共享出行领域研究现状、热点及前沿——基于CiteSpace的文献计量分析

任晓红, 柳春花

(重庆交通大学经济与管理学院， 重庆 400074)

共享出行是共享经济的一个方面[1-2]，作为一种创新的交通策略，共享出行能够让用户在需要时短期共同使用某种交通方式[3]，以最大限度地利用社会能够实际提供的出行资源[4]。20世纪40年代，共享出行在美国出现，进入21世纪，随着智能手机和智能交通系统(intelligent traffic system，ITS)技术的发展，以Uber、Lyft和Didi等为代表的共享出行服务在过去十年中获得了空前的快速增长。目前，共享单车、共享汽车、网约车和其他共享交通服务正在改变人们的出行方式，并对交通和地方规划产生变革性的影响[5]。作为一种重要的交通出行方式，共享出行受到越来越多关注，并日益成为一个研究热点。

中外诸多学者分析了共享出行对减少温室气体的排放[6-8]、节约能源[7-8]、改善公共交通服务不足的地区和社区的连通性[9]、减少人们的汽车拥有量[10]等产生的影响，以及出行者社会属性和动机因素[11]、感知利得和感知利失心理权衡过程[12]等影响出行者选择共享出行的因素。同时，解决共享单车[13]和共享汽车[14]的再平衡问题，合乘的动态定价与空车匹配[15]和网络设计问题[16]，城市故障共享单车回收路径优化问题[17]，站点选址问题[18-19]，以及共享出行与其他交通工具的接驳问题(如城市轨道交通社区接驳共享单车停靠点规划[20])等也受到不少关注。

通过文献梳理等方法，Fishman[21]研究发现，现有共享单车的研究包括用户偏好和人口统计、使用率和地理空间可视化、安全性、再分配选择和技术创新等几个关键主题。Agatz等[22]综述了优化动态合乘系统的相关运筹学模型。Hu等[23]分析了网约车、共享汽车和共享单车在中国的发展趋势、影响因素，治理政策以及对低碳转型的影响。郑小红等[24]全面地总结了从手机约车到网络打车方式中的订单分配策略以及相应的评估指标。陈喜群[25]从网约共享出行行为机理、平台管理优化、政府监管政策、系统仿真优化4个方面对中外网约共享出行研究的基础理论前沿、交通运输管理实践成果和存在的问题作了归纳与总结。葛颖恩等[26]梳理了共享交通的内涵和外延，并就全球对共享交通问题的研究和共享交通未来的发展趋势做了概述与分析。唐绍祥等[27]基于CiteSpace对比分析了中外运输经济的研究热点及发展趋势。梁凯丽等[28]利用信息可视化软件CiteSpace对公共自行车出行的文献信息进行分析，并指出了现有研究的热点主题。曹小曙等[29]采用知识图谱分析方法，对电动汽车充电站选址研究的研究进展进行了研究。

综上所述，现有研究主要针对各类共享出行方式分开进行，综述性文献也多是对其中某种出行方式的相关文献进行梳理总结，从整体定量分析共享出行研究态势的文献较少。因此，为迅速把握共享出行领域的研究现状、热点主题与研究前沿，文章以Web of Science核心合集的SCI-expand和SSCI数据库1900—2021年收录的文献作为研究对象，利用CiteSpace可视化工具进行可视化分析，绘制相关知识图谱，结合统计分析，探析共享出行领域研究现状、热点与前沿，以期为共享出行研究提供参考。

1 数据来源与研究方法

1.1 研究方法

文献计量法是一种视觉技术，是对已发表文献进行统计分析和定量分析以显示知识领域的现状和动态，是信息可视化的重要分支[30]。文献计量学起源于20世纪初出现的对文献的定量研究，基于文献计量学的文献分析在学术研究中得到了广泛应用[31]。目前已有CiteSpace、SATI、Ucinet、NetDraw、Pajek、Vosviewer等多种文献分析可视化分析工具被开发。其中，由陈超美教授团队开发的CiteSpace是功能最全面、使用最广泛的工具之一[32]，它能够将某个知识领域的核心作者、机构、期刊类型、关键词、引文节点文献等内容清晰展现在图谱上[33]。因此，利用CiteSpace可视化软件分析共享出行的研究现状、热点与前沿。

1.2 数据来源

Web of Science是最优秀的文献数据库之一[34-35]，其中包含对本研究至关重要的引文信息来源。为确保文献数据获取的可靠性与权威性，选取Web of Science 核心合集的SCI-expand和SSCI数据库[36]。为分析更全面系统，不仅以“共享出行”为主题进行检索，还以共享出行的主要方式：“共享汽车”“网约车”“共享单车”“合乘”等为主题进行检索。由于相关词汇英文表达方式存在多种形式，为尽可能检索全面，参考Hu等[37]和Cohen等[5]的研究结果，再结合Web of Science核心合集数据库的检索特点(Web of Science检索不区分大小写，会自动应用“词形还原”和“词干提取”规则；双引号可精确查找词组；带连字符的检索词可以检索带连字符的单词和不带连字符的短语)，确定检索词如表1所示。检索语种为“English”(英语)，文献类型为“Article”。为保证共享出行研究脉络的完整性，不限时间跨度，默认为1900—2021年。检索及下载时间为2021年5月13日，共检索到文献3 698篇，人工删减不相关文献604篇，通过CiteSpace软件对检索结果进行去重，最终得到2 557篇文献，时间分布于1975—2021年。

表1 检索词

2 研究现状

2.1 发文量分析

如图1所示，早期关于共享出行的研究较少，模式单一，直到进入21世纪，相关研究才开始增多，并高速增长。共享出行领域的研究可以分为3个发展阶段：①缓慢发展阶段(1975—2008年)：主要研究合乘和共享汽车。此阶段发文量少且周期长，每年发文量不超过10篇，关注的学者较少；②平稳增长阶段(2009—2016年)：主要研究合乘、共享汽车和共享单车。此阶段发文数量稳步增长且周期较短，2009年发文量为10篇，2016年达到了116篇，说明共享出行领域已经引起学者较多关注；③高速增长阶段(2017年至今)：主要研究合乘、共享汽车、共享单车和网约车。此阶段发文量极速上升，2020年达到最高峰，为737篇，是2017年(187篇)的近4倍，2021年文献数量为非全时段数据，此处不做分析。这一阶段共享出行处于高速发展阶段，受到学界广泛关注。

图1 1975—2021年共享出行领域文献发表情况Fig.1 Literature published in the field of shared mobility from 1975 to 2021

2.2 研究地域及机构分析

为明确共享出行领域研究的地域分布与机构分布的情况，在CiteSpace软件中设定运行时间为1975—2021年，时间分区值为1，分别以国家(Country)和机构(Institution)为节点类型(Node Types)，阈值设定为“TOP 50 per slice”，表示选取每个时间切片前50个节点。运行得到共享出行领域研究的国家和机构可视化结果，如图2和图3所示，并统计出发文量排名前10的国家和机构，结果如表2所示。图2、图3中每个节点代表一个国家或机构，节点越大，表示该国家或机构的发文量越多；节点之间的连线表示国家或机构之间的合作关系，连线的粗细与合作论文数量成正比[38]；带有紫色光圈的节点为重要节点，具有高中心性(≥0.1)，紫色越厚重，中心性越大，节点越重要

由图2可知，国家共现知识图谱中共有75个节点，353条边，网络密度为0.127 2，表明共有75个国家对共享出行领域的研究有所贡献，并产生了353次国家间的合作，且国家间的合作较为紧密。产出文献量排名前10的国家依次为美国、中国、英国、加拿大、澳大利亚、德国、意大利、瑞士、法国和新加坡，其中，仅中国为发展中国家，且除中国和新加坡属于亚洲国家外，其他国家均为西方发达国家。美国和中国的发文量远远高于其他国家，两者的总和超过总文献数的1/2，为研究最热点的地区。整体上国家间的合作相对较多，但东南亚国家的影响力不如西方国家。

图2 国家共现知识图谱Fig.2 Visualization of the co-country network

图3 研究机构共现知识图谱Fig.3 Visualization of the co-institute network

由图3可知，机构共现知识图谱中共有602个节点，971条边，网络密度为0.005 4，表明共有602个机构对共享出行领域的研究有所贡献，并产生了971次机构间的合作，可以看出对共享出行领域研究有贡献的机构较多，但机构间的合作不够紧密，且发文较多的机构多属于美国和中国。结合表2可知，发文量排名前10的机构都属于大学，其中4所美国大学，4所中国大学。中心性大于等于0.1的机构为中国的同济大学(Tongji University)和美国的加州大学伯克利分校(University of California, Berkeley)与密歇根大学(University of Michigan)。

2.3 共被引来源期刊统计分析

期刊的被引频次反映出期刊所属学科领域对于研究热点的关注程度[38]。对文献的引文来源期刊进行分析，可以发现共享出行领域的重要期刊。以共被引期刊(Cited Journal)为节点，设置阈值“TOP 50 per slice”，统计出被引频次超过400次的15个重要期刊，如表3所示。排名前3的期刊分别为TransportationResearchRecord、TransportationResearchPartA-PolicyandPractice和TransportationResearchPartC-EmergingTechnologies，被引次数均超过了1 000次，是共享出行领域内最重要的刊物。

可以看出，除TransportationResearchRecord外，其他期刊的影响因子均高于2.5，最高的为JournalofCleanerProduction，其影响因子达到7.246。另外，除EuropeanJournalofOperationalResearch、Sustainability和JournalofCleanerProduction外，其他期刊都是交通领域的核心期刊。EuropeanJournalofOperationalResearch是管理科学与运筹学领域的著名国际权威期刊，JournalofCleanerProduction专注于清洁生产、环境和可持续性研究与实践，Sustainability涉及人类的环境、文化、经济和社会可持续性。可见，关于共享出行领域的研究主要集中于交通科学、工程技术、管理科学与运筹学、环境科学与生态学等学科领域，呈现多学科交叉的特点。

表2 发文量排名前10的国家和机构

表3 共享出行领域重要期刊

2.4 高影响力作者分析

共享出行领域研究的繁荣发展是众多学者共同努力的结果，在该领域学术成果较多的作者对该领域了解更深、更广泛，高被引作者在共享出行领域也具有较高的学术影响力。节点分别设置为“Author”和“Cited Author”，阈值为“TOP 50 per slice”。

作者合作网络图谱如图4所示，共有1 925个节点，3 158条连线，密度为0.001 7。作者间最大的合作网络由Daniel Fuller、Hai Yang、Jieping Ye、Yu Zhang等作者组成，其他合作网络则由2～5个作者组成，还有很多独立作者。整体上作者间的合作网络较分散，作者主要与固定的几个作者进行合作，难以形成复杂的合作网络，作者之间应该加强合作。

高发文作者和高被引作者排名前10位的如表4所示，Susana A Shaheen节点最大，被引次数最高，达到了993次，也是发文最多的作者，表明其在共享出行领域具有非常高的学术地位。Susana A Shaheen就职于加州大学伯克利分校土木与环境工程和运输可持续性研究中心，主要研究方向为共享出行、自动驾驶汽车、可持续交通、交通政策、出行行为等。其他作者的共被引次数也都超过了190次，对共享出行领域的研究起到了重要作用。

图4 作者合作网络图谱Fig.4 Visualization of the co-author network

3 研究热点与前沿

3.1 研究热点

关键词是文章内容的高度凝练和总结，具有高出现频次的关键词也反映了这一领域的研究热点。以“Keyword”为节点，设置阈值“TOP 30 per slice”，通过“Pathfinder”剪枝方法修剪全局网络，生成关键词共现图谱，如图5所示。在此基础上，选取对数似然比(log-likelihood ratio，LLR)算法，以关键词作为聚类标签，生成如图6所示的关键词聚类图谱，其中，图谱信息模块性(Q值)为0.871 7>0.3，图谱轮廓系数(S值)为0.955 5>0.5，说明该关键词聚类图谱聚类效果好，聚类结果较为合理，基本可以反映出研究领域的总体情况。

由图5和图6可知，共享出行领域的研究主要围绕共享汽车、共享单车、合乘、网约车等模式展开，再结合关键词节点包含的文献内容(CiteSpace中可以查看每个节点的具体信息，包括来源文献及其摘要)，可以发现研究热点大致可以分为以下3个方面。

3.1.1 共享出行带来的影响

首先，共享出行的出现丰富了人们的出行方式选择，但也对传统出行方式(出租车、私家车、公共交通等)产生了挑战，它们之间的具体关系也一直是一个有争议的问题，诸多学者在这方面的研究一直保有热情。有学者发现个人开始使用共享出行后会减少使用公共交通[39]，但也有学者发现出行者使用共享出行越频繁，他们使用公共交通的可能性就越高[40-41]。Hall等[42]通过建立双重差分模型评估Uber对公共交通出行的影响，发现Uber的出现增加了公共交通的使用，并且这种影响随着时间的推移而增长。Rayle等[43]调查发现，网约车出行不仅取代了出租车出行，还替代了公共交通和私家车。其次，作为一种分享协作型的绿色、可持续性的交通出行方式[44]，共享出行对环境、拥堵等方面的影响也一直是研究的热点问题。Firnkorn等[45]基于定量调查数据，计算发现平均每个Car2go用户的二氧化碳排放量将减少，而且Car2go可以减少城市的汽车数量，从而减少静态土地消耗。另外，共享出行的出现也对出行需求管理产生了影响。Habib等[46]基于埃德蒙顿通勤者的调查数据，研究了在整体通勤方式选择偏好的背景下的车辆合乘方式选择，并揭示了不同的出行需求管理(transport demand management，TDM)工具与车辆合乘方式之间的交互作用在不同的决策水平(选择集形成水平和最终决策水平)是不同的。

表4 共享出行领域排名前10的高影响力作者

transportation为交通；impact为影响；bike-sharing为共享单车；model为模型；car-sharing为共享汽车；system为系统；ride-sharing为合乘；demand为需求；optimization为优化；behavior为行为；bike-sharing system为共享单车系统；bike为单车；sharing economy为共享经济；mobility为出行；service为服务；algorithm为算法；ride-hailing为网约车；travel为出行；taxi为出租车；choice为选择；public transit为公共交通；city为城市；shared mobility为共享出行；carpooling为小轿车合乘；uber为优步；framework为框架；pattern为模式；vehicle为交通工具；design为设计；autonomous vehicle为自动驾驶车辆；electric vehicle为电动车辆；location为位置/定位图5 关键词共现图谱Fig.5 Visualization of the keyword co-citation network

lagrangian relaxation为拉格朗日松弛；micromobility为微交通；socio-cultural context为社会文化环境；ridesourcing为网约车；carsharing为共享汽车；transport demand management为交通需求管理；congestion为交通拥堵；transportation economics为运输经济学；joint econometric model为联合计量经济模型；attitudes为态度；attitude and perception为态度和感知图6 关键词聚类图谱Fig.6 Visualization of the keyword clusters

3.1.2 影响共享出行的因素分析

出行者选择共享出行的影响因素一直是研究者所关注的热点话题，了解其具体影响机制有利于共享出行的长远发展。Kim等[47]提出了一种基于随机后悔最小化的混合选择模型，以估计潜在的满意度对当前出行选择和共享汽车决策的不确定性的影响。Dias等[48]通过建立二元有序probit模型以分析各种外生社会经济和人口变量对网约车和共享汽车服务使用频率的影响。El-Assi等[49]建立站点对(起点-终点)回归模型，探讨了社会人口属性、土地利用、建成环境、服务属性水平和不同的天气措施对共享单车用户的影响。Shen等[50]采用空间自回归模型研究了共享单车使用的时空格局，探讨了共享单车车队规模、周围建筑环境、公共交通可达性、共享单车基础设施和天气条件对无桩共享单车使用的影响。张圆等[51]建立了有序Logit模型和多项Logit模型，从个体特征、出行特征和出行者对共享汽车服务水平的主观感知3个方面定量分析影响使用共享汽车出行的主要因素。

3.1.3 共享出行优化研究

共享出行在近十年得到了快速发展，这离不开信息技术(智能手机、定位系统、移动支付等)的进步。但共享出行还存在很多问题，如系统优化、定位、车辆再平衡、站点设置、线路优化、乘车匹配等问题。很多学者利用数学知识、运筹学知识等提出了各种优化算法和模型来解决问题。Forma等[52]利用基于数学规划的启发式算法来解决共享单车的静态再定位问题。Pal等[53]提出了一种混合嵌套大邻域搜索和变邻域下降算法，以解决大规模共享单车项目的静态完全再平衡问题。Schuijbroek等[54]提出一种新的先聚类再排序启发式算法以寻找最优车辆路线实现共享单车系统库存再平衡。Boyaci等[55]开发并求解了一个考虑车辆迁移和电动汽车充电需求的单向车辆共享系统规划的多目标混合整数线性规划模型。Correia等[56]提出了一种解决3种行程选择方案下车辆库存不平衡问题的单向汽车共享系统的车站位置优化方法。Yan等[57]采用时空网络流技术建立了一个多车辆类型和多人员类型的多对多汽车合乘问题模型(该模型被表述为整数倍商品网络流问题)，并提出了一种基于拉格朗日松弛法、次梯度法和上界解启发式的求解算法来求解模型。Ma等[58]提出了在线充电分配模型，并将其集成到电动汽车动态合乘服务的快速充电位置问题中以最小化车队的每日充电作业时间。Hou等[59]开发了一种大型邻域搜索算法以优化乘车匹配和行走线路。

综观而言，现有研究主要专注于各类共享出行方式带来的影响，影响共享出行的因素，以及运营与管理的优化问题。前两者主要基于实际调查数据，建立相关模型进行分析，后者主要从管理科学和运筹学的角度建立模型，并运用智能算法进行求解，以优化现有共享出行系统。

growth为增长；program为程序/项目；mode choice为模式选择；a ride problem为乘车问题；travel demand为出行需求；travel behavior为出行行为；physical activity为体育活动；walking为步行；one-way carsharing为单程共享汽车；health为健康；cycling为骑自行车；policy为政策；operation为运营；simulation为仿真；station为站点；weather为天气；sharing system为共享系统；scheme为方案/计划；network为网络图7 关键词突现图Fig.7 Map of theburst keywords

3.2 研究前沿

突现词是在某一时间段内出现频率突然增加的关键词，一般为某一时间段内的新兴研究热点[36]，关键词突现分析可以根据突变词的时间分布和变化趋势来辨识共享出行领域研究前沿和发展趋势[32]，突变强度越大，说明围绕该关键词展开的相关主题研究前沿趋势越明显[60]。文章使用CiteSpace软件中的“Burst term”功能，得到突现关键词29个，如图7所示，发现所有突现词的突现强度均超过了3，且突现时间均持续到了2021年，可能还会继续持续下去，这意味着共享出行研究本身可能就是一个前沿问题。通过对突现词的分析，结合突现词来源的文献内容，可以发现共享出行领域的研究前沿主要包括以下4个方面。

3.2.1 共享出行方式

共享出行领域的研究多是基于不同共享出行方式开展，每个方式突现时间不一，但从开始突现起都持续到了2021年，围绕它们的研究一直处于领域前沿。相关突现词按突现开始时间有合乘(carpooling)、单程共享汽车(one-way carsharing)、骑自行车(cycling)、电动车辆(electric vehicle)、自动驾驶车辆(autonomous vehicle)。其中，electric vehicle和autonomous vehicle最近几年开始突现，突现时间分别为2018年和2019年，突现强度分别为11.48、10.28。在共享出行方式中，大部分共享汽车均是采用的电动汽车，部分网约车也开始使用电动车辆。面对资源匮乏问题和日益恶化的环境问题，电动车辆作为新能源车辆的一种，它与共享出行的结合是值得研究的一个前沿问题。自动驾驶车辆的出现还会催生出共享自动驾驶汽车[61]，且很多学者已经对此展开了相关研究，Fagnant等[62]研究发现共享自动驾驶汽车不仅可以改善交通安全和交通拥堵，还可以改善环境问题。可见，共享电动车辆和共享自动驾驶车辆将是未来共享出行方式的研究前沿。

3.2.2 共享出行的优势分析

共享出行出现早期，学者就开始关注它们带来的好处，直到2021年仍然备受关注。相关突现词有拥堵(congestion)、体力活动(physical activity)、健康(health)、优势(benefit)等。拥堵(congestion)从1990年开始突现，并一直持续到了2021年，突现强度为4.13。交通拥堵一直是城市交通待解决的一个问题，共享出行有着减少汽车拥有量的潜力，一定程度上可以缓解交通拥堵，但其具体影响一直没有一个定论，有学者认为可以缓解拥堵[63]，也有学者认为可能会增加拥堵[42]，从1990年开始，这一直是学者关注的前沿问题。共享出行对人们健康的影响也备受关注，健康(health)和体力活动(physical activity)的突现强度分别为6.15、7.78，这方面的研究主要与共享单车有关。共享单车对健康的影响主要是通过体力活动、空气微粒污染和道路交通事故等进行衡量[64]，其具体的影响机制和在不同社会群体之间的影响差异备受学者关注[65]。另外，共享出行还带来了其他好处，如可以降低能源消耗[63,66]，减少二氧化碳等有害气体的排放[67-68]。

3.2.3 出行行为分析

1997年开始，学者开始关注人们的共享出行行为，以了解出行时对共享出行的选择情况，并分析其影响因素。相关突现词有模式选择(mode choice)、出行需求(travel demand)、出行行为(travel behavior)等，突现强度均超过了6。交通出行选择行为受出行主体自身需求及城市客运交通环境的综合影响而产生[69]。共享出行选择行为也受出行者出行需求和其他交通方式的影响。出行者个人和家庭属性特征、出行特征、共享出行服务供给属性及需求管理政策等因素共同影响着出行者的共享出行行为，它们对共享出行行为选择的作用机制值得研究。值得一提的是，天气(weather)对共享出行的影响从2014年起开始突现，且备受欢迎，天气对共享单车的影响尤其如此[70-71]。也有学者对共享出行需求进行分析与预测。曹旦旦等[72]通过爬取纽约市Citi Bike共享单车的天气特征数据信息，分析了时间因子、气象因子等对单车需求量的影响，并采用长短期记忆(long short-term memory，LSTM)神经网络模型预测共享单车的短期需求量。此外，由于共享出行为出行者提供了更多的出行方式选择，影响了出行者对其他交通工具(公共交通、出租车等)的选择，它们之间的关系及其影响机制也是学者讨论的焦点。

3.2.4 管理与运营优化研究

相关突现词有管理(management)、乘车问题(a ride problem)、运营(operation)、仿真(simulation)、站点(station)、设计(design)、位置/定位(location)、网络(network)、框架(framework)等。共享出行是随着信息技术发展起来的新兴出行方式，其管理与运营还不成熟，涉及问题较多，自1990年起，学者就开始关注这方面的问题。学者最早关注乘坐问题，包括如何匹配车辆和乘客，并以最优路线接送乘客等问题。随着共享出行的发展，一些新的问题开始出现。如共享单车和共享汽车的站点选址问题，如何保证站点车辆库存量满足出行需求，以及如何实现动态定位等问题。部分学者尝试设计一些模型框架以对现有系统进行优化，如设计决策支持系统[73-76]、仿真模型[73,77-78]等解决车辆迁移问题，实现库存再平衡。

整体上，早期学者更加关注共享出行带来的好处和出行者共享出行行为，近年来，对共享出行管理与运营方面的优化问题的关注逐步增多。另外，学者们在近几年也开始关注电动车辆和自动驾驶车辆在共享出行中的应用。

4 结论

基于CiteSpace软件，对Web of Science核心合集中1975—2021年发表的2 557篇文献进行可视化分析，探究共享出行领域研究的研究现状、热点及前沿，得到以下结论。

(1)基于基础数据的时空分析和共现分析，发现共享出行领域的研究成果主要出现在近十年，且呈现快速增长态势，其中美国和中国的发文量远远高于其他国家，发文量排名前10的机构也多为美国和中国的大学。重要作者包括Susana A Shaheen、Hai Yang、Elliot Fishman等，但作者间的合作网络较为分散。对重要刊物进行分析，发现共享出行领域的研究主要集中于交通科学、工程技术、管理科学与运筹学、环境科学与生态学等学科领域，呈现多学科交叉的特点。

(2)基于关键词和施引文献的分析，发现共享出行领域的研究热点主要围绕共享单车、共享汽车、网约车、合乘等方式展开，聚焦在3个方面：共享出行带来的影响、影响共享出行的因素、共享出行的优化研究。对突现词的分析表明，共享出行优势分析、出行行为分析和管理与运营优化研究一直处于研究前沿，共享电动车辆和共享自动驾驶车辆将成为共享出行方式的未来发展趋势。

(3)相对于共享出行的影响因素及其带来的影响，中外学者在最近几年对共享出行管理与运营方面的优化问题关注日益增多，鉴于中国共享交通发展还面临法规政策不健全与管理模式滞后、缺乏鼓励共享交通发展的政策措施、共享交通配套服务发展不平衡等诸多问题[79]，未来可能成为一个关注的热点。此外，随着“双碳”目标的提出和自动驾驶技术的发展，在共享出行方式中，对共享电动车辆和共享自动驾驶车辆的研究也将受到越来越多的关注。最后，关于各类共享出行方式，现有研究主要是分开进行的，而出行往往是多种交通方式共同完成[26]，因此，把它们放在一起，研究它们之间的互补或替代关系及其影响机制也可能是未来需要关注的焦点。

本研究还存在某些局限和不足，如只对Web of Science核心合集的SCI-expand和SSCI数据库收录的相关论文进行分析，在研究范围和数量上存在一定的局限，可能不能完全代表共享出行领域的研究情况。其次，仅是针对整个共享出行领域进行研究，每种共享出行方式的具体研究情况和进展可能并不一致，这也是下一步需要讨论的内容。