考慮用戶偏好的獎勵機制下共享單車分流停車引導策略研究

彭芃，賈順平

(北京交通大學 交通運輸學院，北京100044)

近年來，作為解決“最后一公里”的主要交通工具，共享單車為人們出行提供了便利。隨著使用人數的增加，大量的共享單車投入運營，共享單車亂停亂放、擠占公共道路資源等問題突出。共享單車的亂停亂放嚴重影響市容市貌，其占用非機動車道及人行道停放對慢行交通環境產生較大影響。部分共享單車甚至占用機動車停放，對機動車行駛安全造成威脅的同時影響通行速度，易造成交通擁堵。

國內外關于共享單車的研究多集中在共享單車需求預測、停車點規劃和調度管理方面，針對引導機制的研究較少。王玉全等[1]應用隨機效用理論，建立基于交通方式選擇的共享單車需求預測(Logit)模型，以北京市共享單車停車需求預測為目標，根據未來年交通出行量進行共享單車停車需求預測。王凌蘇[2]針對共享單車停車需求進行短時預測，提出了GCN-LSTM(graph convolutional network-long short term network)模型，并建立上層以企業成本最小為目標、下層以用戶滿意度最高為目標的雙層規劃模型，求得共享單車停放點的最優選址方案和停放數量。徐長興等[3]在因果分析的基礎上提出共享單車需求量預測的組合模型。

在選址方案、停車空間等硬件措施固定的情況下，如何在考慮用戶選擇的基礎上進行停車需求分流和引導機制的建立就顯得尤為重要。王瑜瓊等[4]基于獲得效用理論，建立獎勵和懲罰兩種機制下的停車選擇的混合策略博弈模型。李曉津等[5]從博弈論的視角研究共享單車亂停亂放問題的治理措施，提出共享單車企業要通過一些手段引導用戶停車。目前，一些地區正逐步實施電子圍欄來對用戶的停車行為進行約束，但是顧麗梅等[6]研究發現，目前共享單車服務的各類管理機制中，最能發揮積極作用的還是物質激勵和規范感召。Febbraro等[7]和Angelopoulos等[8]也提出給用戶用車費用折扣可以有效引導用戶停車并提高共享單車企業收益。

目前有關共享單車停車問題的研究主要集中在需求預測、停放點選址、獎懲機制等方面，但大多數的研究都僅停留在理論層面，很少考慮實際條件下共享單車可用停車空間有限且分散，以及用戶對于獎懲機制下規范停車引導策略的接受程度。因此，本文以周邊人員活動密集、共享單車停車需求大但可用停車空間較為分散的典型共享單車停車問題突出地點為背景，研究用戶接受度較高的共享單車分流停車引導策略。通過問卷調查探究能夠有效引導停車行為的影響因素[9]并建立二項Logit模型研究其影響規律，在此基礎上制定引導用戶分流停車的獎勵措施；結合實際分流停車點的停車容量及可用的推薦分流停車點可容納的共享單車數量，以分流停車點的停車容量為約束，考慮企業成本最小與分散問題點停車需求最優為目標構建分流停車引導模型，使用NSGA-Ⅱ算法，調用gamultiobj函數對模型進行求解。

1 問題描述

以圖1為例，當共享單車用戶的出行目的地集中在D點時，該區域會存在大量共享單車停車需求，大多數共享單車用戶的選擇為停車最為便捷的A點，從而導致其成為秩序混亂、停車空間不足的停車問題點。為分散最佳停車點A的停車需求，共享單車企業在最佳停車點附近規劃了B1、B2和B3三個分流停車點，其中B1距離最佳停車點需走行d1且需要過馬路，B2距離最佳停車點需走行d2無需過馬路，B3距離最佳停車點需走行d1+d3且需過馬路。

用戶的一次共享單車出行在即將到達目的地時，通過手機APP查看附近的停車點，共享單車企業通過APP向部分用戶推薦分流停車點停車，并通過一定的獎勵措施引導激勵用戶選擇推薦分流停車，此時用戶有兩種選擇：①不接受APP推薦，將共享單車停在最為便捷的停車點，即最佳停車點；②接受APP推薦，將共享單車停在規劃的分流停車點，獲得APP提供的獎勵。

基于用戶選擇制定合理的獎勵措施，共享單車企業可通過APP對最佳停車點的停車用戶進行分流停車推薦，即將多少比例的最佳停車點停車需求分流到哪個規劃的分流停車點。

2 數據收集與獎勵機制及引導策略建立

2.1 共享單車用戶停車選擇預調查

首先進行共享單車用戶停車選擇影響因素的預調查，根據相關文獻資料[9-10]，預調查問卷主要針對共享單車用戶的停車現狀、停車選擇偏好、停車影響因素和規范停車措施偏好。通過對預調查問卷數據的統計分析，可以對影響因素有初步的了解[11]。預調查問卷通過網絡發放，收集到有效問卷283份，得到共享單車停車選擇偏好如圖2所示。根據預調查結果，絕大多數共享單車用戶遇到過停車問題，遇到停車問題后多數用戶會選擇前往APP推薦的停車點進行停車。對于規范共享單車停車，目前共享單車企業多使用懲罰措施，但用戶普遍更認可通過獎勵進行規范。影響用戶停車選擇的因素如圖3所示，其中推薦停車點與原停車點距離、是否趕時間、是否順路、是否需要過馬路為主要影響因素。

圖2 共享單車用戶停車偏好預調查結果Fig.2 Survey results showing the parking preference of bicycle-sharing users

圖3 共享單車用戶停車選擇影響因素Fig.3 Factors influencing the parking choices of bicycle-sharing users

2.2 共享單車用戶停車選擇SP調查

本次研究采用SP(stated preference)調查[12]，用來獲取共享單車用戶停車偏好數據[9,13]。問卷中被調查者停車方式的選擇為“接受推薦，進行分流停車”和“不接受推薦，就地停車”兩種方式。根據預調查的結果，排除不可控因素(如天氣、是否趕時間等)，將影響因素設置為距離推薦分流停車點步行距離、是否順路、是否需要過馬路以及本文研究的獎勵機制。各影響因素設置如下：

(1)原停車點至推薦分流停車點之間的距離：根據預調查的結果，多數用戶可接受400 m之內的步行停車距離，超過400 m后用戶使用推薦停車點的意愿弱，結合實際情況分流停車點與問題停車點之間的距離多數為100 m以上，故設置100、200 和400 m等3個水平；

(2)推薦分流停車點是否與用戶來路同方向：包含是和否兩個水平，是一個啞元變量；

(3)前往推薦分流停車點是否需要過馬路：包含是和否兩個水平，是一個啞元變量；

(4)獎勵機制中的貨幣獎勵：目前已有的共享單車企業設置的共享單車起步使用費用為1.5元，考慮到實際可操作性將最大獎勵金額設置為起步價，故設置0.5、1.0和1.5元3個水平。

停車方式選擇、影響因素屬性和屬性水平定義情況如表1所示。

表1 不同停車方式的影響因素及其水平設置

在此水平設定下，全面設計會得到36種停車情景，規模過大會造成被調查者判斷次數過多產生疲勞和厭倦情緒[13]，因此使用SPSS軟件進行正交設計，形成了9種組合方案。本次調查的正交設計方案如表2所示。 此次問卷調查累計參與用戶252人，共計選擇2 268次，樣本量為2 268。

表2 正交設計方案

2.3 獎勵機制建立

2.3.1 二項Logit模型

離散選擇模型(discrete choice model)是常用的解釋選擇行為的模型，在此采用其中基本的二項Logit模型(binary logit，BL)[14]來解釋受訪者的推薦分流停車點選擇結果，分析各因素對于用戶進行分流停車選擇的影響程度[15-16]。

用戶在面對停車點已滿的情況時，只有選擇“接受推薦，進行分流停車“或“不接受推薦，就地停車”，故選用BL模型進行分析，選擇“接受推薦，進行分流停車”的效用函數，其模型公式(1)為：

(1)

根據效用最大化原則得到共享單車用戶選擇“接受推薦，進行分流停車”的概率，其模型公式(2)為：

(2)

式中：xi(i=1,2,…,4)表示影響共享單車用戶停車選擇的第i個因素，1～4分別對應表1的4個要素；βi(i=0,1,…,4)為待估計參數，代表各自變量對于用戶是否接受推薦停車點的影響程度。

2.3.2 模型求解與分析

用于此次參數估計的樣本量為2 268，用Nlogit 4.0軟件進行模型擬合[17]，得到“接受推薦，進行分流停車”的效用函數(3)為：

V1=-0.002 45x1+0.453 55x2-0.147 47x3+1.209 36x4。

(3)

該擬合模型對數似然數為1 443.663，具體參數如表3所示，模型擬合優度通過計算為0.08。模型擬合優度一般，這也說明用戶的停車偏好多樣性較高，符合常理；所有變量均達到很高的統計顯著度，說明模型可解釋部分的可信度高；β1、β3為負，說明x1、x3是用戶接受推薦停車點的阻力；β2、β4為正，說明x2、x4會促使用戶接受推薦停車點，符合常理。

表3 BL模型參數值

表3中系數估計值一欄為各變量對于用戶的接受度的影響程度，根據表3中各變量系數估計值的關系推導出如下獎勵機制：

(1)若推薦停車點與用戶來路不順路，則獎勵用戶0.37元現金的貨幣獎勵；

(2)若推薦停車點需要用戶過馬路，則獎勵用戶0.12元現金的貨幣獎勵；

(3)若前往推薦停車點需要用戶步行，每步行100 m則獎勵用戶0.2元現金的貨幣獎勵。

2.4 分流停車引導策略模型

構建模型時需考慮激勵分流停車時企業成本和分流需求，即以滿足共享單車分流停車需求為約束，更低的激勵成本為目標。首先構建目標函數，為達到分流停車的目標，企業要制定激勵措施，而激勵措施為企業成本，要使企業成本最小；實際分流出的停車量要盡量滿足將過剩需求全部轉移。結合實際情況，模型需要考慮如下約束：分流到各分流停車點的停車輛小于該點的停車容量；從一個最佳停車點分流到不同分流點的比例總和不超過1。結合目標函數和約束條件，建立如下數學模型。

(4)

(5)

(6)

(7)

αab≥0

，

(8)

式中：a為最佳停車點，{a∈A,a=1,2,…}；Qa為最佳停車點a現停車需求；Ta為最佳停車點a過剩的停車需求；b為分流停車點，{b∈B,b=1,2,…}；Vb為分流停車點b的停車容量，該停車容量為該分流點可接受的進行分流停車的共享單車停車量，實際應用中已考慮分流停車點中已有的車輛數；pab為向最佳停車點a推薦前往分流點b進行分流停車時，該建議被接受的可能性；Rab為鼓勵用戶從最佳停車點a前往分流點b進行分流停車，共享單車企業付出的成本；αab為共享單車APP向最佳停車點a推薦前往分流點b進行停車的用戶占最佳停車點a停車現停車需求的比例。其中，αab為決策變量；式(4)、式(5)為目標函數，表示企業成本最小和轉移過剩需求最大；式(6)確保分流到各分流停車點的停車輛小于該點的停車容量；式(7)表示最佳停車點a推薦至各分流點的總和不能超過該最佳停車點本身的需求；式(8)為變量的非負約束。

3 實例分析

3.1 案例場景

案例選取北京市海淀區西三旗永泰莊地鐵站進行分析。通過實地調查發現永泰莊地鐵站A口和永泰莊地鐵站C口附近為用戶選擇較多的最佳停車點，共享單車停車問題嚴重，另外通過對周圍空間的調研，規劃3個分流停車點。調研得到早高峰最佳停車點A1、A2的現停車需求，需轉移停車數，各分流停車點B1、B2、B3的容量及其與最佳停車點的位置關系如圖6所示。其中B1點距A1點122.5 m，距A2點137.5 m；B2距A1點69 m，距A2點84 m；B3距A1點27 m，距A2點12 m。

圖4 永泰莊地鐵站停車最佳停車點及規劃分流停車點Fig.4 Optimal and planned diversion parking spots at Yongtaizhuang subway station

3.2 應用結果

本文采用早高峰現場調研數據，平均分配用戶來向，使用 NSGA-II 算法，調用Matlab中gamultiobj求解器對上述模型求解后，根據實際情況選擇最優解，得到永泰莊地鐵站共享單車分流停車引導策略如表4所示，策略主要指標統計如表5所示。

表4 永泰莊地鐵站共享單車分流停車引導策略

表5 引導策略主要指標

從表4～5中可以看出，對于最佳停車點A1，共計向75.06%的用戶推薦前往分流點進行停車，對于最佳停車點A2，共計向75.03%的用戶推薦前往分流點進行停車，說明本文設置的三個停車分流點全部有效。由最佳停車點推薦至分流停車點的推薦比例符合實際情況，在推薦用戶中的接受程度均達到60%，策略具有一定的可操作性。引導策略預計工作日早高峰時段的企業成本為88.974 1元，單輛單車的最大獎勵為0.765元，單輛單車的最小獎勵為0.138元，成本控制較好。預計成功轉移58.33%的過量停車需求，從預計轉移車輛數可以看出該策略能夠一定程度上對最佳停車點的停車需求進行分流，可以較好地緩解該地區停車壓力，但不能完全滿足所需轉移需求，說明單靠運營企業的推薦和用戶自主選擇并不能完全解決共享單車停車問題，還需政府參與其中進行管理，符合常理。

3.3 政策建議

共享單車企業可結合應用結果進行相應的APP設計，在共享單車 APP 內，用戶可查看停車位置、站點容量、已被占用的車位等信息[18]，當用戶即將進行停車操作時，讓用戶提前進行目的地最佳停車點的選擇，根據用戶的來向結合引導策略對用戶進行停車建議，并提供相應的獎勵補償。

為緩解共享單車的停車壓力，在分散停車需求并制定相應措施引導用戶規范停車的基礎上，還應輔以“政府+共享單車運營企業+用戶”三位一體的聯合管理機制，政府要認識到共享單車的準公共產品的屬性，加大對城市共享單車的管理[19]。以西三旗永泰莊地鐵站為例，對于未能通過引導政策轉移的過剩停車需求，政府應敦促運營企業定時進行共享單車清理，將引導與管理相結合，從而達到更好的治理效果。

4 結論

本文在對共享單車用戶停車偏好調查數據分析的基礎上，得出用戶前往推薦停車點停車的效用函數，根據該函數制定了相應的獎勵措施以激勵用戶前往推薦停車點停車。該研究為共享單車企業激勵用戶規范停車提供方法支持，進而為共享單車的運營管理提供決策參考。在共享單車分流停車點規劃完成的前提下，基于制定的獎勵機制，以分流停車點的停車容量為約束，考慮企業成本最小與分散最佳停車點停車需求最優構建了數學模型，使用 NSGA-II 算法求解，得到了建議的引導策略，結果具有一定的實際意義。

本文的不足之處在于在制定引導策略時用戶來向僅考慮了四個方向且均勻分配，實際用戶來向會更復雜，值得進一步深入研究。