安全視角下動態共乘匹配成功率的仿真

侯立文,張 麗

(上海交通大學 安泰經濟與管理學院,上海 200030)

隨著社會經濟的發展和人民生活水平的提高,人們與交通系統的互動成為日常生活的常態,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、燃料價格負擔沉重和環境污染問題迫切需要新的交通方式來緩解。傳統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,但在燃料和道路基礎設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,在節約出行成本、縮短出行時間、緩解交通擁堵、節約燃料、減少空氣污染等方面都具有顯著優勢[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,該領域已成為當前交通和互聯網服務的研究熱點[7]。

共享乘車方式按照出發后行程是否可變,分為靜態共乘和動態共乘兩種。靜態共乘需在車輛出發前規劃好行程,出行之后不能改變行程。這種共乘方式靈活性較差,沒有發揮資源最大潛力,對共乘服務的大規模發展有一定限制[3]。動態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,具有明顯的優越性[8]。共乘出行通過共享出行成本和增加系統用戶的機動性,使得有車的參與者節省與出行相關的費用,無車的參與者有車可用,同時減少污染和擁擠堵塞。但動態共乘在提供靈活性和便利性的同時,又帶來了計算復雜度、匹配成功率、價格機制和安全機制等一系列問題。現有研究也大多圍繞著這些問題展開。考慮到這些出行目標,大多數關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)系統范圍內的車輛里程最小化[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)參與者數量最大化[12],即要求最大化駕駛員和乘客數量,這一目標有利于共乘服務提供商,其收入與參與者數目密切相關。

(4)匹配成功率最大化[3,13],這對于共乘服務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。

通過對優化目標的整合求解,已有大量研究對動態共乘的司乘匹配和路徑規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,也是共乘系統需要考慮的重點[3],關于這方面的研究目前還較為缺乏。部分學者從理論視角闡述了共享乘車服務中存在的各種安全問題。從共乘服務使用者層面看,共乘服務駕駛員的技術水平和職業素養稂莠不齊,服務安全質量難以保證,投訴機制存在滯后性和維權困難等問題,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平臺的持續性使用體驗。從共乘服務提供者的角度看,共享乘車行業從業人員勞動保障機制不健全,社保、養老保險等問題尚未有明確的法律條文規定[14]。從政府監管層面而言,大量私家車涌入共享乘車市場,產生許多監管模糊和規則真空的灰色地帶[15],法律和規章的修訂難以跟上行業發展的步伐,存在一定的滯后性,難以在短期內落實執行[16]。共享乘車行業存在的諸多安全問題也引起了學者的廣泛關注[17]。

根據對英國和美國消費者的跨大西洋調查,安全問題是共享乘車模式的主要瓶頸[18],一些大型共乘服務提供商如Uber等在數個國家面臨安全問題的禁令[19]。共享乘車的商業模式不可避免地引起用戶對安全、隱私及合法訪問的擔憂。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提供商或服務使用者帶來潛在威脅至關重要,更高的安全效益將是參與者持續使用共乘服務的根本動力[20]。左文明等[21]針對網約車服務存在的駕駛員素質不佳、信息泄露、拼車不安全等問題,應用中介物和外部性能等創新原理,從乘客評價服務、用戶反饋信息歸類、駕駛員信息管理與關系維護等環節改進滴滴出行的服務藍圖,提出網約車的服務創新方案。Yang等[20]將共享經濟服務中驅動顧客忠誠的關系利益劃分為社會效益、經濟效益和安全效益,以評估這些關系利益在影響顧客忠誠方面的相對優勢,研究結果表明,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問題。Chaudhry等[23]重點研究了共享服務中的乘客安全問題,并給出諸如引入強制行車記錄儀、設置求救警報、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的安全影響機制提供了很好的指導和依據,但這些理論性研究大多數處于定性分析影響用戶使用共乘服務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管將如何影響整個市場。鑒于此,本文從共享乘車服務安全的角度出發,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,并根據仿真結果給出具體的研究結論和建議。

1 考慮安全水平的動態共乘多智能體建模

在基于Agent的多智能體建模中,宏觀系統中的主體被建模成具有適應性和自主性的智能體,宏觀行為不是預設的,而是來自個體的微觀決策。通過對宏觀系統中的個體及個體行為的抽離,建立個體行為規則和演化機制,從而實現對現實系統的演繹。多智能體仿真技術可以反映群體行為下個體狀態的變化策略,已有不少學者將多智能體仿真技術應用于交通出行領域的理論研究[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,根據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,司機能夠到達乘客所在的出發地,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表示固定區域內在時間窗口[timei,timej]被成功分配的乘客乘車請求;nreq表示該區域內在時間窗口[timei,timej]中所有的乘客請求。匹配成功率表示在該區域內,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的比例,即ratiosuc=nsuc/nreq。

動態共乘中乘客請求的匹配效果是大數據背景下共乘能否可持續發展的重要因素,如乘客的請求不能被有效匹配,會導致用戶體驗下降,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。實時動態共乘可以近似看成貪心匹配問題,乘客的行程需求被發出后,要求在一定的等待時間內得到服務響應。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,之前的最優匹配安排在之后的時刻可能并不是最優的。然而,對實時的請求處理,這種方法從技術角度看更容易實現,也能夠被乘客和司機所接受。因此,對動態共乘的匹配將被處理為某一時間點所能達到的最優匹配。

1.2 司乘匹配模型設計

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,即連續觀點相對協議模型[27-28]。根據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更新規則為:

這里的μ是一個收斂參數,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,越能產生影響。

1.2.2 政策導向的影響模型 建立安全穩定、競爭有序的共享乘車市場體系,需要發揮政府管制的作用,政府要著力解決市場體系不完善、監管不到位等問題,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、規章制度等政策信息,宣傳政策導向。這些代表政府導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行,其執行效果不是一蹴而就,而是在長期宣傳和倡導中逐漸被大眾所接受。為了反映政府導向信息的影響過程,參考Martins等[30]對大眾傳媒模型的設置,設置政府政策導向變量為government,滿足government∈[0,1],智能體agenti受政策導向影響的過程如下式所示。在政策執行時間為D的范圍內,執行下式,表明政策導向的持續作用時間,

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]。這里體現了乘客agent并非看到安全導向的政策宣傳文件或活動時都會發生觀點和行為的調整。

式(3)表明,政府主體也具有安全信任值government,隨著政策導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生相應改變。

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生正向影響。安全問題是共享乘車服務最基本的要求之一,也是共享乘車行業發展過程中最常被用戶詬病的問題。作為國內共享乘車行業的代表企業,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、緊急聯系人以及行程錄音等基礎性安全功能要求,司機資質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呈正相關關系,同時也存在邊際效應遞減的規律。

1.2.4 安全事件的影響模型 安全是共享乘車監管最重要的維度,突發安全事件是衡量共享乘車安全監管狀況的重要指標。以滴滴出行為代表的共享乘車平臺,在2018年3個月內發生了兩起惡性安全事件,引起了社會輿論的廣泛關注,公眾對共享乘車的安全風險感知增強,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,滴滴公司下架順風車業務,進行內部安全整改;交通運輸部、公安部、中央網信辦等多部門也組成專項工作調查組,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管,但公眾是否能重拾對共享乘車服務的信任還未可知。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演化過程,引入了基于“情景-應對”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管的重要主體,面對不同程度的安全事件時,可以選擇監管與不監管兩種策略。對于危害性不高、影響范圍窄的安全事件,如果政府采取監管策略,則可以有效提升共乘服務的安全質量,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。如果政府采取不監管策略,則存在安全事件進一步發酵擴散的風險,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。如果政府采取不監管策略,則乘客對共享乘車服務的安全風險感知將大大增強,即乘客收益為-Ch。據此,得到乘客個體在不同安全事件情景下關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,主觀上具有安全監管動機。如果市場中存在較多機會主義以及資質較差的用戶,則市場規模必然會受到影響。另一方面,如果平臺安全投入過多,可能導致平臺盈利能力受限,同樣影響平臺經營和發展。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,可能會導致司機出現監管松懈,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督和監管激勵的情況下,司機安全水平受到嚴重影響,記司機收益為-K。據此,得到司機個體在不同安全事件情景下關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

以乘客的策略學習為例,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。司機的策略學習步驟同理。

(1)初始設置。初始的乘客agent占agent總數的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;政府采取無監管策略的概率為q,采取監管策略的概率為1-q。群體中所有個體都隨機分布在仿真區域內。

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

(3)策略學習。隨機在鄰居節點中選擇一個作為策略學習對象。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習模仿。據此,乘客個體策略更新規則為[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,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習。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}。根據初始化參數表3設置相應參數。

步驟2設置系統時間T(天),執行步驟3,計算單位系統時間內的司乘匹配率。

步驟3設置單位T內的模擬次數Iterations(min),循環執行步驟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內的模擬次數Iterations推進一個單位,根據乘客安全信任演化模型更新乘客屬性。

步驟8系統時間T推進一個單位,在不同仿真情景下根據政府管制影響模型、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當達到最大系統時間T時模擬結束。

2 仿真與結果分析

2.1 參數設置

本文選取覆蓋北京市區的真實軌跡Geolife數據集[32]對上述設計的司乘匹配模型進行參數設置,使仿真過程更加貼近現實設定。Geolife數據集出自微軟研究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數據集進行預處理,刪除文件中的說明性信息,提取出每條軌跡信息的出發時間、到達時間、出發地點(經度、維度)以及到達地點(經度、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。考慮到數據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域清晰度,將仿真區域設置為1 300×1 300,單位距離為100 m;設置司機平均駕駛速度為400 m/min。其他參數的默認設置見表1。

仿真實驗通過不同的參數設置表達不同的情景,例如政策導向模式、平臺安全投入模式,其余參數的缺省設置參照表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。

表3 默認的參數設置

2.2 政策導向對司乘匹配的影響

在共享乘車平臺的發展過程中,政府部門必須積極引導行業規范性,督促共享乘車平臺完善行業從業人員準入、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向措施來引導平臺發展,嚴厲的監管手段和法律法規能增強用戶對共乘服務的安全信任,降低對共乘服務的安全擔憂。

首先分析政策導向宣傳密集度D對司乘匹配的影響。政府出臺某項政策導向舉措,往往只會在某時間段內密集宣傳,舉辦與該政策導向有關的活動或會議等。設置系統時間T=10時,政策導向宣傳開始發揮作用;設置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,在不同的政策導向宣傳周期下,司乘匹配率呈現出一定的區別:司乘匹配率在系統時間T=10后均出現明顯上升趨勢,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整自身觀點。隨著政策宣傳的持續和相關措施的落實,乘客逐漸被政策導向信息影響,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的候選司機,司乘匹配率得到提升。而當安全監管政策已經深入人心后,乘客對共乘服務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,政策導向宣傳存在一定的衰減效應。政府應該把控好共享乘車平臺管制的時機和節奏,跟進市場發展動態,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致政府監管資源的浪費。

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

圖3 政策導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管措施之后,對于共享乘車平臺的安全發展態勢非常有信心,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,對用戶的引導效果有限;government=0.6,則說明政府發布的政策導向信息對共享乘車的安全管理現狀較為消極,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關系,這也印證了政策導向信息在共享乘車平臺發展的重要作用。

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態,政府的監管手段和法律法規也難以適應新生事物的發展。共享乘車平臺作為服務提供方,具有更及時、更豐富的信息來源,對服務的安全弊端和缺陷也具有更加深刻的認識,由平臺主導的安全監管措施能夠更直接有效地提升共乘服務的安全質量。在平臺的安全投入中,司機資質審查和司機安全培訓計劃是平臺關注的重點方面[33],將對司機整體的安全水平產生積極效果。

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,隨后才表現出較為顯著的差異。這意味著平臺的安全監管是一個需要持續性投入的過程,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別。這說明,與政府政策導向相似,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]的研究結果也表明,發生安全事故的司機往往對內知覺的敏感性較低,即駕駛員對外部環境存在極度依賴性,并且內在控制能力較弱。因此,平臺可以對司機的心理素質進行考核,重點關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和監管,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,也成為政府和共享乘車平臺共同面臨的重要挑戰。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生概率對司乘匹配的影響。分別設置不同的p參數值,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。仿真結果如圖6所示。

圖6 不同高危安全事件發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同監管下,頻發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安全事件情景下的結果。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防與控制對共享乘車行業的重要意義。

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的監管模式(q=0.1,s=0.9;q=0.9,s=0.1)以及雙重監管模式(q=0.1,s=0.1)下司乘匹配率的變化情況,仿真結果如圖7所示。

圖7 政府和平臺單方面主導的監管模式以及雙重監管模式下的司乘匹配率

由圖7可以看出,當安全監管完全由平臺主導,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的監管模式和政府-平臺雙重監管模式。這意味著共享乘車服務供需雙方在安全需求上的隔閡,也體現出平臺單一監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揮監管作用存在3點局限:①平臺企業實施監管缺乏有效地監督,可能會存在監管松懈的情況;②平臺企業作為市場規則的制定者,也會為了短期利益而產生內部腐敗的情況;③平臺企業難以改變自身作為企業的屬性,因此并沒有執法權,對于違法行為的監管具有一定的局限性。相反,政府主導的監管模式相對于平臺主導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可以合法進行監管,并且可以克服平臺單一監管帶來的弊端。對于平臺監管松懈和內部腐敗問題,政府可以依法向平臺企業施加連帶懲罰,克服企業主觀監管動機不純的問題。同時,政府的政策宣傳也能對乘客信心回升產生積極的引導作用。特別地,政府和共享乘車平臺的雙重監管模式對司乘匹配率的提升最為有效。這種模式能充分發揮共乘平臺的監管積極性,在市場監管上與政府相互配合,取長補短。政府實施事前的準入監管,平臺通過大數據手段進行事中的行為監督,對于事后的糾紛則可由平臺和政府共同解決。這種監管模式要求政府建立靈活的監管機制,同時放權給平臺企業,推動共享乘車行業自律監督,更好地發揮協作作用,從而最大限度地提升安全監管效率,保障司乘安全需求。

3 結論

本文研究了安全視角下司乘匹配成功率如何隨時間動態演化的過程。與傳統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生安全因素,同時也考慮了政策導向、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。綜合仿真結果可以得出如下結論:

(1)政府主導的監管模式相對于平臺主導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亂象具有積極效用,同時也應該主動放權,加強平臺企業的事中監管力度,發揮政府-平臺雙重監管模式的優勢。

(2)政策導向的宣傳作用存在一定的衰減效應。政府要把控好共享乘車平臺管制的時機和節奏,跟進市場發展動態,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致政府監管資源的浪費。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考核與培訓時,應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,也更容易在受監管的情況下規范自身行為,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管的情況下,高發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,對政策導向的建模只考慮了政策導向宣傳密集度和政策導向信息強度兩個維度,現實的政策導向可能更復雜,未來可以考慮用更多變量來更加客觀地表達政策導向。