邵源 陈澍 江捷
【摘要】科学评估网约车交通运行特征是开展出租汽车行业改革和网约车规范管理工作的基础。借助“双维度”的网约车出行特征大数据评估方法，融合网约车车牌数据、车牌识别数据、出租汽车（含网约车）营运数据等多源数据以及出租汽车出行特征SP调查结果，评估网约车市场规模、司机全职兼职比例以及时空运行特征，分析网约车对传统巡游出租汽车、常规公交、轨道运行和营运的影响。在网约车行业发展的关键阶段，为政府部门客观认识网约车行业发展规律、制定相关管理政策提供决策参考。 【关键词】网约车；出行特征；大数据分析；政策评估
铣床主轴1引言
国内网约车的发展大致经历了三个阶段[1]，一是2013-2014年的互联网+出租汽车阶段，平台通过大规模补贴等手段持续进行市场推广，培育乘客通过智能手机APP召车的习惯。二是2014年下半年开始的差异化发展阶段，互联网平台陆续推出优于传统巡游车的“专车”服务，价格也相对较高。三是爆发式增长阶段，2015年5月快车服务模式上线，社会私家车等非营运车辆（非专业驾驶员、无营运资质车辆）挂靠平台的门槛大幅降低，网约车呈爆发式增长。截至2016年7月，深圳各大网约车平台订单量是2015年4月的20倍以上。 2016年7月，国家层面出台《关于深化改革推进出租汽车行业健康发展的指导意见》、《网络预约出租汽车经营服务管理暂行办法》、《交通运输部关于修改<；出租汽车经营服务管理规定>的决定》等文件，为出租汽车行业改革和网约车规范管理指明方向。同年10月，各地政府相继出台本地网约车管理细则，再次引发社会各界的热烈讨论[2]。目前，网约车的讨论和研究大多基于定性分析的层面，由于网约车平台运营数据不开放，难以掌握网约车车辆运行和乘客使用特征等相关数据，缺乏政策实施效果的预评估方法，政策制定存在一定风险[3][4]。本文以深圳为例，通过运用车牌识别数据分析与SP调查相结合的“双维度”分析方法，从宏观运行和微观意愿两个尺度，量化分析网约车车辆运行和乘客出行特征，评估政策影响，为政策出台提供决策支持的同时，也结合数据分析提出相关思考。
2“双维度”的网约车出行特征大数据评估方法
2.1宏观运行大数据分析与微观意愿调查的联合分析
本文从网约车辆整体运行和市民对网约车的微观使用意愿两个维度展开分析。在网约车整体运行特征分方面，主要基于网约车牌照与车牌识别数据的匹配，通过车辆使用特征的聚类分析，深入分析现状网约车的构成情况，以及车辆的使用强度和时空分布特征。在市民对网约车使用方面，主要通过SP调查了解用户使用网约车的特征和意愿，分析网约车对传统出行的替代作用和存在问题。并利用出租、公交、地铁的营运数据对此前分析进行校核和印证，形成比较完整的证据链。
图1 技术路线图
2.2基于车牌识别的网约车宏观运行分析
氧化锡
数据说明：本文使用了2016年4月份工作日深圳市车牌识别数据作为分析基础，数据内容主要包括车牌号、监测点ID、车道号、通过时间、车牌类型等信息，车牌识别系统约560个检测断面覆盖全市主要干道。牌照信息等涉及个人隐私的数据进行了脱敏处理。网约车车牌数据涵盖深圳现有4家主流网约车平台，数据内容主要包括和所属平台信息，其中采用了与车牌识别相同的脱敏处理，并剔除约30%的在两个或以上平台重复注册的车辆。
数据匹配与清洗。车牌识别系统受天气、设备故障、系统误差等因素影响，匹配得到的网约车辆的车牌识别数据会出现极大值等明显错误，这些错误数据将影响下一步的建模分析和对网约车运行特征的描述。本文以车辆每小时被检测到次数的标准差和均值作为反映数据变异程度的大小的指标，将超出4分位区间之外的数据作为异常数据剔除[5]。
网约车聚类分析。考虑到数据的完整性、集中度、是否与其他变量强相关（甚至有因果
关系）等因素，本文选取了车辆日均被车牌识别系统识别总次数（N D），高峰小时车辆被识别次数占全天的比例（H H），夜间（20:00-24:00）车辆被识别次数占全天的比例（H N），24小时车辆被检测次数的标准差（S24）4个变量作为聚类的特征指标。
网约车运行特征分析。聚类分析的目的除了掌握各类型车辆规模之外，还包括对车辆活动特征的集计，了解各分类内部的车辆在使用强度和时空分布等方面的活动共性。在此基础上，将网约车的运行
特征与传统巡游出租汽车、私人小汽车对比，对不同聚类专职、兼职和非活跃车辆属性进行进一步描述。
耐高温防爆玻璃2.3基于SP调查的个体微观出行意愿分析
调查方法。本文选择了深圳罗湖、福田、南山、盐田、宝安、龙华、布吉具有代表性的商办和居住社区，对象包括上班族、社区居民和外出娱乐的市民。调查采取人工询问的调查的方法，发放问卷2000份，回收有效问卷1912份。
调查内容。调查内容包括三类，一是市民基本信息，包括性别、收入、拥车情况等；二是市民打车习惯，包括候车时间、打车方式、打车类型、出行目的等；三是市民打车意愿，包括网约车对其他方式替代作用、网约车存在问题和优势等。
3深圳网约车运行特征评估
3.1车辆的分类
通过k-means聚类分析，深圳现状网约车可分为三类，分别占总规模的比例约为4%、55%、41%。聚类1车辆日均被车牌识别系统识别次数（N D）显著高于其他两类车型，本文将其定义为专职网约车，即全天从事营运的网约车。聚类2车辆的日均被检测次数明显低于聚类3，夜间8点-24点聚类2车辆的
活动强度也明显低于聚类3。因此，本文将聚类2定义为非活跃网约车，即仅在上下班期间顺路带客，或仅在平台注册但基本不从事营运的网约车；将聚类3定义为兼职网约车，即利用下班后的业余时间从事营运的网约车。
表1 聚类结果统计
类别 比例 N D H H H N S24
聚类 1 4% 26.89 0.17 0.19 4.85
2 55% 2.45 0.25 0.05 0.97
3 41% 6.58 0.25 0.31 1.91
通过聚类结果可以看出，以“快车”为代表的网约车服务在2015年入市之后，低门槛、高补贴经营方式吸引了大量私家车辆进入出租汽车行业，但其中大部分以兼职和非活跃的形式存在。深圳专职从事营运的车辆占网约车总数的比例较低，但其绝对规模已经与深圳市传统出租汽车相近。
3.2车辆出现时段分布
本文随机抽取1万辆深圳红巡游出租汽车的车牌进行车牌识别匹配分析，相较于聚类1车辆，传统巡游出租汽车两班倒的经营方式使得夜间的低谷不及网约车明显，同时受车辆交班和晚高峰影响，晚上19点前后出租汽车运行强度较低。聚类1具有接近营运车辆的特征，全天的第一个低谷出现在凌晨4-5点，这主要是由于网约车多数为单班经营，夜间大部分网约车处于休息时间，第二个低谷出现在下午13-14点，部分车辆可能因午休停运。
图2 深圳红出租汽车与聚类1车辆24小时被检次数分布对比 聚类2和聚类3的车辆出行高峰与交通运行早晚高峰重合，出现在早8点和晚18点左右，一方面由于非活跃和兼职网约车主本身往往存在通勤
需求，另一方面大量的兼职车辆在早晚高峰期常态化接客，已经超出了“共享交通”的范畴，成为高峰期的出租汽车。但与聚类2不同的是，聚类3的晚高峰一直延续到夜间23点左右，表明有部分车主利用下班以后的业余时间从事网约车营运。
图3 聚类2和聚类3车辆的24小时出现时间分布对比
3.3不同平台车辆运行特征
根据笔者对深圳当前网约车市场的观察调研了解，结合此次研究中各平台车辆运行相关指标的统计分
析，市场主流网约车平台大致分为两种经营模式。一类以专车为主营方向，主打高端车辆+职业司机的高品质服务。平台A属于这一类模式，超过64%的车辆属于聚类1（专职网约车），平台车辆日均被检测到24.7次，与聚类1（专职网约车）的日均被检测10种打隐私的方法
26.89次的结果基本吻合。
选金工艺
另一种则以快车为主营方向，平台通过较低的准入门槛吸引大量社会车辆挂靠，但其中绝大多数并不是专职从事网约车服务。B、C、D平台属于该类模式，超过90%以上的车辆属于聚类2（非活跃用户）和聚类3（兼职用户），平台车辆日均被检次数少于10次，其中C 和D两家平台工作日日均被检测到的车辆最少，分别为3.6次和5次。
4基于调查和营运数据的出行结构影响分析
4.1互联网打车平台改变了乘客的打车习惯
根据本次调查，滴滴、优步等打车软件的出现，逐步改变了市民的招车习惯，APP叫车已经取代路边招手成为市民最常用的打车方式。根据本次调查，约有70%的受访用户使用过打车软件叫车。在市民乘坐的网约车类型中，快车占有绝对优势，占比66%，专车占比21%，顺风车仅占13%。
图5 乘客选择网约车的原因
图4 出租汽车乘客乘坐网约车类
型
4.2网约车优势在于使用方便和价格优惠
傅科摆图片叫车方便、价格优惠和支付便捷是用户选择网约车的主要原因，占比分别达到73%、69%和46%。一方面，互联网平台通过多轮价格补贴，形成了相对传统巡游车的价格优势，同时补充了出租汽车市场运力，缓解了“打车难”问题。另一方面，网约车以其相对常规公交更加舒适的乘车环境吸引了大量乘客转向乘坐网约车。
4.3网约车对常规公交和传统巡游车的替代作用明显
调查结果显示，非拥车者普遍认为网约车出现后大大替代了其原有的常规公交和出租汽车出行。其中，约有88%的被调查者认为网约车替代了其公共交通出行（其中常规公交64%、地铁36%，本项为多选，下同），其次是出租汽车占41%，第三是慢行交通占18%。对于拥车者，网约车对公交和出租的分流作用同样十分明显，而对私家车的替代作用有限。约有50%的拥车者认为网约车一定程度上替代了其公共交通出行（其中常规公交40%、地铁21%），对
