文章快速检索    
  同济大学学报(自然科学版)  2018, Vol. 46 Issue (6): 796-803, 841.  DOI: 10.11908/j.issn.0253-374x.2018.06.012
0

引用本文  

陈小鸿, 成嘉琪, 叶建红, 汪道歌. 共享汽车用户及出行时空特征分析[J]. 同济大学学报(自然科学版), 2018, 46(6): 796-803, 841. DOI: 10.11908/j.issn.0253-374x.2017.05.002.
CHEN Xiaohong, CHENG Jiaqiv, YE Jianhong, WANG Daoge. Analysis of Carsharing Users and Demand Spatio-Temporal Characteristics[J]. Journal of Tongji University (Natural Science), 2018, 46(6): 796-803, 841. DOI: 10.11908/j.issn.0253-374x.2018.06.012.

基金项目

“十二五”国家科技支撑计划(2015BAG11B01);国家自然科学基金(71734004);同济大学“交通运输工程”高峰学科开放基金(2016J012307)

第一作者

陈小鸿(1961—),女,教授,博士生导师,工学博士,主要研究方向为交通运输规划与管理、共享交通、慢行交通.E-mail:tongjicxh@163.com

文章历史

收稿日期:2017-09-15
共享汽车用户及出行时空特征分析
陈小鸿, 成嘉琪, 叶建红, 汪道歌    
同济大学 道路与交通工程教育部重点实验室,上海 201804
摘要:共享汽车在中国是一种重要但尚存争议的新型出行方式.因管理部门尚未明确其对道路交通的影响,而无法确定合理的管理导向.针对这一问题,研究基于上海最大的汽车共享公司EVCARD的订单及用户数据,通过描述性统计分析出行总量、需求时空分布,分别用多元线性回归和二项logistic回归分析高频用户和通勤时段出行用户的特征.结果表明,当前EVCARD用车需求和高峰时段出行主要发生在城市外围区域,城市中心区域无通勤特征;高需求用户与通勤时段高频出行者特征并不一致且部分特征相异.因此,上海EVCARD出行不会对城市道路交通拥堵产生显著负面影响.
关键词共享交通    共享汽车    需求特征    交通影响分析    
Analysis of Carsharing Users and Demand Spatio-Temporal Characteristics
CHEN Xiaohong, CHENG Jiaqiv, YE Jianhong, WANG Daoge     
Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China
Abstract: Carsharing is a new but controversy mobility service in China. The government is unable to determine the appropriate policy direction since the impacts of carsharing on traffic system is not yet clear. However, this problem was addressed based on transaction and user data from the largest carsharing company, EVCARD, in Shanghai. Descriptive statistics was used to analysis carsharing-trip amount and demand spatio-temporal distribution. Multiple linear regression and binary logistic regression were developed to draw characteristics of high-frequency users and users travelling at peak hours, respectively. The results show that most carsharing-trips and peak-hour travels occur at the outskirt of city. The travels within the central area of the city have no commuting characteristics. Meanwhile, there are no similar features between high-frequency users and peak-hour-trip users, and sometimes, there are even opposite features. Therefore, it is concluded that the carsharing-trip has no significant negative impact on traffic congestion in Shanghai.
Key words: sharing mobility    carsharing    demand characteristics    traffic influence analysis    

共享汽车(即分时租赁)服务使用户避免拥有车辆的麻烦(购买、维护、保险、清洁、寻找停车位等),同时享受灵活而自由的小汽车出行[1].国外研究表明其具有减少私家车保有量的作用,主要表现在共享汽车用户出售已有车辆,放弃、延迟购买新车等方面[2-5],再加上其对减少排放的正面影响[3, 6],一些国家已将其视为一种新的可持续发展交通政策工具[7].

由于发达国家已达到较高的机动化水平,如美国2010年千人机动车保有量已超过800辆,英国接近600辆[8].在这一社会背景下,共享汽车模式因其灵活经济的特点,对小汽车保有量产生了“减法效应”.但我国尚处于机动化过程中,千人机动车保有量2015年刚达到200辆左右,还处于较低水平[9].同时,持驾照人数远高于小汽车保有量,还有相当的小汽车出行需求未得到释放.在这一背景下,共享汽车模式能否对私家车保有量产生“减法效应”尚未可知,这使我国交通管理部门在城市道路资源紧缺的情况下对发展共享汽车存在一定顾虑.

一方面,在城市出行服务多元化(构建完整的出行方式谱系),以及高品质出行需求背景下,共享汽车模式存在一定必然性和必要性; 另一方面,共享汽车的本质仍是小汽车出行,可能与我国大城市以公共交通为导向的城市发展战略存在潜在矛盾.因此,更好地理解这一新型出行模式对交通系统的影响就尤为关键.但目前对于共享汽车对其他交通方式的替代以及对车公里的影响尚存在争议.一些研究表明, 共享汽车的会员更多地使用了公共交通、自行车及步行[10-11],减少了车公里[3, 4, 6];另一些研究则表明共享汽车对公共交通存在替代效应,且会增加车公里[12],或对公共交通的替代性尚不明确[10, 13].还有研究认为, 这些影响和共享汽车的具体模式有关,不可异地还车(AA还)模式更多地是对公交的补充,而可异地还车(AX还)模式则对公共交通存在替代作用,同时AA还模式能更有效地减少小汽车使用[14].在这种争议下,政府部门无法确定对共享汽车模式的管理方向和力度.

目前大多数针对这一问题的研究都仅考虑共享汽车模式对小汽车使用总量的增减效应,本文尝试从更精细化的角度分析共享汽车模式对交通状况的影响.由于道路交通状况的动态变化,交通流量的时空分布并不均匀,因此交通负担呈现动态性变化.城市核心区域的工作日早晚高峰是拥堵最易发生的空间和时间,若共享汽车带来的小汽车用量增长并未在这一时空域出现,则其发展对交通状况不存在显著负面影响.从这一角度切入,本文从时间、空间、运营模式以及用户4个维度分析上海最大的汽车共享公司EVCARD的出行需求是否增加交通负担,为政府部门管理政策的制定提供参考.

1 EVCARD运营概况 1.1 运营模式、车型及价格

EVCARD主要以AX还模式为主,仅少量站点以AA还模式运营.其中, AX还模式指用户从A站点取车后可还至任何一个站点; AA还模式指用户从A站点取车后最终必须将该车辆还至A站点的模式.

截止2016年12月,EVCARD共投入荣威E50、奇瑞EQ和宝马芝诺1E 3种纯电动车型,前两者单价为0.50元·min-1,后者为1.00元·min-1,无起步价,24 h内用车超过6 h的仅计6 h费用.

1.2 使用流程

EVCARD仅为会员提供服务,因此须提交驾驶证免费申请会员,首次用车须缴纳1 000元押金或用信用卡预授权用车.

EVCARD提供全自助式用车服务.服务流程如下:①通过手机APP找到附近站点并预定车辆,车辆保留15 min; ②通过会员卡或手机APP打开车门; ③当到达目标站点后将车停在EVCARD专用车位,用会员卡或APP锁门; ④用站点配备的充电桩充电、还车; ⑤通过支付平台等电子支付结算费用,行程结束.

2 数据与方法 2.1 数据 2.1.1 数据来源

本研究共涉及到3个数据源,第1部分是EVCARD从2015年1月1日到2016年12月31日的所有订单数据,订单包括的信息有取车时间、还车时间、取车站点、还车站点、出行时长、订单金额、减免金额及减免原因.第2部分是截止到2016年12月31日的注册用户及站点基本信息.用户信息包括年龄、性别、寄卡地址.寄卡地址是用户所留用于接收EVCARD会员卡的地址,此地址并不清楚是用户的家庭地址、工作地址或其他地址,但可认为是用户的常驻地址.站点信息仅包括站点名、车位数以及相应的经纬度坐标.第3部分是上海地图的地理信息,用于结合EVCARD地理信息分析空间关系.

2.1.2 数据预处理

数据清洗经以下5个步骤:①删除缺少关键信息的订单; ②删除运营人员产生的订单; ③删除“减免原因”涉及无效出行的订单,如测试、无法启动、电量不足、故障等; ④删除“减免费用”等于“订单费用”的订单; ⑤删除“用车时间”小于2 min且取、还站点为同一站点的订单.

满足条件④的订单即运营方完全减免了本次订单所涉及的费用,EVCARD官方表示,原则上整个行程无效或EVCARD公司内部因公务产生的出行会全部减免金额; 第⑤条的设置根据最小乘车时间实验.实验召集10位不同驾龄驾驶人共测试30次.从打开车门行驶100 m再返回原位并成功还车,整个过程最少耗时2 min 15 s,最长耗时为3 min 10 s,因此认为满足⑤的出行均为无效出行.

2.2 方法

本研究首先用描述性统计的方法分析EVCARD出行总量、出行时间和空间,以及不同运营模式的需求特征.然后分别分析不同类型用户的出行特征,并用多元线性回归和二项logistic回归识别对比高频用户及通勤者特征.

2.2.1 用户用车频率模型

研究利用多元线性回归模型解决第一个问题,并用逐步法对自变量进行筛选处理,多元线性回归模型如下:

$ Y = {b_0} + \sum\limits_{i = 1}^n {{b_i}{x_i} + e} $

式中:Y为因变量; xi为自变量(影响因素或相关因素); b0为常数项; bi为回归系数; e为随机误差.

2.2.2 高峰时段出行者模型

研究通过二项logistic回归模型计算用户是高峰时段出行者的概率,并用向前条件法筛选自变量.该模型的因变量Y仅有0和1两个状态,设某用户是交通高峰时段出行者为Y=1(P=1),则模型如下:

$ {\rm{lg}}\frac{P}{{1 - P}} = {b_0} + \sum\limits_{i = 1}^n {{b_i}{x_i}} $

式中:$\frac{P}{{1 - P}} $为优势比,即结果为1与结果为0的概率比值.

3 基本运营特征

由于相关数据的商业敏感性,本文除特殊情况外,原则上不直接展示运营精确数字,故不展示订单月变分布.从2015年1月正式运营开始,EVCARD订单量和会员辆持续增长,截至论文完成时(2017年5月),上海地区运营站点接近3 000个,投入车辆近5 000辆(均为纯电动汽车).EVCARD日出行总量尚不足上海日出行总量的0.05%,不足小客车出行的0.5%,不足出租车出行的2%,对城市道路交通流影响极为微弱.

3.1 订单时间分布

周末日均订单量多于工作日.周末订单占总订单量的1/3,周末日均订单为工作日的1.2倍.出行时间周分布图如图 1所示.

图 1 出行时间周分布图 Fig.1 Trip temporal distribution in a week

工作日与周末的出行时间分布呈现两种模式,工作日存在早晚“高峰”,而周末出行高峰主要集中在10:00~17:00时段.周末夜间(19:00之后)的出行比例较工作日低.这是由于工作日期间休闲社交等活动只能于夜间发生,而周末在日间即可提前释放休闲、社交等目的的出行.图 2为出行时间分布图.

图 2 出行时间分布图 Fig.2 Trip temporal distribution in a day

虽然EVCARD出行从本身来看存在早晚“高峰”,如早上7:00~9:00点以及17:00~19:00两个时段的订单占比较其他时段高,分别占全时段订单的6.3%和8.2%,但与上海市居民(通勤/非通勤)出行时间对比,其峰值并不显著.这表明EVCARD用户的主要用车目的并非通勤.图 3为EVCARD出行与上海居民出行时间对比图.

图 3 EVCARD与上海2014年居民出行时间对比 Fig.3 Comparison of trip temporal distribution between EVCARD and resident in Shanghai, 2014

同时,EVCARD工作日“高峰”呈现出“早低晚高”的模式,而上海居民通勤出行则呈现出“早高晚低”的模式.这一方面是由于早晨通勤、通学的时间约束紧,用户会有意避开地面交通拥堵带来的时间不确定性,而回家的时间约束较松,EVCARD出行表现出在晚高峰时比居民非通勤出行比例相对较高的特征; 另一方面与工作日存在部分下班后直接参与社交娱乐活动的需求有关.因此,首先可认为早晨用EVCARD通勤的出行比例较低; 其次,早晨通勤时段的EVCARD出行峰值主要发生在拥堵较少的区域,这一点将在下文论证.

3.2 空间分布

EVCARD的运营从上海嘉定区开始,逐渐向中心城区和其他区域拓展.截至2016年12月,内环内区域站点密度为0.46个·km2,内、外环间区域为0.22个·km2,外环外区域为0.16个·km2,站点密度由城市核心区向外围区逐层降低.上海EVCARD站点分布如图 4所示.

图 4 上海EVCARD站点空间分布 Fig.4 Spatial distribution of EVCARD station in Shanghai

EVCARD出行绝大多数发生在外环以外区域,起讫点中至少有一端处于外环外的出行占93.4%,而起讫点至少有一端在内、外环间的出行占14.9%,起讫点至少有一端在内环内的出行占8.3%,将跨区域出行平均分配给两个区域后,外环外占85.9%,内、外环间占9.2%,内环内占4.9%.由于内环内车位租金成本是外围区域的数倍,内环内运营投资收益比较低,市场环境下运营商不倾向于核心区布点.图 5为上海EVCARD出行空间分布示意图.

图 5 上海EVCARD出行空间分布 Fig.5 Spatial distribution of EVCARD trip in Shanghai

另一个值得注意的是,AA还率从外环外到内环内依次递增,内环内的AA还率达77%.由于EVCARD按分钟计费,AA还的出行若用于通勤目的将有大量时间闲置,因此理论上AA还出行不是通勤出行.从出行时间分布也可看出,所有区域的AA还出行均未呈现出通勤出行特征,如图 6所示.这意味着在易发生交通拥堵的城市核心区域,EVCARD并不会带来显著的交通负担.

图 6 EVCARD AA还出行时间分布 Fig.6 Round trip temporal distribution in EVCARD

此外,分析不同区域及各区域间跨区域的出行时间分布,可进一步得到EVCARD在通勤时段的出行主要发生在起讫点至少有一端在外环外的区域,如图 7所示.

图 7 不同区域及区域间工作日、周末出行时间分布 Fig.7 Trip time distribution of each area on workdays and weekend

假设同一区域工作日与周末出行时间分布在通勤时段越一致,则该区域通勤时段为通勤目的出行的可能性就越低.

用工作日通勤时段(7:00~9:00及17:00~19:00)的出行比例减去周末通勤时段出行比例可发现,仅起讫点均在外环外的出行,其工作日和周末的早高峰和晚高峰差均高于3%,其中早高峰工作日比周末高5.3%,晚高峰时工作日比周末高3.4%.此外,由外环外区域去往内、外环之间区域的出行在早高峰时出现工作日和周末明显差异(4.9%); 由内、外环之间去往外环外的出行在晚高峰时出现工作日和周末的明显差异(3.0%).其他区域的早、晚高峰工作日与周末差异不大.部分区域在工作日通勤时段的出行比例低于周末同时段出行比例,如内环内(图 7a)、内环内与外环外的跨区出行(图 7e图 7g)、内、外环间去往内环内出行(图 7i).

因此可认为,内环内及内、外环之间区域产生的通勤目的出行比例不高.通勤目的出行主要发生在城市外围区域.

3.3 运营模式特征

EVCARD不同运营模式也呈现出不同出行特征.出行时长方面,AX还运营模式体现出以较短用时出行为主的特征,0.5 h内的出行占35%,2 h内出行占76%;相较而言,AA还出行模式则表现出较长用时的出行特征,1 h内的出行仅占18%,2 h内出行占42%.图 8为不同运营模式的出行时长分布.

图 8 不同运营模式出行时长分布 Fig.8 Trip duration distribution in different operational modes

AA还和AX还两种模式呈现出不同的出行时间分布模式,AA还模式无早晚高峰特征,而AX还存在一定的早晚出行峰值,如图 9所示.

图 9 不同运营模式出行时间分布特征 Fig.9 Trip time distribution in different operational modes
4 用户出行特征

本节通过对比高使用频率用户和通勤时段出行者的特征,分析两者的异同,进而说明EVCARD未来争取的用户(高频用车用户)是否会倾向于通勤时段使用共享汽车出行.

为分析用户相关特征,研究假设用户从首次用车始,3个月后用车行为开始稳定,因此这部分研究仅将实际用车3个月以上的用户纳入分析.表 1为用户相关属性表.

下载CSV 表 1 用户相关属性一览表 Tab.1 Summary of users' attributes

需特别说明的是,通勤时段出行者定义为主要在高峰小时出行的用户,以通勤出行率作为表征指标.通勤时段出行率指用户于工作日7:00~9:00和17:00~19:00取车的订单占其总订单的比值.因不确定判断高峰小时出行者合理的高峰小时出行率阈值,将在0.6~0.9范围内以0.05为间隔共取7个阈值分别建模,以求揭示出更全面和完整的通勤时段出行者特征.

用车连续度定义为用户总活跃月数与自首次用车以来总月数的比值.其统计粒度是月,即用户第i月至少用车1次即认为该用户第i月活跃.

4.1 用户月平均用车频率

因分析用户月平均用车频率的相关性因素时,因变量使用连续变量,因此在模型中,同时设置连续型和离散型变量的自变量均使用连续型变量,如时长、里程、连续性等.利用多元线性逐步回归模型识别出了7个显著相关的因素,如表 2所示.

下载CSV 表 2 用户月平均用车频率影响因素表 Tab.2 Factors affecting vehicle usage frequency of users

模型结果表明,工作日订单率较高的用户其使用频率也高,用户月用车频率越高则通勤时段出行率越低.用户月平均里程与用户月平均用车频率呈负相关性,说明用车高频用户往往是短途出行用户.连续性与用车频率的相关性显而易见,经常使用分时租赁服务的用户,其平均用车频率一般比偶然用车的用户要高.公司用户的用车频率较其他两种类型(普通用户和政府用户)高,与其工作时段免费的特征有关.常驻地在内外环之间的用户用车频率相对更低.年龄越大使用频率越低.

出乎意料的是,EVCARD站点覆盖、地铁站覆盖和公交站点覆盖因素未被纳入模型.考虑到用户用车频率与这3个重要因素可能非线性相关或这2个因素与其他因素存在共线关系,进一步利用Spearman相关性检验.结果显示用户常驻地点是否在EVCARD站点800 m范围内与用户使用频率相关性依然不显著,而用户800 m范围内的地铁站数量和公交站数量与EVCARD用户月平均用车频率显著负相关,p值分别为0.000和0.007,相关系数分别为-0.025和-0.018,地铁比地面公交对EVCARD用户使用频率影响更大.这表明EVCARD高频用户主要居住或工作于公共交通不发达区域,汽车共享模式起到补充公共交通不足的作用.

4.2 通勤时段出行者特征

由于二项logistic回归模型的因变量为0-1变量,该模型中凡设置了名义变量的自变量均使用名义变量,如月平均用车频率分低频、中频、高频,月平均用车时长分短时、中时、长时等.表 3为不同通勤时段出行率阈值用户特征的模型结果汇总.

下载CSV 表 3 二项logistic回归模型特征汇总表 Tab.3 Summary of features in binary logistic regression model

模型结果表明,阈值越高,统计显著的特征越少,且除个别在所有阈值中都显著的特征是低里程、中里程及用车连续,由于这3个特征系数均为负,因此表明通勤者用车较为不连续,且均为长距离出行.年龄因素在除了阈值为0.90时均显著,且为正,表明通勤者年龄较大; 阈值不大于0.75时,用户临近地铁会显著降低其为通勤时段出行者的可能性,这表明通勤时段出行者的居住地或工作地主要在地铁未被覆盖的区域; 阈值更低时,男性用户、外环外的用户更可能为通勤时段出行者,而高频用车用户与出行时间较短的用户则更不可能为通勤时段出行用户.值得注意的是,是否被公交站点覆盖这一因素并不显著,可能是因为地面公交的可靠性和EVCARD相当.

若将通勤时段出行率0.6~0.7的用户定义为“轻度通勤者”,将通勤时段通勤率大于0.8的用户定义为“重度通勤者”,其他为“中度通勤者”.对比三者异同可发现,工作或居住于外环外的男性用户更可能为“轻度通勤者”; 临近地铁站对中、轻度通勤者有显著抑制作用,对“重度通勤者”影响不显著,但“重度通勤者”比例很低(约0.3%).

结合上述两个模型的结果可知,EVCARD高频用户与通勤时段出行者特征基本不一致,且部分特征呈相反趋势.首先,高频使用者与通勤时段出行者在3个主要的特征上呈相反趋势:①用户用车频率与通勤时段出行率呈负相关性; ②高频用车者年龄较小,而通勤时段出行者年龄较大; ③高频用户用车连续度较高,而通勤时段出行者用车连续度低.其次,高频用户更多为公司用户,其常驻地不在内、外环之间区域,而通勤者无此特征; 通勤时段用户的常驻地更可能在外环外区域,而高频用户此特征不显著; 公交站点覆盖会抑制用户用车频率,但对通勤用户影响不显著.以上结果表明,汽车共享未来主要争取的市场(高频用户)主要是非通勤时段出行者,因此汽车共享市场进一步增长并不会显著增加道路负担.

5 结语

本文的基本思路是首先分析EVCARD出行总量是否可能对交通流造成影响,其次分析需求的时空分布是否与交通负担较大的时空分布重叠,以及高使用频率用户与通勤时段出行用户特征是否一致,从这3个方面判断EVCARD未来发展是否(可能)增加交通拥堵.因此不仅是“量”的判断,更是一种“结构性”判断.研究结果表明:①EVCARD出行总量极小,其量级不足以对交通流造成显著影响; ②周末日均出行量高于工作日,周末出行主要发生在8:00~20:00,工作日出行的时间分布相对平均,但早晚高峰时段存在不显著的峰值,无明显通勤特征; ③EVCARD出行主要发生在外环外区域,通勤时段的出行也主要发生在外环外区域,内环内区域主要为非通勤特征出行; ④AA还模式的站点出行特征与AX还站点中的AA还出行时间分布一致,均无通勤出行特征,而AX还模式存在一部分通勤时段的出行; ⑤年龄较小,常驻地不在内、外环之间区域,也不在地铁和公交800 m覆盖范围内的公司用户月平均用车频率高,且这些用户的平均出行距离较短,用车频率更稳定(连续度高),以及更多在工作日出行,较少在交通高峰时段出行; ⑥常驻地不临近地铁站,年龄较大的用户更有可能经常于交通高峰时段使用EVCARD出行,且这些用户多为偶然用车,单次出行距离较远.

以上结果表明,EVCARD当前出行总量在交通出行总量中占比极低,共享汽车出行需求与道路交通资源紧缺较少在时间、空间中重叠,且高需求用户与通勤时段出行者的特征和影响因素并不一致,反而在用户年龄、用车里程、用车连续性以及用车频率等因素上呈相反特征.这意味着当前EVCARD系统的发展与道路交通负担之间的矛盾并不显著,且未来EVCARD要争取的市场(高频用车用户)与交通高峰时段频繁出行者特征不一致甚至相反.因此,本研究初步认为未来EVCARD进一步发展并不会带来显著的交通负担.

由于数据限制,研究只得到初步结论.如在空间层面,分析目前只停留在交通区位,未能进一步分析EVCARD通勤时段出行对具体路段的影响,而后者更有价值,这一问题将在得到GPS数据后进一步研究; 在相关因素识别问题上,目前考虑的自变量因素还非常有限,EVCARD系统外部因素目前仅考虑了用户的年龄、性别,常驻地址以及公共交通覆盖等因素,下一步工作将考虑通过问卷得到更详细的用户社会经济属性,以及纳入更详细的空间因素(如兴趣点POI)和交通因素(如停车场、公交站点)等数据,以得出更为有价值的结论.

参考文献
[1]
MILLARD-BALL A, MURRAY G, SCHURE J T, et al. Car-sharing: where and how it succeeds[R]. Washington D C: Tcrp Report Transportation Research Board of the National Academies, 2005.
[2]
MEIJKAMP R. Changing consumer behaviour through eco-efficient services: an empirical study of car sharing in the netherlands[J]. Business Strategy & the Environment, 2001, 7(4): 234
[3]
BIESZCZAT A, SCHWIETERMAN J. Carsharing: review of its public benefits and level of taxation[M]. Washington D C: Transportation Research Board, 2012.
[4]
FLEMMING G, NOBIS C. The impact of carsharing on car ownership in german cities[J]. Transportation Research Procedia, 2016, 19: 215 DOI:10.1016/j.trpro.2016.12.082
[5]
FIRNKORN J, MVLLER M. Free-floating electric carsharing-fleets in smart cities: the dawning of a post-private car era in urban environments?[J]. Environmental Science & Policy, 2015, 45: 30
[6]
NIJLAND H, VAN MEERKERK J. Mobility and environmental impacts of car sharing in the netherlands[J]. Environmental Innovation and Societal Transitions, 2017, 23: 84 DOI:10.1016/j.eist.2017.02.001
[7]
OHTA H, FUJⅡ S, NISHIMURA Y, et al. Psychological analysis of acceptance of pro-environmental use of the automobile: cases for carsharing and eco-car[J]. Group Decision & Negotiation, 2009, 18(6): 537
[8]
戴帅, 刘金广, 朱建安, 等. 中国城市机动化发展情况及政策分析[J]. 城市交通, 2015(2): 42
DAI Shuai, LIU Jinguang, ZHU Jian'an, et al. Urban motorization development and policy in China[J]. Urban Transport of China, 2015(2): 42
[9]
中华人民共和国国家统计局. 中国统计年鉴(2016)[M]. 北京: 中国统计出版社, 2016
National Bureau of Statistics of the People's Republic of China. China statistical yearbook (2016)[M]. Beijing: China Statistics Press, 2016
[10]
MARTIN E, SHAHEEN S. The impact of carsharing on public transit and non-motorized travel: an exploration of North American carsharing survey data[J]. Energies, 2011, 4(11): 2094 DOI:10.3390/en4112094
[11]
SIOUI L, MORENCY C, TRÉPANIER M. How carsharing affects the travel behavior of households: a case study of montréal, Canada[J]. International Journal of Sustainable Transportation, 2013, 7(1): 52 DOI:10.1080/15568318.2012.660109
[12]
WALB C, LOUDON W. Evaluation of the short-term auto rental (STAR) service in San Francisco, CA[R]. San Francisco: Cambridge Systematics and Urban Mass Transportation Administration, 1986.
[13]
COOPER G, HOWE D A, MYE P. The missing link: an evaluation of carsharing portland inc. portland, oregon[R]. Portland: Portland State University, 2000.
[14]
VINE S L, LEE-GOSSELIN M, SIVAKUMAR A, et al. A new approach to predict the market and impacts of round-trip and point-to-point carsharing systems: case study of london[J]. Transportation Research Part D, 2014, 32: 218 DOI:10.1016/j.trd.2014.07.005