考虑出行竞争的网约车能源环境效应不确定性研究

吕莹，郭淳，孙会君，支丹月

（北京交通大学，a.交通系统科学与工程研究院；b.综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044）

0 引言

2020年9月22日，中国政府在第75 届联合国大会上提出：“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。”在2021年政府工作报告中，“做好碳达峰、碳中和工作”也被列为2021年重点任务之一。交通行业既是碳排放的重要来源，也是推动绿色发展、实现碳中和的关键领域，实现碳达峰、碳中和是艰苦卓绝的斗争，亟需大力发展可持续交通。

近年，交通行业中以环境友好为初衷的共享交通快速发展，其中网约车的发展尤为迅猛。在中国，网约车的出现改变了传统巡游车低效率、无秩序的局面，为我国城市客运交通系统添加了新生力量。网约车强调节能减排，提供共乘模式，CAI等[1]利用从北京市网约车轨迹数据中提取的出行信息，得出若在整个车队实施共乘有助于节约油耗和降低尾气排放的结论。然而，网约车的出现冲击了现有运输服务，BABAR[2]评价网约车的出现对随后1年公共交通使用的影响发现，Uber替代了部分公共交通出行，导致公共交通服务率显著下降；WU等[3]通过建立网约车对中国能源使用和碳排放的影响评价模型发现，网约车服务替代了公共交通、私家车、传统巡游车及自行车等多种出行方式；NIE等[4]经过研究发现，网约车成为传统巡游车最主要的竞争者，可能导致传统巡游车客运量大幅下降。由此可见，网约车的节能减排作用饱受争议，网约车是否有利于碳中和？是否会替代部分绿色交通出行量，对节能减排起到负面作用？现有研究结论尚不明确，这些问题亟待解决。

反事实思维(Counterfactual Thinking)由美国著名心理学家、诺贝尔经济学奖获得者Kahneman 和他的同事Tversky 在1982年发表的《模拟式启发(The Simulation Heuristic)》中首次提出[5]，用于反映个体对不真实的条件或可能性进行替换的一种思维过程，通常是对已经发生了的事件进行否定，然后表征在这否定情况下的结果。一些研究应用反事实思维研究网约车带来的影响。例如，ERHARDT 等[6]利用Uber 进入不同城市的时间不同，应用双重差分模型，研究网约车对城市车辆延误时间的影响，发现网约车增加了交通系统中的平均车辆行驶里程。由于基于双重差分模型的反事实思维研究方法需要同时使用受干预影响的实验组和不受干预影响的对照组，然而某些实际情况无法满足该条件，例如，网约车从2015年开始陆续进入全国各个城市，截至2019年已在全国所有直辖市和80%以上的地级市规范运营，这就使得不受网约车影响的对照组的获得难以实现。因而，也有研究采用预测方法体现反事实思维，BRODERSEN 等[7]建立通过预测方法实现反事实推断的框架，即利用干预之前的历史数据，预测近年没有受到干预影响的研究对象的表现，并通过研究谷歌广告活动对用户被导向到与广告有关网页之间的关系证明预测方法在反事实推断中的实用性。

因此，本文从反事实思维视角出发，基于预测方法，根据网约车出现之前的历史数据，预测反事实情况下的传统出行方式出行量，探讨网约车对传统出行方式的影响，评估网约车的能源环境净效应。同时，为避免单一预测方法的局限性，本文提出基于多预测原理和推演决策的集成分析方法，从更全面、更宏观的角度研究网约车对传统出行方式的影响及其不确定性，并建立网约车能源环境效应评估模型，为更好地发展网约车管理政策，促进共享出行的可持续发展以及早日实现碳中和作贡献。

1 问题描述与假设

网约车的出现会吸引部分传统出行方式的需求转移为网约车出行，甚至可能会诱导增加整个城市系统的出行总量，产生更多的碳排放；同时，网约车的共乘模式可以提高交通效率，有助于减少污染。本文研究北京市网约车对传统出行方式的影响及其产生的能源环境效应。

基于反事实思维视角，使用网约车进入城市交通系统之前的历史数据推演不考虑网约车存在的反事实情况下的传统出行方式出行量，将其与实际出行量的差值作为该传统出行方式受到网约车影响而变化的出行量，并利用干预分析模型表达其定量影响，评估网约车系统的能源环境效应。同时，为避免单一模型方法的局限性，提出基于多预测原理加多推演策略的集成分析方法，并进行基于不确定性的拟合和分析。相关假设如下：

(1)网约车仅为滴滴出行旗下所有产品，将2013年作为滴滴出行对北京市产生影响的首年，2016年作为推出共乘模式的首年。

(2)考虑网约车对公交车、地铁、传统巡游车和私家车这4 种主要传统出行方式的影响，忽略4 种传统方式之间的相互影响。

(3)估算公交车、传统巡游车、私家车平均碳排放因子，并假定排放因子在研究期内变化不大，假设网约车的排放因子与私家车相同，其非共乘模式的平均承载人数与传统巡游车相同。

2 问题建模与数据

2.1 网约车能源环境效应评估模型建立

定义某出行方式的出行里程与单位里程排放的乘积作为该方式的能源环境效应[8]，建立基本模型为

式中：i为传统出行方式，i=1,2,3,4 分别为公交车、地铁、传统巡游车、私家车；n为年份；ΔEi,n为n年网约车影响i出行方式造成的碳排放评估结果(kg碳)；ΔTi,n为n年i出行方式在不考虑网约车反事实情况下的出行里程与实际出行里程的差值((100 km)·a-1)；Ii为i出行方式的碳排放因子(kg碳·(100 km)-1)；Iride-hailing为网约车的碳排放因子；Pi为i出行方式平均承载人数(人·车-1)；Pride-hailing为网约车平均承载人数。

式(1)表示某传统出行方式转移到网约车中的出行量由网约车承担与由原出行方式承担造成的能源环境效应之差，并且考虑了每种出行方式的平均承载人数。

本文将网约车的平均承载人数分为共乘、非共乘，、分别为网约车在共乘、非共乘两种情况下影响i出行方式造成的能源环境效应(kg 碳)，即

对于ΔTi,n和Ii有

式中：Vi,n为推演出的n年i出行方式在不考虑网约车的反事实情况下的出行量(104人次)；为n年i出行方式的实际出行量(104人次)；ΔVi,n为n年i出行方式在反事实情况下的出行量与实际出行量的差值，即i出行方式的变化出行量(104人次)；Di,n为4 种传统出行方式平均出行距离(100 km)。

式中：Ci为i出行方式的能耗因子(kg标煤·(100 km)-1)；Fi为i出行方式百公里耗油量 （L·(100 km)-1） 或 百 公 里 牵 引 能 耗(度·(100km)-1)；k为汽油或柴油；ρi,k为汽油或柴油密度(kg·L-1)；θi,k为标煤折算系数(kg·kg-1)或(kg·度-1)；τi,k为汽油或柴油的碳排放系数(kg碳·kg标煤-1)。

因此，用ΔEn表示n年网约车能源环境效应评估结果(kg 碳)，建立网约车能源环境效应评估模型为

网约车能源环境效应评估模型中部分变量及其参考来源如表1所示。

表1 部分变量及其参考来源Table 1 Some variables and their reference sources

2.2 传统出行方式反事实情况下的出行量Vi,n 计算

针对Vi,n，采取先预测后拟合分布的思路计算。

2.2.1 推演基础数据

根据假设(1)，综合数据可得性及完整性，考虑影响出行量的经济指标和社会指标，选取北京市2004—2012年的17 个指标，利用Pearson 相关系数和Spearman相关系数选择与各出行方式出行量及分担率相关的因素，作为预测2013—2019年反事实情况下传统出行方式出行量的输入。具体指标及单位如表2所示，数据来源于《北京统计年鉴》。

表2 选用的经济指标与社会指标Table 2 Selected economic and social indicators

2.2.2 出行量反事实推演值Vi,m,n

Vi,m,n表示用m方法根据网约车出现之前的历史数据预测近年不考虑网约车的反事实情况下的i出行方式的出行量，其中m指采用不同的预测方法，包括：BP 神经网络、灰色神经网络、随机森林、XGBoost、DNN、多元线性回归和时间序列模型。按以下3个思路分别预测。

(1)用m方法直接预测Vi,m,n。

(2)用m方法预测n年出行总量及n年4种传统出行方式总分担率和i出行方式各自的分担率，用多元线性回归和时间序列模型预测n年4 种传统出行方式总分担率，即

式中：为m方法直接预测的n年除网约车以外的公交车、地铁、传统巡游车、私家车、非机动车等所有传统出行方式出行总量的值；φi,m,n为最终预测的反事实情况下i出行方式分担率；γi,m,n、分别为m方法直接预测的n年公交车、地铁、传统巡游车、私家车各自的分担率及用m方法、多元线性回归和时间序列模型时4 种传统出行方式的总分担率，需要注意的是，当m方法就是多元线性回归或时间序列模型时，φi,m,n仅有2 个值，其余方法对应的φi,m,n有3个值。

(3)将i出行方式出行量实际值与出行总量变化值中的i出行方式分担率部分相加，即

用北京市2004—2012年的17 个指标数据对2013—2019年除网约车以外的出行总量，4 种传统出行方式出行量及分担率进行多元线性回归预测与时间序列预测，同时划分训练集和验证集，利用BP 神经网络、灰色神经网络、随机森林、XGBoost和DNN分别预测2013—2019年除网约车以外的出行总量、4 种传统出行方式出行量及分担率。根据式(10)分别计算与每种预测方法对应的φi,m,n，进而按照3种思路计算，最后，每种预测方法都能得到5个或7 个反事实推演值Vi,m,n。因此，4 种传统出行方式在2013—2019年每年都各有45个反事实推演值Vi,m,n。

2.2.3 反事实情况下的出行量Vi,n

为了解反事实推演值Vi,m,n的分布规律，确定每种出行方式在反事实情况下的出行量Vi,n，对4 种传统出行方式在2013—2019年每年各45个反事实推演值Vi,m,n分别进行拟合分布，在设置的置信水平下，计算该不确定性分布的置信区间，得到最终反事实情况下的出行量均值Vi,n及其置信区间。

根据反事实情况下的出行量均值Vi,n的95%置信区间上、下限与实际出行量的差值，利用干预分析模型，求出网约车对4种传统出行方式的干预影响值。时间序列经常会受到特殊事件及态势的影响，称这类外部事件为干预，干预分析模型就是从定量分析的角度评估干预或突发事件对经济环境和经济过程的具体影响。干预事件有4 种基本形式：第一，干预事件的影响突然开始，并长期持续下去；第二，干预事件的影响逐渐开始，并长期持续下去；第三，干预事件突然开始，且产生短暂的影响；第四，干预事件逐渐开始，且产生暂时的影响。不同的干预形式具有各自对应的模型，本文网约车对传统出行方式的影响属于第2种情况，对应公式为

式中：Zn为干预事件对所给定事件序列的影响值，为实际值减去预测值的差；S(nN)=0 表示干预事件发生之前，即n ＜N，S(nN)=1 表示干预事件发生之后，即n≥N，本文中N为2013；ω与δ为干预影响程度的未知参数；B为后移算子。受网约车影响后的传统出行方式出行量可表示为Vi,n+Zi,n，Zi,n为网约车对i传统出行方式的干预影响。

计算传统出行方式反事实情况下的出行量Vi,n的流程如图1所示，其中X、Y为利用不同预测方法训练模型时的输入变量和输出变量，X为2004—2012年北京市17 个社会经济指标，Y为2004—2012年北京市出行总量、4 种传统出行方式出行量及分担率。

图1 传统出行方式反事实情况下的出行量计算流程Fig.1 Flow chart of 4 traditional modes volumes under counterfactual condition

3 结果分析

3.1 反事实情况下的出行量Vi,n 计算

首先，利用Pearson 相关系数和Spearman 相关系数选择与各出行方式出行量及分担率相关的因素，采用BP 神经网络、灰色神经网络、随机森林、XGBoost、DNN、多元线性回归及时间序列模型对其进行预测；同时，为确保利用BP 神经网络、灰色神经网络、随机森林、XGBoost和DNN预测的可信度，在预测过程中添加Dropout 函数或正则化防止过拟合，并且使用Grid Search 对参数进行微调，使得训练集和验证集上的Loss 都呈下降趋势且趋近于0，表3为防止过拟合及调参之后预测R²；最后，分别对4 种传统出行方式在2013—2019年每年的反事实推演出行量Vi,m,n进行拟合分布，4种传统出行方式2013—2019年的Vi,m,n由非参数正态性检验的显著性大于0.05可知服从正态分布，得到4种传统出行方式反事实情况下的出行量Vi,n及其95%置信区间。

表3 预测结果评价指标Table 3 Evaluation index of prediction results

2004—2019年北京市4 种传统出行方式的实际出行量以及2013—2019年根据不同预测方法预测的反事实推演值Vi,m,n、推演值分布的均值Vi,n及其95%置信区间如图2所示。由图2中2012年实际出行量可以发现，公交车、巡游车和私家车2012年以后的实际出行量与推演值分布的均值Vi,n都比2012年低，并且2013—2019年的Vi,n和根据不同预测方法预测的反事实推演值Vi,m,n基本在实际出行量之上，说明这3种传统出行方式出行量有一部分转移到网约车，网约车的出现对其产生了一定的抑制作用，且公交车受网约车干预影响而减少的绝对出行量最多。地铁在2013—2019年的推演值及其分布均值较2012年明显增加，说明公交车、巡游车、私家车受网约车的影响较大，而网约车对地铁的影响尚不明显，这可能是因为北京地铁发展速度迅猛，逐渐形成完备的地铁网络，承载的出行量大，成为极具竞争力的出行方式，故受网约车影响相对较小。

利用干预分析模型，将4种传统出行方式的反事实情况下的出行量Vi,n的95%置信区间上、下限与实际值的差代入式(13)拟合，得到4 种传统出行方式出行量(万人次)受网约车干预影响的不确定性表达式。

(1)公交车

(2)地铁

(3)巡游车

(4)私家车

表4为传统出行方式出行量受网约车干预的影响值Zi,n占该年实际出行量百分比的不确定性区间。从各传统出行方式受影响的百分比下限看，网约车对巡游车出行量的抑制作用最强，其次是公交车和私家车，对地铁出行量的抑制作用最弱，印证了图2得到的结论；结合百分比上限可知，巡游车和私家车受到干预影响的百分比上限较小，说明网约车更倾向于减少巡游车出行量和私家车出行量，而公共交通的倾向性较巡游车和私家车弱，说明尽管网约车替代了部分公共交通出行量，但是由于公共交通处于蓬勃发展的状态，并未受到较大冲击。

表4 传统出行方式出行量受网约车干预影响百分比的不确定性区间Table 4 Uncertainty interval of percentage of traditional travel modes volumes affected by ride-hailing

另外，除了私家车本身实际出行量较为平稳，预测的反事实推演值分布较集中外，公交车、地铁和巡游车的反事实推演值曲线大致分为两种趋势，一种呈离散状，由思路(1)和思路(2)求得；另一种与实际出行量变化趋势近似一致，由思路(3)在实际出行量的基础上与反事实情况下的变化出行量加和求得，因此，波动相似。并且思路(3)的所有推演值均在实际值之上，根据式(11)和式(12)，说明反事实情况下除网约车和步行以外所有传统方式出行总量均大于实际出行总量，即实际情况下所有传统出行方式出行量降低，进一步说明网约车与传统出行方式形成竞争关系，吸引了传统出行方式的出行量。

3.2 网约车能源环境效应评估结果ΔEj,n

2013—2019年网约车能源环境效应及其不确定性区间的变化趋势如图3所示。共乘模式在2016—2019年的占比分别为0.16、0.10、0.10、0.07。图3中正值为由网约车导致的净增加的碳排放，表示网约车对能源环境产生负效应；负值为由网约车导致的净减少的碳排放，表示网约车对能源环境产生正效应。无论是推出共乘模式之前还是之后，2013—2019年网约车能源环境效应评估结果都对能源环境产生了负效应，并且2016—2019年的碳排放比2013—2015年的多，呈增长趋势。根据假设(1)，本文所指网约车为滴滴出行旗下所有产品，2013年，尽管滴滴出行的市场份额超过其他打车软件市场份额之和，但是整个打车行业尚处于起步阶段，由图2可以看出，2013年滴滴出行对传统出行方式的影响，尤其对公共交通和巡游车的影响较小，因此，导致碳排放净增加1.66 万吨碳；2014年，滴滴出行用户数超过1 亿，司机数超过100 万人，日均单数达到500 万单，成为互联网最大日均订单交易平台，并且滴滴出行专车的上线拓宽了滴滴出行的业务范围，带来更多的出行，对公交车和巡游车的影响逐渐显露，导致2014年滴滴出行造成的碳排放明显增长，碳排放为4.26 万吨碳；2015年，随着滴滴出行与快的合并，滴滴快车、顺风车、巴士、代驾业务的上线，滴滴出行迎来蓬勃发展，碳排放为8.38 万吨标煤；2016—2019年，据滴滴方面介绍，从2016年开始，在移动出行渗透率高的城市，各类网约车平台的专车、快车、顺风车承接的订单已经接近原有整个出租车市场的订单，对传统巡游车的竞争越发激烈。2016年11月1日起《网络预约出租汽车经营服务管理暂行办法》正式施行，网约车的合法地位在国家法规层面上得到确定，加速了滴滴的大规模发展，导致2016—2019年能源环境效应处于较高水平，即对能源环境产生的负效应较强。由图3可知，历年能源环境效应ΔEn介于完全共乘和非共乘下能源环境效应之间，完全共乘下对能源环境产生的负效应最弱，完全非共乘下产生的负效应最强。尽管由滴滴出行导致增加的碳排放仍在逐年增长，但由于共乘模式的逐渐普及使得增长速率放缓。图4为对共乘比例的灵敏度分析，虚线为建立的网约车能源环境效应评估模型计算出的结果，实线为共乘比例分别取0.0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0时对应的能源环境效应。随着共乘占比增大，网约车对能源环境产生的负效应被削弱，但是网约车的出现对传统出行方式出行量产生抑制作用，并且诱导更多的出行，所以完全共乘模式下网约车依然对能源环境产生了负效应。因此，目前亟需网约车公司及政府部门合理决策，扬长避短，促进共乘模式发展，尽量降低网约车对能源环境产生的负效应，更好地发挥网约车的优势。

图2 4种传统出行方式出行量不确定性推演值Fig.2 Actual and predicted values of 4 traditional modes of travel volume

图3 2013—2019年能源环境效应变化趋势Fig.3 Change trend of energy and environmental effects over 2013—2019

图4 共乘比例灵敏度分析Fig.4 Sensitivity analysis of ride-sharing ratio

另外，尽管网约车能源环境效应表明网约车对能源环境产生了负效应，但综合能源环境效应区间，网约车能源环境效应的区间下限表示网约车对环境具有正效应；而区间上限表示负效应，说明网约车的能源环境效应尚处在一个不确定的区间内，无法断定网约车对环境到底是起到正面作用还是负面作用。在实际生活中，网约车能源环境效应的不确定性是由自身特点引起的，首先，网约车的共乘模式会提高交通效率，降低单位碳排放，随着人们绿色出行意识逐渐增强，越来越多的居民在出行时选择共乘出行，有利于保护环境；其次，网约车通过替代更节能的出行方式，甚至诱导更多的出行，增加了碳排放，例如，从公共交通转移到网约车的出行会增加每位乘客的平均碳排放；并且，网约车有可能会因为其本身便利的优势而降低私家车的购买需求，对环境起到潜在的保护作用。

本文采用的是基于多预测原理加多推演决策的集成分析方法，不同的预测方法由于学习机制不同，训练出的模型不同，从而得到的结果不同，因此，图2中每条推演值曲线变化规律不尽相同，最后基于不确定性拟合分布，可以更加全面且客观地评估网约车能源环境效应。

4 结论

本文基于反事实思维视角，以网约车进入北京之前的历史数据研究近年不考虑网约车的反事实情况下的传统出行方式出行量；利用干预分析模型表达网约车对传统出行方式出行量的影响；建立能源环境效应模型，计算网约车的能源环境效应。为促进共享出行的可持续发展，早日实现碳中和作出贡献。得到的结论与建议如下：

(1)网约车替代了4 种传统出行方式部分出行量，相对来说网约车对地铁的影响最小。网约车的能源环境效应目前处于不确定性区间，但更倾向于对能源环境产生负效应，并且这种负效应随着网约车的大规模发展愈加严重。

(2)提出了基于多预测原理和推演决策的集成分析方法，并根据不确定性进行拟合及分析，有效地打破了基于单一模型预测的局限性，可以从更宏观的角度评估网约车能源环境效应。

(3)根据网约车能源环境效应评估结果，建议大力发展共乘模式，提高共乘出行比例，并适当抑制私家车购买，将更多的出行需求转移到共乘出行中，促进绿色交通发展。