安全视角下动态共乘匹配成功率的仿真

侯立文,张 丽

(上海交通大学 安泰经济与管理学院,上海 200030)

随着社会经济的发展和人民生活水平的提高,人们与交通系统的互动成为日常生活的常态,但从一个地方到另一个地方似乎变得越来越困难、昂贵。道路拥挤、燃料价格负担沉重和环境污染问题迫切需要新的交通方式来缓解。传统的交通方式如公共汽车或地铁相对便宜和安全,但只提供具有固定地理路线和时间表的出行选择,难以满足乘客的个性化需求[1]。私家车或出租车能提供更灵活、更方便且往往更快的出行服务,但在燃料和道路基础设施方面需要付出相对高昂的成本[2]。共享乘车出行中驾驶员把车辆上空余的位置提供给乘客,也被称为“拼车”“汽车共享”“顺风车”或“搭便车”[3]。这种新的交通方式提高了资源的利用率,在节约出行成本、缩短出行时间、缓解交通拥堵、节约燃料、减少空气污染等方面都具有显著优势[4-6]。随着微软、苹果、谷歌、Facebook等公司相继通过社会媒体开始提供共乘服务,该领域已成为当前交通和互联网服务的研究热点[7]。

共享乘车方式按照出发后行程是否可变,分为静态共乘和动态共乘两种。静态共乘需在车辆出发前规划好行程,出行之后不能改变行程。这种共乘方式灵活性较差,没有发挥资源最大潜力,对共乘服务的大规模发展有一定限制[3]。动态共乘允许行程灵活地变更,只需要参与者输入行程和时间表,指定接送地点和时间,就能提供在途的驾驶员和乘客的自动匹配,具有明显的优越性[8]。共乘出行通过共享出行成本和增加系统用户的机动性,使得有车的参与者节省与出行相关的费用,无车的参与者有车可用,同时减少污染和拥挤堵塞。但动态共乘在提供灵活性和便利性的同时,又带来了计算复杂度、匹配成功率、价格机制和安全机制等一系列问题。现有研究也大多围绕着这些问题展开。考虑到这些出行目标,大多数关于共乘出行的研究在确定共享乘车匹配时考虑如下特定目标及其组合:

(1)系统范围内的车辆里程最小化[9-10],即要求无论是共享乘坐还是单独驾驶的所有参与者前往目的地的驾驶里程最低,这一目标有助于减少污染排放和拥堵,也能最大限度地降低总出行成本。

(2)行程时间最小化[11],即要求车辆在始发地和目的地之间实际行驶所花费的时间最短,这对于消费者而言也是一个重要的考量因素。

(3)参与者数量最大化[12],即要求最大化驾驶员和乘客数量,这一目标有利于共乘服务提供商,其收入与参与者数目密切相关。

(4)匹配成功率最大化[3,13],这对于共乘服务参与者而言是一个非常重要的性能指标,高匹配成功率将有助于鼓励形成更大的用户参与池。

通过对优化目标的整合求解,已有大量研究对动态共乘的司乘匹配和路径规划等问题进行了深入讨论,但司机与乘客的社会行为因素尤其是安全影响因素,也是共乘系统需要考虑的重点[3],关于这方面的研究目前还较为缺乏。部分学者从理论视角阐述了共享乘车服务中存在的各种安全问题。从共乘服务使用者层面看,共乘服务驾驶员的技术水平和职业素养稂莠不齐,服务安全质量难以保证,投诉机制存在滞后性和维权困难等问题,且隐私信息泄露严重,评价机制无法做到公开透明,严重影响消费者对共乘服务平台的持续性使用体验。从共乘服务提供者的角度看,共享乘车行业从业人员劳动保障机制不健全,社保、养老保险等问题尚未有明确的法律条文规定[14]。从政府监管层面而言,大量私家车涌入共享乘车市场,产生许多监管模糊和规则真空的灰色地带[15],法律和规章的修订难以跟上行业发展的步伐,存在一定的滞后性,难以在短期内落实执行[16]。共享乘车行业存在的诸多安全问题也引起了学者的广泛关注[17]。

根据对英国和美国消费者的跨大西洋调查,安全问题是共享乘车模式的主要瓶颈[18],一些大型共乘服务提供商如Uber等在数个国家面临安全问题的禁令[19]。共享乘车的商业模式不可避免地引起用户对安全、隐私及合法访问的担忧。安全被认为是人类的基本需求之一,确保参与者的安全以防止服务提供商或服务使用者带来潜在威胁至关重要,更高的安全效益将是参与者持续使用共乘服务的根本动力[20]。左文明等[21]针对网约车服务存在的驾驶员素质不佳、信息泄露、拼车不安全等问题,应用中介物和外部性能等创新原理,从乘客评价服务、用户反馈信息归类、驾驶员信息管理与关系维护等环节改进滴滴出行的服务蓝图,提出网约车的服务创新方案。Yang等[20]将共享经济服务中驱动顾客忠诚的关系利益划分为社会效益、经济效益和安全效益,以评估这些关系利益在影响顾客忠诚方面的相对优势,研究结果表明,安全效益会显著影响顾客承诺。Almoqbel等[22]采用定性研究的方法研究影响共乘司机安全的相关问题。Chaudhry等[23]重点研究了共享服务中的乘客安全问题,并给出诸如引入强制行车记录仪、设置求救警报、引入乘客保险附加条款等建议,增强乘客出行的安全性。

上述研究为分析共享乘车服务的安全影响机制提供了很好的指导和依据,但这些理论性研究大多数处于定性分析影响用户使用共乘服务的安全因素和防范措施的阶段,定量研究的方法很少,对平台安全性与参与者互动机理的刻画不够深入,也没有考虑政府的监管将如何影响整个市场。鉴于此,本文从共享乘车服务安全的角度出发,基于多智能体仿真方法探究司乘安全对于共享乘车匹配率的影响。在司乘匹配模型框架下,分别细化了乘客安全信任的演化模型、政策导向的影响模型、平台安全投入的影响模型和安全事件影响模型,并根据仿真结果给出具体的研究结论和建议。

1 考虑安全水平的动态共乘多智能体建模

在基于Agent的多智能体建模中,宏观系统中的主体被建模成具有适应性和自主性的智能体,宏观行为不是预设的,而是来自个体的微观决策。通过对宏观系统中的个体及个体行为的抽离,建立个体行为规则和演化机制,从而实现对现实系统的演绎。多智能体仿真技术可以反映群体行为下个体状态的变化策略,已有不少学者将多智能体仿真技术应用于交通出行领域的理论研究[24-26]。本文将从多智能体仿真建模的角度将司机和乘客抽象化为具有决策意识的智能体,探究在考虑司乘安全的视角下,司乘匹配如何随时间动态演化的过程。

1.1 问题描述

给定N个乘客agent,乘客属性集合={乘客出发地、乘客目的地、最大等待时间、乘客安全信任},即P={origin,destination,wait_time,safety_trust}。给定M个司机agent,司机属性集合={司机当前位置,司机安全水平},即D={location,safety_level}。要求在给定仿真时间内,根据匹配算法求解每个时间单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时间内,司机能够到达乘客所在的出发地,且司机安全水平高于乘客安全信任阈值。

参照文献[3]中的研究,将匹配成功率定义为:nsuc表示固定区域内在时间窗口[timei,timej]被成功分配的乘客乘车请求;nreq表示该区域内在时间窗口[timei,timej]中所有的乘客请求。匹配成功率表示在该区域内,同一时间窗口中所有成功分配的乘客乘车请求占总请求数的比例,即ratiosuc=nsuc/nreq。

动态共乘中乘客请求的匹配效果是大数据背景下共乘能否可持续发展的重要因素,如乘客的请求不能被有效匹配,会导致用户体验下降,而多次匹配失败,则很可能造成用户流失,匹配成功率可以从一定尺度上反映匹配效果。实时动态共乘可以近似看成贪心匹配问题,乘客的行程需求被发出后,要求在一定的等待时间内得到服务响应。利用匹配算法,在某个时刻将得到司机和乘客在这一时刻的最优匹配安排,并将用户请求分配给指定车辆。随着新的乘客请求加入,之前的最优匹配安排在之后的时刻可能并不是最优的。然而,对实时的请求处理,这种方法从技术角度看更容易实现,也能够被乘客和司机所接受。因此,对动态共乘的匹配将被处理为某一时间点所能达到的最优匹配。

1.2 司乘匹配模型设计

1.2.1 乘客安全信任演化模型 每个乘客智能体agent都具有乘客安全信任属性,该属性反映了乘客对于司机安全水平的要求,只有高于该乘客安全信任阈值的司机才能作为候选司机进行匹配。乘客安全信任属性包含两个变量:安全信任值xi,满足xi∈[0,1],0和1分别表示安全信任的两个极值;不确定性水平ui,表示乘客agenti对其观点的确信程度,也满足ui∈[0,1]。在每一次交互中,某一个智能体agenti被选取作为目标智能体(观点传播方),另一个智能体agentj则被选取为被动智能体(观点接收方)。

乘客安全信任的演化公式借鉴了Deffuant-Weisbuch模型,即连续观点相对协议模型[27-28]。根据DW 模型,任意乘客智能体agenti的安全信任观点表示为

对于任意两个智能体agenti和agentj,观点重叠部分

如果hij＞ui,意味着观点的重合度高于主动智能体agenti的不确定性;如果hij＜ui,则意味着观点重合度低于主动智能体agenti的不确定性。

DW 模型认为,当hij≤ui时,智能体agenti对智能体agentj没有影响,即所谓的“话不投机半句多”,个体仅接受与自己观点相似的其他个体的观点。然而,在现实中,当涉及到安全问题时,往往是相反的口碑影响更甚。Lim 等[29]的研究也表明,负向口碑相对于正口碑能更有效地影响信任属性的评价。接触到的观点差异越大,个体反而更有可能动摇自己的初始观点。因此,当观点重合度hij≤ui时,智能体agenti对智能体agentj也会产生影响,且重合度越低,影响力度越大。被动智能体agentj的观点xj和不确定性uj更新规则为:

这里的μ是一个收敛参数,满足μ∈[0,1/2];hij反映了智能体agenti和智能体agentj的安全信任观点重合度,且有hij∈[-1,1],观点重合度越低,则取值越大,被动智能体agenti越会改变自己的安全信任观点值;ui反映了智能体的观点不确定性,该值越低,则智能体agenti观点越坚定,越能产生影响。

1.2.2 政策导向的影响模型 建立安全稳定、竞争有序的共享乘车市场体系,需要发挥政府管制的作用,政府要着力解决市场体系不完善、监管不到位等问题,促进形成良好市场秩序。各级政府组织针对特定共享乘车安全事件,出台一系列公告、倡议书、规章制度等政策信息,宣传政策导向。这些代表政府导向观点信息的传播过程,往往不会像工作流程或合作书一样马上执行,其执行效果不是一蹴而就,而是在长期宣传和倡导中逐渐被大众所接受。为了反映政府导向信息的影响过程,参考Martins等[30]对大众传媒模型的设置,设置政府政策导向变量为government,满足government∈[0,1],智能体agenti受政策导向影响的过程如下式所示。在政策执行时间为D的范围内,执行下式,表明政策导向的持续作用时间,

式中:pj依概率p0取值为1,依概率(1-p0)取值为0,服从概率为p0的伯努利分布;ξ是更新因子,满足ξ∈[0,1/2]。这里体现了乘客agent并非看到安全导向的政策宣传文件或活动时都会发生观点和行为的调整。

式(3)表明,政府主体也具有安全信任值government,随着政策导向宣传力度以及政府管制措施落实程度的变化,政府主体的安全信任值government也会随之变化,并以概率pj影响所有的乘客agent,使得乘客的安全信任值在接收到政策信息时也产生相应改变。

1.2.3 平台安全投入的影响模型 共享乘车平台的安全投入将对平台签约司机的安全水平产生正向影响。安全问题是共享乘车服务最基本的要求之一,也是共享乘车行业发展过程中最常被用户诟病的问题。作为国内共享乘车行业的代表企业,滴滴在2020年投入30亿元保障司乘出行安全,全面落实行程分享、司乘黑名单、紧急联系人以及行程录音等基础性安全功能要求,司机资质更是成为重点整改方向[31]。定义平台安全投入对司机安全水平的影响如下式所示:

式中:ht为t时刻平台的安全投入引起的司机安全水平增加量,反映了平台的安全投入程度;γi为不同司机对平台安全投入的敏感程度,满足γi∈[0,1]。

式(4)表明,平台安全投入能有效提高司机安全水平,而司机个体安全水平增量与平台安全投入强度ht、司机对平台安全投入敏感度γi呈正相关关系,同时也存在边际效应递减的规律。

1.2.4 安全事件的影响模型 安全是共享乘车监管最重要的维度,突发安全事件是衡量共享乘车安全监管状况的重要指标。以滴滴出行为代表的共享乘车平台,在2018年3个月内发生了两起恶性安全事件,引起了社会舆论的广泛关注,公众对共享乘车的安全风险感知增强,整个共享乘车市场陷入了信任危机。针对上述恶性安全事故,滴滴公司下架顺风车业务,进行内部安全整改;交通运输部、公安部、中央网信办等多部门也组成专项工作调查组,展开安全专项检查。尽管平台加强安全审查,政府也实行严厉的安全监管,但公众是否能重拾对共享乘车服务的信任还未可知。而对于一些程度较轻微的安全事件,考虑到监管成本和资源的限制,政府部门和共享乘车平台也不一定会采取措施加以管控。

为了反映安全事件影响的动态演化过程,引入了基于“情景-应对”模式的演化博弈方法,针对不同的安全事件场景分别考虑政府和共享乘车平台的应对措施,以分析安全事件对政府和共享乘车平台的交互机制对司乘匹配的影响。

政府部门作为共享乘车监管的重要主体,面对不同程度的安全事件时,可以选择监管与不监管两种策略。对于危害性不高、影响范围窄的安全事件,如果政府采取监管策略,则可以有效提升共乘服务的安全质量,但过于严格的管控可能会影响共享乘车市场的活力与效率,记乘客收益为H-A。如果政府采取不监管策略,则存在安全事件进一步发酵扩散的风险,记乘客收益为-Cl。另一方面,对于危害性较大的安全事件,如果政府采取严格监管举措,则有利于控制安全事件的社会影响,但乘客信任仍然会受到一定打击,记乘客收益为H-Ch。如果政府采取不监管策略,则乘客对共享乘车服务的安全风险感知将大大增强,即乘客收益为-Ch。据此,得到乘客个体在不同安全事件情景下关于政府策略的收益矩阵,如表1所示。

表1 乘客个体收益矩阵

共享乘车平台处于对效益的考虑,主观上具有安全监管动机。如果市场中存在较多机会主义以及资质较差的用户,则市场规模必然会受到影响。另一方面,如果平台安全投入过多,可能导致平台盈利能力受限,同样影响平台经营和发展。因此,平台在面对不同程度的安全事件时,也可以采用无安全投入和安全投入两种策略。对于危害性较低的安全事件,如果平台采取无安全投入策略,可能会导致司机出现监管松懈,记司机收益为-V。如果平台采取安全投入策略,则可以有效提高司机安全质量,记司机收益为S。对于高危害性的安全事件,如果平台采取安全投入策略,则可以在一定程度上规范司机安全意识,但安全事件造成的负面影响仍然无法完全抵消,记司机收益为S-K。如果平台不采取安全投入策略,则在缺乏有效安全监督和监管激励的情况下,司机安全水平受到严重影响,记司机收益为-K。据此,得到司机个体在不同安全事件情景下关于平台安全投入的收益矩阵,如表2所示。

表2 司机个体收益矩阵

以乘客的策略学习为例,介绍乘客个体在政府与安全事件博弈过程中的安全信任观点演化过程。司机的策略学习步骤同理。

(1)初始设置。初始的乘客agent占agent总数的N/(M +N),安全事件为低危害性的概率为p,为高危害性的概率为1-p;政府采取无监管策略的概率为q,采取监管策略的概率为1-q。群体中所有个体都随机分布在仿真区域内。

(2)计算个体收益函数。博弈过程发生在政府和安全事件之间,并对乘客策略产生影响,此时乘客agent可以在群体内部进行策略学习。记乘客agent收益函数为:Ui=f(pi,qi),i=1,2,…,n。其中,f函数表示第i个乘客个体在不同安全事件-政府监管情景下的收益,且安全事件为低危害性的概率为pi,政府采取无监管策略的概率为qi。乘客个体根据政府管制的影响模型更新参数。

(3)策略学习。随机在邻居节点中选择一个作为策略学习对象。由于个体总是以追求更好的收益为目的,故博弈过程中收益高的个体更容易被其他个体学习模仿。据此,乘客个体策略更新规则为[35-36]

式中:pij为第i个乘客个体采取第j个乘客个体策略的概率,策略更新公式如式(1)所示,第i个乘客将以概率pij根据式(1)更新当前的安全信任观点值,同理,司机也将以概率pij更新当前的司机安全水平值;Ui和Uj分别为第i和第j个乘客的总收益;k是噪声系数,表明个体的有限理性,即使收益较低的个体策略也可能以一个小的概率被其他个体学习。参照文献[35],本文取k=5。

1.3 司乘匹配模型流程

司乘匹配模型总体算法流程:

步骤1初始化仿真对象,N个乘客和M个司机,其中,乘客属性:{出发地,目的地,最大等待时间,乘客安全信任},司机属性:{司机当前位置,司机安全水平}。根据初始化参数表3设置相应参数。

步骤2设置系统时间T(天),执行步骤3,计算单位系统时间内的司乘匹配率。

步骤3设置单位T内的模拟次数Iterations(min),循环执行步骤4～7。

步骤4查看是否有在途中的司机和乘客。若有,则更新当前乘客和司机的旅行剩余时间;若剩余时间为0,则将该乘客和司机移出在途名单,并对该乘客和司机重新初始化。

步骤5对非在途的司机和乘客进行匹配。匹配规则为:对于每个乘客,筛选出满足乘客最大等待时间的司机,并对这些司机按照安全等级由大到小排序,选定前k个司机作为候选司机发布订单。每个司机接单的概率服从[0-1]的均匀分布。若当前司机的安全等级满足乘客的安全信任阈值,且接单概率大于0.1,则将该司机和乘客进行匹配。

步骤6未匹配上的司机开始随机游走。对于未匹配上的乘客,若其当前的最大等待时间为0,则对该乘客重新初始化。

步骤7单位T内的模拟次数Iterations推进一个单位,根据乘客安全信任演化模型更新乘客属性。

步骤8系统时间T推进一个单位,在不同仿真情景下根据政府管制影响模型、平台安全投入影响模型和安全事件影响模型更新乘客和司机属性。

步骤9当达到最大系统时间T时模拟结束。

2 仿真与结果分析

2.1 参数设置

本文选取覆盖北京市区的真实轨迹Geolife数据集[32]对上述设计的司乘匹配模型进行参数设置,使仿真过程更加贴近现实设定。Geolife数据集出自微软研究Geolife项目,从2007-04～2012-08 共收集了182个用户的GPS轨迹信息,其中大部分轨迹信息来自中国北京。由于本文是在共享乘车出行的背景下进行的,故仅选取其中标签为出租车和私家车的轨迹进行分析。

首先对Geolife数据集进行预处理,删除文件中的说明性信息,提取出每条轨迹信息的出发时间、到达时间、出发地点(经度、维度)以及到达地点(经度、维度)。计算出每条轨迹信息的里程和时间,剔除行程时间低于5 min的轨迹,最终得到有效轨迹663条,轨迹里程从1～350 km,平均驾驶速度约为20 km/h。考虑到数据集大部分轨迹来自中国北京,参考北京市面积范围和仿真区域清晰度,将仿真区域设置为1 300×1 300,单位距离为100 m;设置司机平均驾驶速度为400 m/min。其他参数的默认设置见表1。

仿真实验通过不同的参数设置表达不同的情景,例如政策导向模式、平台安全投入模式,其余参数的缺省设置参照表3。每次交互时,被动智能体agentj随机选取n个主动智能体agenti作为交互对,并根据上述模型更新智能体agent的属性值。仿真过程通过Python编程实现。

表3 默认的参数设置

2.2 政策导向对司乘匹配的影响

在共享乘车平台的发展过程中,政府部门必须积极引导行业规范性,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,杜绝不法分子利用共享乘车驾驶员身份进行违法犯罪的恶行。政府通过出台一系列政策导向措施来引导平台发展,严厉的监管手段和法律法规能增强用户对共乘服务的安全信任,降低对共乘服务的安全担忧。

首先分析政策导向宣传密集度D对司乘匹配的影响。政府出台某项政策导向举措,往往只会在某时间段内密集宣传,举办与该政策导向有关的活动或会议等。设置系统时间T=10时,政策导向宣传开始发挥作用;设置3种情境:D=5,D=10,D=15。密集度D=5 时的政策宣传示意图如图1 所示。3种情境下的司乘匹配率变化过程如图2所示。

图1 宣传密集度的政策作用时间示意图(D=5)

图2 政策宣传持续时间3种情境下的司乘匹配率(D=5,10,15)

由图2可以看出,在不同的政策导向宣传周期下,司乘匹配率呈现出一定的区别:司乘匹配率在系统时间T=10后均出现明显上升趋势,但当政策宣传密集度超过一定程度后,司乘匹配率提升程度有限。从乘客安全信任的角度,当政府宣传不够充分,即宣传密集度较低时,政策导向信息引起的乘客安全信任提升度有限,乘客还未完全接受政策信息并调整自身观点。随着政策宣传的持续和相关措施的落实,乘客逐渐被政策导向信息影响,安全信任阈值逐渐降低,并最终维持在和政府主体倡导的安全信任值趋于一致的水平。乘客安全信任阈值的降低意味着对司机安全等级要求的降低,因此,有更多的司机可以作为行程服务的候选司机,司乘匹配率得到提升。而当安全监管政策已经深入人心后,乘客对共乘服务的安全信任已趋于固化,即使再进行政策宣传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无明显差别。这表明,政策导向宣传存在一定的衰减效应。政府应该把控好共享乘车平台管制的时机和节奏,跟进市场发展动态,既不能一蹴而就造成政策落实不到位,也不能追求过度宣传而导致政府监管资源的浪费。

图2展现了government=0.1时,不同宣传密集度的政策导向信息对于司乘匹配的影响。接下来探究政策导向信息的强度给司乘匹配带来的影响。尝试改变government的值,即设定government=0.1,government=0.3,government=0.6,并保持政策持续时间D=10,模拟结果对比如图3所示。

图3 政策导向信息情境下的司乘匹配率(government=0.1,0.3,0.6)

考虑到乘客群体的初始安全信任值的均值为0.5,government=0.1,可以理解为政府通过一系列政策监管措施之后,对于共享乘车平台的安全发展态势非常有信心,向用户传递出了积极的信号;government=0.3,则意味着政府管制强度一般,对用户的引导效果有限;government=0.6,则说明政府发布的政策导向信息对共享乘车的安全管理现状较为消极,同时也影响了用户的安全信任。由图3可以看出,司乘匹配成功率与政府安全信任阈值水平呈负相关关系,这也印证了政策导向信息在共享乘车平台发展的重要作用。

2.3 平台安全投入对司乘匹配的影响

面对共享乘车这一新兴业态,政府的监管手段和法律法规也难以适应新生事物的发展。共享乘车平台作为服务提供方,具有更及时、更丰富的信息来源,对服务的安全弊端和缺陷也具有更加深刻的认识,由平台主导的安全监管措施能够更直接有效地提升共乘服务的安全质量。在平台的安全投入中,司机资质审查和司机安全培训计划是平台关注的重点方面[33],将对司机整体的安全水平产生积极效果。

首先分析平台安全投入程度h对于司乘匹配率影响。设定4 种情境:h=0.01,h=0.03,h=0.05,h=0.07,分别表示平台采取不同程度(轻度、中度和重度)的安全投入而引起的司机安全水平增加量。仿真结果如图4所示。

由图4可以看出,在平台安全投入初始阶段,司乘匹配率之间的差异并不明显,随后才表现出较为显著的差异。这意味着平台的安全监管是一个需要持续性投入的过程,短期的投入难以对司机安全做到有效提升。安全是共享乘车平台的核心竞争力,平台需要持续性地做好安全保障工作,才能赢取乘客的信任与支持。此外,随着安全投入强度的增大,司乘匹配成功率呈现出先递增后不变的趋势,h=0.05和h=0.07两种情境下的司乘匹配成功率几乎无显著区别。这说明,与政府政策导向相似,平台安全投入对司机安全水平的提升存在衰减效果,平台应把握好投入的度与量。安全投入过少,则司机安全水平提升有限;安全投入过多,则会导致平台资源的浪费,加大平台的亏损压力。

图4 平台安全投入程度4种情境下的司乘匹配率(h=0.01,0.03,0.05,0.07)

接下来分析司机对平台安全投入的敏感程度的影响。设定3种情境:γ∈[0,0.1],γ∈[0,0.5],γ∈[0,1],分别表示司机不同程度(从低到高)的平台安全投入敏感度。仿真结果如图5所示。

图5 平台安全投入敏感度3种情境下的司乘匹配率(γ ∈[0,0.1],γ ∈[0,0.5],γ ∈[0,1])

由图5可以看出,敏感度越高的司机越容易被平台的安全培训和管控措施所影响,因此,有更多的司机满足乘客的安全要求,从而带来司乘匹配率的提升。Signori等[34]的研究结果也表明,发生安全事故的司机往往对内知觉的敏感性较低,即驾驶员对外部环境存在极度依赖性,并且内在控制能力较弱。因此,平台可以对司机的心理素质进行考核,重点关注存在较强外部依赖心和较弱自控能力的司机,加强对这部分司机的安全培训和监管,这将使得平台的安全投入更加行之有效。

2.4 安全事件对司乘匹配的影响

共享乘车安全事件频发给乘客带来了信任危机,而对不同程度的安全事件如何响应,也成为政府和共享乘车平台共同面临的重要挑战。下面探究不同安全事件危害性情景下,政府管制力度和平台安全投入强度的协同演化对司乘匹配的影响。在本文模型中,安全事件危害度和政府、平台的管控力度主要体现在概率p、q和s中。当p＞0.5时,表示安全事件为低危害性的概率更大;当p＜0.5时,则意味着安全事件为高危害性的概率更大。同理,q＜0.5和s＜0.5分别表示更高强度的政府管制措施和平台安全投入策略。

首先探究高危安全事件发生概率对司乘匹配的影响。分别设置不同的p参数值,分析在一定的政府管制力度和平台安全投入情景下(q=0.3,s=0.3),司乘匹配成功率如何变动。仿真结果如图6所示。

图6 不同高危安全事件发生概率下的司乘匹配率

由图6可以看出,安全事件对司乘匹配成功率有着重要影响。即使是在政府和平台的协同监管下,频发的高危安全事件仍然会对市场信心造成严重打击,司乘匹配成功率远远低于低发安全事件情景下的结果。而高危安全事件的有效控制能够给司乘匹配率带来显著提升,这也证实了安全事件的预防与控制对共享乘车行业的重要意义。

接下来分析安全事件危害性强度中等(p=0.5)情景下,政府和平台单方面主导的监管模式(q=0.1,s=0.9;q=0.9,s=0.1)以及双重监管模式(q=0.1,s=0.1)下司乘匹配率的变化情况,仿真结果如图7所示。

图7 政府和平台单方面主导的监管模式以及双重监管模式下的司乘匹配率

由图7可以看出,当安全监管完全由平台主导,而政策宣传仅仅起辅助作用时,司乘匹配率曲线显著低于政府主导的监管模式和政府-平台双重监管模式。这意味着共享乘车服务供需双方在安全需求上的隔阂,也体现出平台单一监管模式存在的局限性。如文献[37]所述,依靠共享乘车平台自身发挥监管作用存在3点局限:①平台企业实施监管缺乏有效地监督,可能会存在监管松懈的情况;②平台企业作为市场规则的制定者,也会为了短期利益而产生内部腐败的情况;③平台企业难以改变自身作为企业的属性,因此并没有执法权,对于违法行为的监管具有一定的局限性。相反,政府主导的监管模式相对于平台主导模式而言更能显著提升司乘匹配成功率。政府的长处是行政机关可以合法进行监管,并且可以克服平台单一监管带来的弊端。对于平台监管松懈和内部腐败问题,政府可以依法向平台企业施加连带惩罚,克服企业主观监管动机不纯的问题。同时,政府的政策宣传也能对乘客信心回升产生积极的引导作用。特别地,政府和共享乘车平台的双重监管模式对司乘匹配率的提升最为有效。这种模式能充分发挥共乘平台的监管积极性,在市场监管上与政府相互配合,取长补短。政府实施事前的准入监管,平台通过大数据手段进行事中的行为监督,对于事后的纠纷则可由平台和政府共同解决。这种监管模式要求政府建立灵活的监管机制,同时放权给平台企业,推动共享乘车行业自律监督,更好地发挥协作作用,从而最大限度地提升安全监管效率,保障司乘安全需求。

3 结论

本文研究了安全视角下司乘匹配成功率如何随时间动态演化的过程。与传统司乘匹配的研究相比,本文既考虑了乘客安全信任和司机安全水平等内生安全因素,同时也考虑了政策导向、平台安全投入和安全事件等外生变量的影响。分别建立了乘客安全信任演化模型、政策导向影响模型、平台安全投入影响模型和安全事件影响模型,探究不同的政策宣传密集度和强度、平台安全投入强度、司机对安全投入敏感度和高危安全事件发生概率等情景下,司乘匹配成功率随之变化的情况。综合仿真结果可以得出如下结论:

(1)政府主导的监管模式相对于平台主导模式更能显著提升司乘匹配成功率,而政府和共享乘车平台的双重监管模式对司乘匹配率的提升最为有效。政府管制对整治共享乘车行业乱象具有积极效用,同时也应该主动放权,加强平台企业的事中监管力度,发挥政府-平台双重监管模式的优势。

(2)政策导向的宣传作用存在一定的衰减效应。政府要把控好共享乘车平台管制的时机和节奏,跟进市场发展动态,既不能一蹴而就造成政策落实不到位,也不能追求过度宣传而导致政府监管资源的浪费。同理,平台也要考虑安全投入的度量问题。安全投入过少,则不能充分保障司机和乘客的安全水平;安全投入过多,又会造成平台资源的浪费,增大平台运营成本。

(3)平台在进行司机资质考核与培训时,应对自控能力较弱且依赖性较强的司机进行重点观察。这部分司机对平台的安全管制措施更加敏感,也更容易在受监管的情况下规范自身行为,使得平台的安全投入更卓有成效。

(4)安全事件的预防和控制对司乘匹配成功率具有重要影响。即使是在政府和平台双重监管的情况下,高发安全事件仍会对市场信心造成严重的负面影响,需要采取有效手段尽量避免此类安全事件的发生。

本文存在一些不足,可以在未来的工作中加以改进。例如,对政策导向的建模只考虑了政策导向宣传密集度和政策导向信息强度两个维度,现实的政策导向可能更复杂,未来可以考虑用更多变量来更加客观地表达政策导向。