在一些时段，某些站点的车辆数会增加超出站点容量。而在同一个时段的其他站点，或者同一个站点的其他时段，车辆数却可能会迅速减少到空置状态。这印证了系统层面进行车辆调配的必要性，以保证站点的正常运营。

图3 站点订单月变化（2015/04）

在此基础上，选取更短的时段，抽出站点一天的订单数据进行观察，探究站点短时段（1～4小时）需求预测的可实施性。选取EVCARD最为活跃的站点之一同济大学嘉定校区站点，统计2015年8月31日的日车辆数变化，如图 4所示。图中横轴为一天中的时刻，纵轴为该站点对应的车辆数。可以看出，站点车辆变化的随机性很大，尝试利用时间序列等手段进行短时段的需求预测，准确性较低。通过对更多站点进行类似分析，均未得到良好的结果。总体而言，站点活跃程度越低，需求波动性越大，短时间需求预测越难。

图4 站点日车辆数变化（同济大学嘉定校区站点）

1.3 用车时长特征

对2015年4月份系统的所有订单进行分析发现，47.5%订单具有相同的借还车站点。还车、取车点的用车时长不仅包含行程时间，还包含用户在实际目的地的停留时间。用车时长的分布如图5所示。图中横轴为用车时长（分钟），纵轴为频率。80%订单的用车时长位于10分钟到50分钟之间。了解用车时长的分布有助于预测电动汽车共享系统的未来系统状态。

图5 用车时长分布

1.4 不确定性因素分析

在电动汽车共享系统的实际运营中，存在一些特殊的不确定因素（借车需求、还车需求、行程时间等），对调度系统影响较大。解决不确定因素下调度算法的有效性是研究的重点问题。借鉴铁路调度方法，可将需求分为确定性部分（提前预定的需求）和随机部分（即时需求）。

随机部分需求一般利用历史数据进行统计分析并进行预测。在用户从出发地直达目的地的前提下，从借车到还车的时间长度，可通过两点间的行程时间进行较为准确的估计。另一种减少需求不确定性影响的方法是激励用户提前预定，如自助预定系统（Automated Reservation Systems）[6]等，将随机需求转化为确定性需求。可以采用航空、铁路等行业常用的经济手段[7]，如通过折扣卷等方式激励用户提前预定。若采取这些经济手段，在确定最优折扣时需要评估需求不确定性的减少所带来的收益。提供提前预定模式，用户可以提前确认站点有车状态而增加安全感，系统则可以通过减少需求不确定性而减少调度成本[8]。但需要注意的是，自助预定系统的引进会使调度系统面临新的问题。例如怎样保证在用户预定的时间和站点为用户预留车辆。若调度系统无法解决这个问题，经常出现用户预定后却无车可用的情况发生，那么电动汽车共享系统的吸引力将会受到很大影响。此外，还必须考虑用户可能在预定后取消订单，需要对车辆调度计划进行重新优化。

2 EVCARD系统调度特征分析

EVCARD系统的调度方法在同类系统中比较常用。图6显示了2015年2月的整个EVCARD系统的调度行为数据。图中横纵轴为经纬度，圆点标识出了站点的位置，蓝色直线段表示调度行为。整个EVCARD系统一个月内共产生调度行为78次，平均一天完成小于3次。平均每次调度的距离为10.7 km。EVCARD系统的工作人员需要承担调度任务和维护任务。在嘉定区，划分为了3个区域，如表1所示。站点划分了等级，“站点等级”表示站点的“重要性”。一般来说，越活跃的站点越重要。此外，等级还跟站点所处位置性质有关。“巡视等级”决定了工作人员需要对该站点进行巡视的次数。巡视等级和巡视次数的对应关系见表2所示。

图6 现状调度（2015/02）

当前的电动汽车共享系统普遍采用“合乘调度方法”，EVCARD系统也采用此方法。每组两人作为一个小组被分配一片责任区域，小组开一辆电动汽车对各个站点进行巡检。巡视的任务包含两个：一是检查站点的车辆状态，即维护任务；二是执行调度任务。调度人员会结合站点维护任务，根据系统站点当前的（空/满）状态生成站点间车辆调配方案。通过对工作人员的调查发现，调度员会优先满足满载站点的调出车辆需求，空置站点的调入需求则和维护任务相结合。若有调度任务，其中一人驾驶待调度车辆至需求站点，另一人驾驶工作车辆一同前往接应。

表1 区域划分及各站点的等级（部分数据）

表2 站点巡视等级及巡视频率对应表

目前的调度主要是依靠调度人员经验，采用“就近调度”原则。比如“同济大学嘉定校区”需要调入一辆车，那么一般从附近的“嘉实”或“大学里”调车，而不会考虑这些网点的活跃程度以及网点自身的需求。此外，在问询调查中，调度人员反映希望将巡检与调度的工作分开，否则在完成一天巡检工作的同时很难保证调度工作效率。由于缺乏站点的调度预测，在面临站点“异常并发”时，系统常常采用“代驾调度”模式应对“突发性”满载站点。如果可以有预测性的调度方法指导，可以很好的避免这种高昂的调度行为，降低系统的成本。

以上分析虽是基于EVCARD系统的调研数据，但其他类似的汽车共享系统情形类似，上述结论具有一定的普适性。就车辆调配方面而言，电动汽车共享系统普遍存在以下问题：

1）员工承担维护、调度等多重任务，效率较低。

2）缺乏科学方法指导调度工作。缺乏预测，仅根据站点的空满状态决定站点是否需要调度，存在滞后性；可能产生突发性的多站点失效，带来昂贵的代驾调度。

3）调度策略为“就近调度”，需要更多的调度人员和调度工作。

4）调度路径及人员的安排缺乏合理优化，凭经验生成。

3 EVCARD系统运营特征分析

图7 调度工作流程

共享汽车的调度必须与系统运营相结合。目前的“合乘调度”日常工作流程如图7所示。每个调度小组，从调度中心出发，前往待调出站点，驾驶一辆被调度的车辆，到达调入站点，则执行完一次调度任务。前往下一个待调出站点重复这个流程，直至休息、换班或者下班再回到调度中心。要生成切实可行的调度任务，将车辆整个路径一起优化是更好的方法。若不对路径的总长度进行约束，可能会导致员工不能完全执行调度任务。实际工作中，调度人员有时还需要承担站点及车辆维护任务。在此情况下，工作人员需要访问一些实际没有调度需求的站点。

同时，电动汽车的特点还带来了一些需要特殊考虑的因素。一方面是任务生成中，电动汽车的电池续航里程对于单次调度任务的长度附加了约束，不满足此约束的调度任务是不可执行的。另一方面，对于电动汽车共享系统而言，站点满载变成了一个更加严峻的问题。因为车辆需要在特殊的车位上充电，溢出车辆将无法得到充电服务。因此，应避免站点出现满载情况，以提高系统的运营效率。

4 结 语

电动汽车共享将会是未来机动化出行的重要模式。通过EVCARD电动汽车共享系统的数据挖掘，可以揭示电动共享汽车隐含的用户行为特征。由于不确定因素对用户行为的干扰，导致了短时间借还车需求预测困难。分析EVCARD系统的调度特征，总结电动汽车共享系统普遍存在的四类问题。分析EVCARD系统的运营特征，辨识电动汽车共享系统常见的调度工作流程的缺陷。在优化电动汽车共享系统的调度方案时，必须综合考虑需求特征、系统调度特征、系统运营特征以及特殊干扰因素，以降低系统运营成本、提高系统运营效率。