考虑安全因素对共享乘车行业影响机制的系统动力学仿真

张丽 侯立文

摘 要： 首先定性分析了共享乘车行业主体的反馈回路，然后考虑在平台安全质量等安全因素的影响下共享乘车行业各主体的因果循环关系，并在考虑政府监管的情况下利用系统动力学模型对共享乘车行业的演化进行了动态仿真，深入量化安全因素对共乘平台发展的影响机制。研究发现，政府管制对整治共享乘车行业乱象具有长远的积极效用;司机和乘客的自发协调监督机制有利于司机安全等级和乘客安全等级的长久维持，将成为有限政府监管资源和共享乘车行业自我监督的有效补充;共享乘车平台不同程度的安全投入转化会在不同的竞争时期为平台创造战略优势，平台可以根据自身发展需求适时调整平台的安全投入策略。

关键词： 安全因素;系统动力学;共享乘车

中圖分类号： F 57

文献标志码： A

The Impact of Safety Factors on the Ride-sharingIndustry Based on System Dynamics

ZHANG Li HOU Liwen

（Antai College of Economics & Management， Shanghai Jiao Tong University， Shanghai 200030， China）

Abstract： Firstly， the paper qualitatively analyzed the feedback loop of the entities of the sharing car industry， and then the causality among the entities of the ride-sharing industry is considered under the influence of security factors such as platform safety and quality. The evolution of the industry is dynamically simulated by using the system dynamics model under the consideration of government regulation， so as to further quantify the influence of safety factors on the development of the ride-sharing industry. The results indicate that the government regulation has a long-term positive effect on managing the chaos of the whole industry; the spontaneous supervision mechanism from drivers and passengers is conducive to the long-term maintenance of driver safety level and passenger safety level， which will be an effective supplement to the limited government regulation resources and self-supervision of the ride-sharing industry; the safety investment of the ride-sharing platform with varying degrees will create strategic advantages for the platform in different competition period， for which the platform can adjust its safety investment strategy based on its own development needs.

Key words： safety factors; system dynamics; ride-sharing

1 共享乘车主体及其安全因素分析

共享乘车主体可分为四类：共乘服务平台、司机、乘客和政府。共乘服务平台基于实时地理位置感知、海量数据处理等技术对乘客和司机进行实时匹配，为乘客的出行需求与司机的接单收益提供支持，并建立完善的制度体系对乘客和司机进行信息管理和关系维护。司机和乘客是交通出行过程的主要参与者，乘客通过共乘服务平台发布订单请求并支付一定的费用，匹配到行程一致的司机，司机在完成订单后也会获得相应的经济收益。此外，共享乘车行业的发展也离不开政府的管制，政府部门通过积极引导塑造共享乘车行业规范性，督促共享乘车平台完善行业从业人员准入、考核及管理制度，促进行业的良性健康发展。共享乘车主体的反馈回路如图1所示。

共享乘车服务的可持续发展需要有大量的司机与乘客参与，但共享乘车所带来的隐私和人身安全等担忧无疑会影响参与者对共乘服务的持续使用意愿，限制行业的进一步发展。

（1）乘客安全问题对共乘服务使用的影响。Chaudhry等的研究表明，在共享乘车服务中，人身安全已成为一个备受关注和争论的问题。是否存在遭受攻击、暴力、骚扰或攻击的可能已成为乘客决策的关键因素，任何对负面行为的预期都会直接影响乘客是否继续使用共乘服务。Yang等也指出安全的出行保障有助于降低客户的心理成本，由于不必担心服务提供商是否会给人身安全带来风险，也不必担心暴露在犯罪中，客户会感到放心并给出持续承诺。沈弼龙等也表明随着人机交互、社交网络、城市计算和上下文感知技术的发展，场景感知、用户肖像技术在带来精准智能服务的同时也带来了个人信息安全问题，如地址信息会直接表现出生活空间、兴趣地点等个人信息，而乘客在共乘时也会考虑个人隐私泄露的问题。如何在减少隐私泄露的同时保证服务提供的便捷性，成为共享乘车平台进行司乘匹配的重要挑战。

（2）司机安全问题对共乘服务使用的影响。在关于共享乘车的安全性研究方面，乘客的安全往往受到更多的关注，而极少有研究考虑司机的安全问题。作为共享乘车服务的直接提供方，司机的安全性也不容忽视。本研究对司机的安全性进行了调查，参与共乘服务的司机表达了对驾驶途中不同程度骚扰的恐惧，如性骚扰和身体攻击，尤其是女性司机忧虑更甚。参与调查的司机还表示，尽管共乘服务平台提供了一些功能来提高他们的安全性，比如位置跟踪和保留乘客信息等，但是由于缺乏工作支持和最低工资保障，平台仍然会对他们的安全性产生负面影响。此外，司机信息泄露也是共乘服务中出现比例较高的问题，信息泄露使得司机遭受骚扰甚至报复，严重影響其使用体验。

下面将通过分析安全问题对乘客主体和司机主体使用共乘服务的影响，深入量化安全因素对共乘平台发展的影响机制，为共享乘车行业的可持续良性发展提供理论支持。

2 共享乘车行业的系统动力学模型

2.1 仿真模型

系统动力学（system dynamics， SD）是系统科学理论与计算机仿真紧密结合、研究系统反馈结构和行为的一门科学。系统动力学认为，系统的行为模式和特性主要取决于其内部的结构。共享乘车行业本身就是一个复杂、多变的大系统，主体间的关系错综复杂，且表现出明显的非线性特征。将系统动力学模型用于共享乘车行业的仿真分析主要基于以下三点考虑。首先，系统动力学研究问题注重从因果机制出发，分析各因素之间构成的因果反馈环，这与共享乘车行业中比较复杂的相互影响因素和因果关系相适应。其次，共享乘车市场具有非线性的特点，而复杂的非线性高阶次时变系统往往表现出反直观的、千姿百态的动态特性，系统动力学模型可以作为共享乘车行业复杂大系统的“实验室”，较为准确地刻画系统演变的内在机制。最后，由于政府管制的存在，政策的执行会有时间的延迟，系统动力学模型引入了延迟机制，使得其与所描述的实际系统行为更为贴近。出于以上考虑，再结合共享乘车行业各主体的特性，逐一分析这些主体之间的因果关系。

（1）平台竞争的因果关系。平台竞争的因果关系主要是基于BASS扩散模型建立的。该模型假设新产品或服务使用者的增长是由群体外部信息源（广告或补贴）和群体内部信息源（口碑）所触发的，潜在的使用者和当前使用者之间会通过信息源的影响相互转化，并且潜在使用者可以看成是任何一个竞争平台的当前使用者。在本文的研究背景下，当前使用者指的是目标平台的现有乘客，潜在使用者指的是竞争平台的现有乘客。平台安全质量是目标平台与其他平台竞争关系的核心。一方面，平台安全质量越高，越能在用户群体内部形成正向口碑，从而促进其他平台的用户向目标平台的用户转化，且潜在采用者基数越大，现有乘客的数量也会越多。同时，来自用户群体外部的信息源刺激也会对潜在乘客的转化起到积极作用，尤其是在共享乘车服务推广初期，由于用户基数的限制，各大共享乘车平台纷纷采用发放补贴和广告的方式从外部刺激潜在用户，从而形成平台的初始司机和乘客群体。另一方面，平台安全质量的降低也会导致用户群体中负面口碑的产生。当前平台的乘客将在负面口碑的引导下放弃使用平台服务，转而成为竞争平台的使用者。竞争平台的乘客与当前平台的乘客在外部信息源和内部信息源的作用下不断互相转化，形成平台用户转化的正反馈循环。值得注意的是，从潜在乘客向现有乘客的转变用转化率来刻画，这里仅考虑正向转化率，即潜在乘客受到正向口碑以及广告和补贴的激励转化为平台的现有乘客;负向转化率，即现有乘客转化为潜在乘客的速率用丢弃率来刻画，即现有乘客受到负向口碑的影响转化为其他竞争平台的用户。将所有因果关系综合起来，如图2所示。

（2）乘客安全的因果关系。现有乘客数量成为连接平台竞争和乘客安全等级的重要变量。在正向口碑和补贴等因素的作用下，现有乘客数量不断递增，通过平台发布的订单数量随之增加的同时，司机针对乘客不良行为的投诉也会增加。针对乘客的投诉比例的上升将引起共乘服务平台的关注，从而加大其对乘客安全素质的管理，通过采取违规乘客黑名单、安装车内监控等措施对乘客不当行为进行防范，提高总体乘客的安全质量，即乘客安全等级。与此同时，针对乘客的投诉累积到一定程度，会导致平台的安全等级下降，于是政府开始加大管制力度，向共乘服务平台施加压力，从而促使平台在加强乘客的安全质量方面进一步进行整改，乘客安全等级得到提升。将所有因果关系综合起来，如图3所示。

（3）司机安全的因果关系。乘客数量也是连接平台竞争和司机安全等级的重要变量。订单数量伴随着乘客数增加而增长，带来了订单总收益的正效用，从而带动了司机数量的正向增长。但司机数量的增加也为司机质量管控带来了挑战，从而导致针对司机的投诉量的增加。针对司机的投诉比例的上升将引起共乘服务平台的关注，从而加大对司机安全素质的管理，形成司机安全等级控制的负反馈循环。与此同时，与乘客投诉量的影响相似，针对司机投诉量的上升也会导致平台安全等级的下降，从而引起政府管制的介入，共乘服务平台将对司机安全等级进行严格把控。在安全防范措施的管控下，司机安全等级得到进一步控制，从而引起乘客数量增长的正效用，由此便形成了司乘数量协同增长的正反馈循环。将所有因果关系综合起来，如图4所示。

上述因果回路图的正负号表示正向和反向影响效用，在因果关系的中间还绘制了反映回路正负向反馈的标识。本文几个最主要的变量之间的假设关系如下：

假设一：平台安全质量与乘客安全等级、司机安全等级成正向关系。乘客安全等级描述了司机和其他同行乘客对于使用共享乘车服务的乘客的安全信任程度，乘客安全等级越高则司机和其他同行乘客受到安全威胁的可能性越小，对乘客的安全质量更有信心。司机的安全等级与乘客安全等级类似，描述了乘客对于提供共享乘车服务的司机的安全信任程度，司机安全等级越高则意味着乘客在乘车途中受到司机安全威胁的可能性越小，乘客对司机的安全质量有更高的信心。

假设二：由口碑导致的潜在乘客与现有乘客的相互转化主要受平台安全质量的影响，其他额外因素的影响表现为司机数量、乘客数量和订单数量的增长。除平台安全质量提升带来的效用外，还存在正的随机项，在后文的变量标定部分有进一步说明。

假设三：司机安全等级的变化与政府管制的力度、平台针对司机的安全投入成正向关系。

假设四：乘客安全等级的变化与政府管制的力度、平台针对乘客的安全投入成正向关系。

假设五：政府对乘客安全等级和司机安全等级的管制存在延迟，并且与乘客安全等级的变化和司机安全等级的变化均成正相关关系。

上述三个因果回路图表明了不同的状态变量之间的因果循环关系，为后续状态方程的建立提供了指导。但因果回路图仍处于定性分析问题的阶段，还需要在因果回路图的基础上区分不同的变量，建立存量流量图，通过设置流率变量和存量变量以模拟反馈回路随时间变化的过程，明确变量之间的数学关系。考虑到模型的可操作性，在建立共享乘车行业的存量流量图时，选取了上述说明的主要因素，忽略了一些次要因素和难以量化的因素，并定义了四个存量变量：现有乘客、潜在乘客、乘客安全等级和司机安全等级。与之对应的有四个流率变量：转化率、丢弃率、乘客安全等级变化率和司机安全等级变化率。共享乘车行业的存量流量图如图5所示。

2.2 变量标定

为了对图5进行仿真实验，对上述水平变量和流率变量进行初始化标定。参照共享乘车行业内的相关公开数据如行业报告等，对变量的初始值进行设置。同时，考虑到一些变量如平均订单金额、每月订单数量等难以从公开报告中获取，本文还设置了调查问卷，尽量保证变量参数设置的真实性和准确性。由于问卷设计的题目数量较少、题目难度不高，本次调查采用线上问卷调查的方式。问卷发放从2019年11月19日开始，为期5天，共回收问卷313份，剔除没有使用过共享乘车服务的问卷和随意填写的无效问卷，最终得到问卷297份，有效率为94.9%。样本的描述性分析结果见表1。

对模型的数据关系作出如下定义（受篇幅所限，以下仅列出关键变量）：

a） 潜在乘客PotentialPassengers。共享乘车行业中未使用目标共乘服务平台的乘客数量，可以看成竞争平台的现有乘客。考虑到仿真模拟的计算量级，经过多次测试后将潜在乘客初始值设置为20000。潜在乘客数量随后根据丢弃率DiscardRate和转化率AdoptionRate的变动随时间不断变化，表现为丢弃率和转化率差值的积分，即

PotentialPassengers=INTEG（DiscardRate-AdoptionRate， 20000）（1）

b） 现有乘客CurrentPassengers。共享乘车行业中正在使用目标共乘服务平台的乘客数量。BASS模型认为，对于技术扩散过程，一定的初始群体基数是口碑采用的必要条件，因此设置现有乘客的初始值为1000，随后根据转化率AdoptionRate和丢弃率DiscardRate的变动随时间不断变化，表现为转化率和丢弃率差值的积分，即

CurrentPassengers=INTEG（AdoptionRate-DiscardRate， 1000）（2）

c） 丢弃率DiscardRate。目标共乘服务平台的现有乘客中放弃使用该平台的乘客数量，受到负向口碑NegativeWOM、负向口碑的影响比例λ1和现有乘客数量CurrentPassengers的正向影响。负向口碑越多，越会导致平台的现有乘客转移为竞争平台的用户。负向口碑的影响比例指的是乘客在接收到关于平台的负向口碑讯息之后，转而使用其他平台的可能性，根据问卷调查的结果，将负向口碑的影响比例λ1设置为0.7。此外，现有乘客数量的基数越大，受负向口碑影响发生转化的人数也会越多。即

DiscardRate=λ1×NegativeWOM×CurrentPassengers（3）

d） 转化率AdoptionRate。转化率指的是竞争平台的乘客中转化到目标共乘服务平台的乘客数量，受到正向口碑PositiveWOM、正向口碑的影响比例λ2、广告Advertising、广告的影响比例λ3和潜在乘客数量PotentialPassengers的正向影响。与丢弃率的设置相似，正向口碑的影响比例和广告的影响比例分别指的是潜在乘客在接收到关于平台的正向口碑和广告之后，采纳这个平台的可能性。根据问卷调查的结果，将正向口碑的影響比例λ2以及广告和口碑的影响比例λ3均设为0.6，即

AdoptionRate=（λ2 ×PositiveWOM+λ3×Advertising）×PotentialPassengers（4）

e） 订单数量Orders。平台每月的订单数量为现有乘客数量CurrentPassengers与乘客月平均乘车次数AvgOrders_Passenger的乘积。根据问卷调查的结果，统计乘客每月乘车次数的均值，将乘客月平均乘车次数设置为6次。此外，由于模型中现有乘客数量仅受到平台安全质量和口碑效应等因素的影响，为了捕捉其他因素如猎奇心理等的效用带来的订单数量波动，还加入了一个服从均匀分布的随机项，即

Orders=CurrentPassengers×AvgOrders_Passenger+RANDOM UNIFORM（0， 1000 ，1）（5）

f） 针对乘客的投诉量ComplaintsToPassengers。针对乘客的投诉量受到乘客安全等级PassengerSafety、安全等级敏感度α（默认设置为0.4）和现有乘客数量CurrentPassengers的共同影响。乘客安全等级越高，针对乘客的投诉量将越低，同时投诉量还受到现有乘客基数和乘客安全等级影响程度因子的正向作用。与订单数量相似，针对乘客的投诉量加入了服从均匀分布的随机项，即

ComplaintsToPassengers=（1-SafetyQua_Passengers）×α×CurrentPassengers+RANDOM UNIFORM（0， 100， 2）（6）

g） 乘客安全投入PassengerSafetyInvest。针对乘客的投诉量ComplaintsToPassengers占订单数量Orders的比例的增加，会对平台声誉和形象造成影响，从而促使平台提高在乘客安全素质方面的投入，表现为平台提高乘客安全的努力程度。β描述了乘客投诉量比例对激励平台投入更多努力的程度（默认设置为20），即

PassengerSafetyInvest=β×ComplaintsToPassengers/Orders（7）

h） 针对司机的投诉量ComplaintsToDrivers。针对司机的投诉量受到司机安全等级DriverSafety、安全等级敏感度α（默认设置为0.4）和现有司机数量CurrentDrivers的共同影响。与上述针对乘客的投诉量相似，即

ComplaintsToDrivers=（1-DriverSafety）×α×CurrentDrivers+RANDOM UNIFORM（0， 100， 3）（8）

i） 司机安全投入DriverSafetyInvest。与上述提高乘客安全的努力相似，即

DriverSafetyInvest=β×ComplaintsToDrivers/Orders（9）

j） 平台安全等级SafetyLevel。设置高与低两个安全等级，经过多次实验，当针对乘客和司机的投诉量累计超过400时，将平台的安全等级设置为低，否则为高，即

SafetyLevel=IF THEN ELSE（ComplaintsToDrivers+ComplaintsToPassengers>400， 0， 1）（10）

k） 政府管制力度GovernRegulation。当平台的安全等级为低时，政府对行业安全的管制力度更高（默认设置为1.2），反之则更低，即

GovernRegulation=DELAY1（IF THEN ELSE（SafetyLevel>0， 1.2， 1）， 1）（11）

l） 乘客安全等级变化率Rate_PassSafety。受到平台对乘客安全投入PassengerSafetyInvest和平台安全投入转化率ξ的正向影响，平台对乘客安全的投入越多，乘客安全等级能带来更大的提升，乘客安全等级的变化率会越高。同时，乘客安全等级变化率还受到平台安全投入转化率ξ的控制（默认设置为0.8），即

Rate_PassSafety=ξ×PassengerSafetyInvest（12）

m） 乘客安全等级PassengerSafety。即使用共乘平台乘客的安全素质，也反映了同行的其他乘客或司机受到某乘客安全威胁的可能性。乘客安全等级越高，说明使用该平台乘客的安全素质越高，给他人带来人身安全威胁的可能性越小。根据问卷调查的结果，将乘客安全等级的初始值设置为0.7。经多次实验后发现，由于乘客安全等级变化率Rate_PassSafety围绕0.1上下波动，因此设置乘客安全变化率高于0.1时对乘客安全等级造成正向效用，反之则为负向效用，即

PassengerSafety=INTEG（Rate_PassSafety-0.1， 0.7）（13）

n） 司机安全等级变化率Rate_DriverSafety。与乘客安全等级变化率类似，司机安全等级变化率也会受到平台对司机的安全投入DriverSafetyInvest和平台安全投入转化率ξ（默认设置为0.8）的正向影响，即

Rate_DriverSafety=ξ×DriverSafetyInvest（14）

o） 司机安全等级DriverSafety。反映了使用共乘平台司机的安全素质，与乘客安全等级PassengerSafety相似，即

DriverSafety=INTEG（Rate_DriverSafety-0.1， 0.7）（15）

p） 司机数量NumDrivers。受到总收益Revenue和司机期望收益AvgDriverRevenue（默认设置为1000）的共同影响，即

NumDrivers=Revenue/AvgDriverRevenue（16）

3 仿真分析

模型总体设置的仿真时间为100个月，时间步长为1个月，仿真平台为Vensim。模型大部分参数的初始设定都来自行业研究报告和问卷调查，并经过多次试验测试后调整设定。接下来探究不同政府管制力度GovernRegulation、安全等级敏感度α、平台安全投入转化率ξ和乘客投诉量比例影响因子β等因素对乘客数量变化、乘客安全等级变化和司机安全等级变化的影响。

（1）政府管制GovernRegulation。將政府管制力度GovernRegulation分为四种：不管制（取值为1）、轻度管制力度（取值为1.2）、中度管制力度（取值为1.4）和重度管制力度（取值为1.6）。绘制四种政府管制力度下现有乘客的变化趋势，如图6所示。可以看到，在无政府管制的情况下，现有乘客数量在仿真前期快速上升，在随后的时间内呈现细微的波动，但总体大致稳定在5000～5500。当政府对行业采取轻度管制措施时，乘客数量的变化与无政府管制的情形相近。随着政府管制力度的增大，乘客数量开始出现明显的提升，乘客数量波动更加明显，总的乘客数量始终高于政府管制力度较轻微的情形。这种现象的产生意味着政府管制确实对平台安全质量起到了正向促进作用，从而使得潜在乘客在目标平台积极口碑的影响下转化为平台的现有乘客。一方面，现有乘客数量的增长同时会导致对乘客安全素质的控制不足，使得针对乘客的投诉增加，同时乘客数量的增多也会间接导致司机数量的增长，因此针对司机的投诉量也将上升。为了缓解用户投诉带来的负面影响，平台将努力改善司乘两方面的安全水平，使得乘客数量出现上升的趋势。但平台安全质量不会一直持续地保持上升态势，随着投诉量的减少，平台对于提高安全水平的投入也会减少，从而导致乘客数量的下降，因此乘客数量呈现上下波动的趋势。另一方面，随着政府管制力度的加大，现有乘客数量的平均水平也在不断提升。由于现有乘客数量的增长主要来自平台安全质量提升带来的正向口碑、广告和补贴效应，这间接说明了政府管制的加强能刺激平台安全质量的提升，还能使平台的安全质量更为长久地维持在较高的水平，对整治共享乘车行业乱象具有更为长远的积极效用。

（2）安全等级敏感度α。安全等级敏感度α反映了乘客（司机）对司机（乘客）安全等级的敏感程度，该因子取值越高，则当乘客（司机）的安全等级达不到司机（乘客）的安全预期时，将导致乘客（司机）关于司机（乘客）安全问题的投诉量越大。将安全等级敏感度分为三种：轻度敏感（取值为0.4）、中度敏感（取值为0.6）和重度敏感（取值为0.8）。绘制三种影响情况下乘客安全等级的变化趋势和司机安全等级的变化趋势，分别如图7和图8所示。乘客安全等级的变化区间为[0，1]，根据问卷调查的结果，将初始值设为0.7。可以看到，当α取值较低时，乘客安全等级在仿真前期迅速上升至0.91左右，随后围绕该值上下波动。这是由于安全等级敏感度α增大意味着不良乘客行为导致的针对乘客的投诉量也越发增加，促使平台对乘客的安全质量展开一系列管控措施，乘客安全等级会得到有效提升。与此同时，乘客安全等级的增长导致针对乘客的投诉量不断下降，从而抑制了平台在提高乘客安全素质方面的投入意愿，乘客安全等级开始下降，并由此持续地上下波动。对于司机安全等级的变化来说，当安全等级敏感度较低时，司机安全等级呈现出先下降后上升的周期性波动态势，相比乘客安全等级持续较高的情形，司机安全等级很难持续维持在较高的水平，这也与现实生活中共乘司机伤人事件屡见不鲜而乘客伤人事件则相对较少的情况相符。随着乘客对司机安全等级敏感度的不断提升，司机安全等级也在逐步升高，这表明司机安全等级的长久维持需要乘客的持续监督，乘客敏感度越高，对于司机安全质量的要求也会越高，并通过投诉建议的方式促使平台对司机安全质量进行监管与控制，从而保证司机安全等级能够持续地维持在较高的水平。综合乘客和司机的安全等级相对于安全等级敏感度的变化可以看出，随着安全等级敏感度的增加，总体上乘客安全等级和司机安全等级随着安全等级敏感度的提升而增加。由于安全等级敏感度越高将导致针对司机和乘客的投诉量越大，因此乘客和司机的安全等级敏感度也能从侧面反映出司乘双方对共享乘车平台的监督反馈意愿，这表明来自司机和乘客等第三方的协助监督，将成为对有限的政府监管资源和共享乘车行业自我监督的有效补充，有利于进一步协同推进共享乘车行业的健康良性发展。

（3）平台安全投入转化率ξ。平台安全投入转化率ξ反映了平台对司机和乘客的安全投入实际能转化成司机和乘客安全等级提升程度的比例，该因子取值越高，说明平台的安全投入越能转化为司机和乘客的实际安全等级增加量。将安全投入转化率分为三种：低转化率（取值为0.5）、中转化率（取值为0.7）和高转化率（取值为0.9）。绘制三种转化率下现有乘客数量的变化趋势，如图9所示。可以看出，当安全投入转化率取值较低时，乘客数量前期会增长到一个相对稳定的数值，然后围绕该状态上下波动;而当安全投入转化率取值较高时，乘客数量在仿真前期会迅速增加且明显高于低安全投入转化率时的数量，但随着仿真时间的推移，乘客数量趋于稳定，在仿真中后期几乎与低转化率时的乘客数量一致，但在仿真后期又开始呈现出乘客数量的差异。这意味着安全投入转化率较高的平台会在提升乘客和司机安全等级方面投入更多的努力，从而在平台发展前期吸引更多的潜在乘客转化为现有乘客。然而就如同市场竞争中的价格战一般，高转化率所需要的额外资源投入会给平台造成更大的运营压力，因此前期的安全投入所带来的收益并不能长久维持，其他平台也会采取更多的安全投入来争取市场份额。在仿真中后期平台竞争趋于稳定的情况下，平台的乘客人数又会进一步下降，从而回落到与较低安全投入转化率几乎一致的水平。而在仿真后期，乘客数量又开始产生差异，高安全投入转化率的平台的获客能力再次显现出优势，这意味着当各平台的安全投入差异不显著时，在发展初期由高安全投入转化率所吸引的部分乘客又会回归到该平台，为该平台的长期发展带来战略优势。

4 结束语

共享乘车服务将人和出租车、私家车等连接起来，在不增加车辆供应的前提下，使得更多的运力资源得到了有效利用，对缓解交通拥堵、降低出行成本、提高出行效率和减轻环境污染都有重要的意义。然而，共享乘车行业的发展也不可避免地产生了一系列管理问题，其中乘客与司机的安全风险成为人们对共享乘车服务最为担忧的问题。如何满足人们安全而多元化的出行需求，引起了社会的深度关注。为此，本文首先对共享乘车行业的主体进行了探讨，就主体之间的因果关系进行了详细剖析，绘制了相应的因果回路图，并采用系统动力学模型对乘客安全和司机安全因素如何影响共享乘车平台的长期演化关系进行了动态仿真。仿真结果显示：（1）政府管制的加强不仅能刺激共享乘车平台安全质量的提升，还能使平台的安全质量更为长久地维持在较高的水平，对整治共享乘车行业乱象具有长远的积极效用。因此，政府应当把控行业发展的大方向，制定共享乘车行业准入制度，出台相关的共享乘车法律条文，跟进市场发展动态，及时对政策法规进行合理的调整，为行业发展创造更有力的外部市场环境。（2）司机安全等级和乘客安全等级的长久维持也需要来自共乘服务双方的互相监督，这种第三方的协助监督机制将成为对有限的政府监管资源和共享乘车行业自我监督的有效补充，有利于进一步协同推进共享乘车行业的健康良性发展。（3）安全投入转化率较高的平台在竞争初期能在短期内获得较大的市场份额，但这种乘客黏性不容易长久地维持，其他平台也会采取更多的安全投入来抢占市场，在仿真中后期平台竞争趋于稳定的情况下，乘客人数会回落到与较低的安全投入转化率几乎一致的水平。而在仿真后期，安全投入转化率高的平台将再次显现出优势，乘客数量又会比安全投入转化率低的情況进一步提升。这表明不同程度的安全投入转化率能在竞争初期以及竞争后期为平台创造战略优势，但在竞争中后期优势则不明显，平台可以根据自身发展需求适时调整平台的安全投入策略。

当然，本研究还存在一些不足，可以在未来的研究中加以改进。例如，在分析平台的乘客转化情况时，主要考虑安全因素和广告补贴的影响，以后还可以将其他影响因素纳入模型，使得模型的设定更加全面。

參考文献：

[1] FURUHATA M， DESSOUKY M， ORDEZ F， et al. Ridesharing： the state-of-the-art and future directions[J]. Transportation Research Part B： Methodological， 2013， 57： 28-46.

[2] HUANG Q， FORK D K， PLURKOWSKI L， et al. System and method for security enhanced rideshare： U.S. Patent 7，756，633[P]. 2010-7-13.

[3] 沈弼龙，赵颖，黄艳，等. 大数据背景下动态共乘的研究进展[J]. 计算机研究与发展， 2017， 54（1）：34-49.

[4] CHAN N D， SHAHEEN S A. Ridesharing in North America： Past， present， and future[J]. Transport Reviews， 2012， 32（1）： 93-112.

[5] D′OREY P M， FERNANDES R， FERREIRA M. Reducing the environmental impact of taxi operation： the taxi-sharing use case[C]//2012 12th International Conference on ITS Telecommunications. IEEE， 2012： 319-323.

[6] MA S， ZHENG Y， WOLFSON O. T-share： a large-scale dynamic taxi ridesharing service[C]//2013 IEEE 29th International Conference on Data Engineering （ICDE）. IEEE， 2013： 410-421.

[7] 侯立文，赵沄堃.利用社会网络实现动态共乘的匹配研究[J].系统管理学报，2016，25（5）：837-843.

[8] FURUHATA， MASABUMI. Ridesharing： the state-of-the-art and future directions[J]. Transportation Research Part B： Methodological， 2013， 57： 28-46.

[9] AGATZ， NIELS. Dynamic ride-sharing： a simulation study in metro Atlanta[J]. Procedia-Social and Behavioral Sciences， 2011， 17： 532-550.

[10] AMEY A. A proposed methodology for estimating rideshare viability within an organization， applied to the mit community[C]//TRB Annual Meeting Procediings， 2011： 1-16.

[11] WINTER S， NITTEL S. Ad hoc shared-ride trip planning by mobile geosensor networks[J]. International Journal of Geographical Information Science， 2006， 20（8）： 899-916.

[12] KLEINER A， NEBEL B， ZIPARO V A. A mechanism for dynamic ride sharing based on parallel auctions[C]//Twenty-Second International Joint Conference on Artificial Intelligence， 2011.

[13] AGATZ N， ERERA A， SAVELSBERGH M， et al. Optimization for dynamic ride-sharing： a review[J]. European Journal of Operational Research， 2012， 223（2）： 295-303.

[14] NAIR P. Safety concerns are keeping consumers from jumping on the sharing economy bandwagon [EB/OL].（2016）[2019-11-02].https：//www.growthbusiness.co.uk/safety-concerns-are-keeping-consumers-from- jumping-on-the-sharing-economy-bandwagon-2526861/.

[15] PICCHI A. The rising safety issues that could throttle uber [EB/OL]. （2014）[2019-11-02]. https：//www.cbsnews.com/ news/the-rising-safety-issues-that-could-throttle-uber/.

[16] YANG S， SONG Y， CHEN S， et al. Why are customers loyal in sharing-economy services？ A relational benefits perspective[J]. Journal of Services Marketing， 2017， 31（1）： 48-62.

[17] 左文明，李诗欣，陈华琼，等. 基于服务蓝图法和TRIZ理论的网约车服务创新：滴滴出行的案例研究[J]. 管理案例研究与评论，2018，11（5）：438-454.

[18] ALMOQBEL M Y， LIKHAR A K， WOHN D Y. Understanding safety concerns and protection behaviors of rideshare drivers[C]//Proceedings of the 2019 on Computers and People Research Conference. ACM， 2019： 77-77.

[19] CHAUDHRY B， EL-AMINE S， SHAKSHUKI E. Passenger safety in ride-wharing services[J]. Procedia Computer Science， 2018， 130： 1044-1050.

[20] 钟永光.系统动力学[M]. 北京：科学出版社， 2013.

[21] 侯立文，徐建盈.恶意软件市场的系统动力学仿真[J].计算机应用研究，2010，27 （10）：3786-3789， 3793.

[22] BASS F M. A new product growth for model consumer durables[J]. Management Science， 1969， 15（5）： 215-227.

[23] RUUTU S， CASEY T， KOTOVIRTA V. Development and competition of digital service platforms： a system dynamics approach[J]. Technological Forecasting and Social Change， 2017， 117： 119-130.

收稿日期：2020-07-18

作者簡介：张丽（1996—），女，广东汕头人，研究生，主要研究方向：计算机模拟与仿真;侯立文，男，副教授，博士，E-mail： whou@sjtu.edu.cn。