导读：

单向汽车共享服务作为一种富有前景的城市出行模式正日益受到瞩目。然而，城市功能区划与人口分布的天然不均衡，使得共享汽车系统中的出行需求与车辆供给之间极易出现错配与失衡。因此，运营方能否提供高效的车队管理解决方案，以持续提升服务质量与系统效能，便成为单向汽车共享服务赖以成功的基石。具体而言，汽车共享系统的稳健运行高度依赖于一系列关键战略决策技术的支撑，包括：车队规模设定、站点选址与容量规划、充电设施布局与容量确定、出行者与车辆的智能匹配、车辆再平衡及调度人员配置以实现车队动态再平衡，以及针对电动汽车的协同再平衡与充电调度。

本文将简要回溯汽车共享领域的前沿技术进展，并就现存挑战与潜在解决路径提出若干洞见。我们将围绕系统规划、配置，特别是车队运营中涌现的一系列核心议题展开深入探讨与未来展望。在此过程中，本文将聚焦于那些值得运营方、用户群体及交通管理部门共同关注并倾注创新资源的议题，其影响范围横跨技术研发、政策制定、运营优化及监管创新等多个层面。

1、引言

汽车共享正作为一种高效、可持续的城市交通模式在全球众多城市中蓬勃发展。当前，汽车共享服务主要衍生出两种形态：自由浮动式与站点式。在自由浮动式系统中，用户可随时随地（例如通过网约车应用）取车并驾驶至目的地；而在站点式系统中，车辆则被部署于城市各处的专用站点，用户仅需步行至最近站点取车，抵达目的地后，再将车辆归还至邻近站点即可。展望未来十年，汽车共享服务预计将迎来新一轮扩张浪潮。调查显示，超过半数的消费者对汽车共享服务的增长持乐观预期，约27%的城市居民倾向于将其作为日常通勤的选择。

图1 .消费者对共享汽车的接受度

为提升按需出行服务，单向汽车共享系统必须历经精心规划并辅以高效的车队运营管理，从而确保服务质量与系统性能的双重保障。汽车共享系统的规划与管理涵盖了一系列至关重要的决策议题。在规划层面，两大核心问题分别是车队规模的确定，以及停车/充电站的选址与容量设计。进入管理层面，由于出行需求与车辆供应之间、抵达车辆数量与可用车位及充电桩数量之间的天然张力，车辆再平衡便凸显为一项核心运营活动。服务提供商必须持续对车辆进行调度与再平衡，以维系系统动态分布的最优状态。尤其值得关注的是，大规模电动汽车的再平衡与充电调度构成了一个极具挑战性的复合难题，因为它将交通网络与电力网络紧密耦合，催生出一个一体化的交通-能源耦合系统。依据可用数据的颗粒度不同，再平衡与充电调度策略可划分为三大类别：基于即时需求的静态再平衡、利用历史数据驱动的预测性再平衡，以及依托预订系统、针对未来明确请求的精确预测性调度。

2、汽车共享按需出行系统中的热点议题与未决难题

汽车共享系统的技术架构可凝练为三个核心决策层面（见图2）：战略规划层（涉及用户站点与充电设施布局）、战术配置层（涵盖车队规模与停车容量设定）以及动态运营层（聚焦车辆调度与系统再平衡）。本节旨在针对不同层面的前沿技术进行剖析，梳理其间悬而未决的技术瓶颈，并探讨其潜在的破局之道（见图3）。

图2. 按需出行系统中涉及决策制定的现有技术

图3. 共享汽车系统的热点议题与待解决问题

2.1 站点选址与车队规模设定

在站点式汽车共享系统中，用户站点与充电设施的合理布局是关乎系统成败的首要议题。站点选址本质上是一个优化问题，目标在于最大化服务覆盖范围并/或最小化综合运营成本。当前，站点选址技术主要遵循两条路径：基于模型的优化与数据驱动的优化。基于模型的方法通常诉诸于特定类型的数学规划工具，例如混合整数线性规划，并结合时空网络等数学模型。决策过程需审慎考量一天中不同时段内所有起讫点对之间的出行需求波动。该问题既可构建为单目标规划，也可拓展为多目标规划乃至动态规划加以求解。

与站点选址紧密交织的另一议题是系统规模设定，即如何确定最优车队规模与停车容量，以确保在成本约束与特定限制条件（如道路拥堵、停车空间）下满足既定的服务质量要求。此问题的复杂性在于，系统规模与服务质量之间存在着经典的权衡取舍关系。更大的系统规模固然意味着更高的资本投入，却也能换来更高的车辆与车位可用性，从而表现为更短的用户等待时间与更多的停车空间。一个行之有效的系统规模设定方案，必须在运营收入、维护成本与服务质量之间寻求精妙平衡，并兼顾运营方、用户及公众三方的核心利益。

运营方得以借助大数据的东风（无论是源自真实世界的统计数据，抑或是仿真模拟生成的数据）来赋能站点选址与系统规模设定。数据驱动的方法立足于多源数据分析以敲定站点位置与车队规模，例如车辆轨迹分析、起讫点分析以及出行需求时空分布特征的挖掘。在实践中，决策往往通过层次分析法等工具做出，综合考虑潜在用户群体、出行需求强度、出行目的、距离等多重因素。然而，该方法在很大程度上依赖于候选站点的预设与专家评分，难免带有一定的主观色彩。此外，数据的多样性、精准度、有效性以及数据处理的具体方式，都会对站点选址与车队规模设定的最终结果产生深远影响。

观察与洞见

在传统的车队规模设定模型中，常假设用户若发现无车可用便会即刻离去，从而忽视了实时道路拥堵与停车位饱和的动态影响。这一简化将导致对车队周转率的高估及对实际所需车队规模的低估。为更精准地刻画拥堵与停车容量限制，可将系统建模为一个包含若干缓冲区的闭合排队网络。

车辆与停车位的可用性及利用率，是贯穿站点选址与车队规模设定两大议题的关键纽带。尤其是，有限的停车位将不可避免地引发停车难题，用户可能不得不在热门站点排队等候还车。系统可引入巡航停车机制，在目标站点无可用车位时，智能引导用户前往邻近的备选站点。

鉴于当前市场上并存着多家运营商，站点选址与系统规模设定问题已演变为一个在现有市场参与者与新进入者之间展开的动态博弈。对博弈双方而言，其目标皆在于追求利润最大化或市场份额最优化，并在决策时必须将竞争对手的可能行动纳入考量。站点的竞争性布局与系统规模设定问题正日益吸引研究人员与工程师的目光。一种颇具潜力的解决方案是基于种群的优化技术，例如竞争性多元宇宙优化算法，该算法通过模拟宇宙间的优胜劣汰与学习机制来逼近最优解。

2.2 车辆与出行请求的智能匹配

在自由浮动式汽车共享服务中，如何将实时涌现的出行请求最优地分配给可用车辆并为其规划最佳路径，构成了一项核心运营挑战。每一个出行请求均携带着请求时间、上车地点与下车地点等关键信息。当前，一种广泛应用的乘客分配策略是基于位置的贪心算法，该算法倾向于将距离最近（或预估行驶时间最短）的车辆分配给乘客，并沿已规划的路线前往接驾（见图4）。贪心算法虽侧重于即时的乘客满意度，却难以保障全局车辆利用率的最优。由于整体车辆供给与乘客需求在时空上的结构性错配，该算法往往只能收敛于次优解。近年来，基于多智能体的方法被引入以最小化平均等待时间或全局接驾距离，但此类算法仍面临着计算耗时较长、成功率有待提升等瓶颈。

图4. 车辆运营调度

在某些场景下，行程相似的乘客可以共享同一辆车并分摊费用，此举既能降低个体出行成本，又可提升单车利用效率。当前流行的拼车方案包括并行竞标机制与统一定价机制。竞标机制要求乘客提交拼车报价，但受限于隐私顾虑，在实践中难以落地；定价机制则更为简便，仅需乘客接受运营方给出的统一报价。然而，现有的拼车方法普遍忽略了交通拥堵与行程时间波动等关键动态因素，导致乘客可能面临过长的等待时间，进而削弱了服务的吸引力与竞争力。

观察与洞见

在高峰时段以及突发事件（如交通事故、恶劣天气、大型社会活动等）背景下，车辆与请求的精准匹配显得尤为棘手。拼车问题的本质是对不同容量的车辆进行动态取送货路径规划，其中海量的、具有独特时空分布特征的请求必须在预设的时间窗内完成响应。解决此问题的主要挑战在于需要探索极其庞大的决策空间。因此，任何解决方案都必须具备极高的计算效率，以便能够近乎实时地为用户提供有保障的预订与出行体验。理想情况下，需要将车辆-乘客匹配问题与车队再平衡问题整合进一个统一的算法框架内，并且该算法需具备足以支撑大规模运营的计算效能。

拼车服务的普及高度依赖于乘客在与陌生人同乘时是否感到足够安全，这是一种深受多重因素影响的复杂用户行为。拼车服务提供商必须通过允许用户进行反馈和自主选择来积极回应并引导顾客行为。换言之，汽车共享服务，尤其是拼车服务，亟需迈向个性化与定制化的新阶段，以精准适配每一位潜在顾客的独特偏好与需求。

2.3 车辆与调度人员的协同再平衡

汽车共享系统天然地趋向于失衡状态：车辆会在城市的热门区域不断积聚，而在其他区域则迅速耗尽。因此，车队的动态再平衡对于保障整个系统内车辆可用性的均匀分布至关重要（见图5）。当前，主流的再平衡方法可归为两类：用户驱动型与运营方主导型。用户驱动型方案巧妙运用价格杠杆激励用户将车辆停放至有利于系统平衡的站点。另一种思路则是给予目的地为高需求区域的用户更高优先级，或对前往高供给区域的行程请求予以降级处理。在多数按需出行系统中，用户驱动型方案通常作为运营方主导型方案的有力补充。运营方主导的再平衡方法则更为精密复杂，它涉及调度人员将闲置车辆从供给过剩的站点重新部署至需求旺盛的站点。由此，在车队再平衡问题中便衍生出一个伴生难题——调度员自身的路径规划与任务调度问题。一套理想的实时决策方案应能同时输出即将到来的请求与可用车辆的最优匹配方案、最优车辆再平衡计划以及调度员的精准行进路线。一个卓越的再平衡方案必须在运营方的成本收益考量与用户的服务质量关切之间达成一种精妙的权衡与兼顾。

图5. 车辆再平衡示意图. 每个站点都有一个乘客队列（黄色圆点）和一个车辆队列。队列首位的乘客乘坐队列首位的车辆，站点3和站点4的圆圈中展示了这一过程。注意，站点1没有可用车辆，站点2没有等待乘客。在再平衡过程中，系统将空驶车辆从站点2调度至站点1。

观察与洞见

运营方可通过融合实时预订与提前预订机制来进一步提升车辆利用率。这一集成决策过程可划分为两个阶段：首先确定宏观的车辆再平衡计划，继而生成微观的调度员执行方案。现有系统通常依赖于特定的实时算法，如模型预测控制、排队论、网络流方法、马尔可夫链方法等。考虑到系统固有的高度动态性与庞大规模，一个由滚动时域算法与定制分解算法构成的混合求解框架更具实用价值，且有望取得更优的实践效果。

移动终端、路侧单元、车载自组织网络与高精度数字地图等先进技术的广泛渗透，使得基于出行需求、车辆供给和实时交通状况的全局最优决策成为触手可及的现实。通过精准捕捉请求与车辆的时空分布图景以及瞬息万变的交通态势，并借助大数据与人工智能的强大力量，我们完全有能力开发出能够动态保障供需平衡与卓越服务质量的新一代技术。

2.4 充电调度与系统再平衡的耦合挑战

汽车共享系统正加速向全面电动化转型，而电动汽车受限于其有限的续航里程与相对漫长的充电时长，这便催生了系统中一个根本性的新需求——智能充电调度，并使其成为最具运营挑战性的联合决策难题之一。电动汽车的调度任务如今承载着双重目标：高效充电与系统再平衡（见图6）。该问题的复杂性不言而喻，因为我们需同时决策：i) 运送服务人员的服务车辆路线，ii) 服务人员自身的行走路线，iii) 哪些车辆需要被充电或再平衡，以及 iv) 选择哪个充电站点（这并不总是最近的那个）执行任务。

图 6.共享汽车系统中的车辆调度与人员调度

不少企业也在积极探索替代性方案，例如部署燃料电池汽车，或建设能在与传统燃油车加油相仿的时间内完成电池更换与氢气加注的中继站。然而，氢燃料加注站的网络密度在多数地区仍远远不足。

观察与洞见

作为一种分布式储能单元，电动汽车可借助车辆到电网（V2G）技术灵活扮演电源或负荷的角色，为电网提供宝贵的辅助服务。鉴于共享汽车车队大部分时间处于闲置状态，这种双向互动使得电网的负荷转移更加游刃有余。通过优化充电时间规划并确保负荷平衡，我们不仅能够消解大规模电动汽车接入对电网可能造成的冲击，更能使电动汽车通过V2G技术积极参与到智能电网的电压与频率调节乃至动态电价响应中去。

对于大规模、基于电动汽车的按需出行系统而言，电网的运行状态可能会深刻影响充电调度的决策，反之亦然（见图7）。因此，一个完善的充电调度解决方案，除了需考量充电延迟这一基本指标外，还必须将电网的交互影响纳入决策框架。更进一步，鉴于V2G运营的双向特性，电网侧的运营优化技术也应充分发掘并有效缓解电动汽车作为重要参与者大规模并网所带来的深远影响。

图 7. 交通网络与电力网络的耦合

3. 总结与展望

汽车共享行业将在未来数年内持续高速增长，并将迎面新的机遇与挑战。席卷全球的电气化浪潮以及自动驾驶、泛在大数据、丰富应用生态等技术变革，正在共同塑造未来城市出行的崭新图景。与此同时，新冠疫情的阴霾与乌克兰危机的冲击也为汽车共享的前景增添了不确定性。疫情之后，公众出于对感染传播的警惕，可能更倾向于选择独自出行。汽车共享运营商必须不遗余力地推行严格的健康与安全举措，以重建并维系乘客在疫情之中及之后的出行安全感。此外，俄乌战争引发的全球油价飙升，也使得汽车共享服务的定价策略与市场需求充满了更多变数。面对健康焦虑与价格波动的双重考验，运营商更需着力于重塑共享汽车市场的供需格局，并不断增强自身运用前沿技术与数据分析以改善服务的核心能力。可以预见，未来几年，制造商、汽车共享运营商以及政府相关部门将积极求变，在多个方向上协同发力。

自动驾驶汽车将赋能汽车共享迈向新高度

在可预见的未来，一旦技术与法律法规条件成熟，运营商将竞相在其车队中部署自动驾驶汽车。此举将显著降低城市居民保有私家车的必要性，并为那些无法或不愿亲自驾驶的人群开辟一条极具吸引力的出行新选择。业内专家普遍认为，在不久的将来，您只需预订一次拼车服务，便可静候一辆自动驾驶汽车载您前往任何心之所向。行程结束后，车辆将依据智能算法的指引，自主驶向需求旺盛的区域。车速调控、超车决策及安全车距将由IT系统精准掌控，而路径优化、泊车、充电乃至所有物流环节都将实现完全自主化。这样一个高度自治的按需出行系统，能够自主完成系统级的协同、再平衡与再充电任务，从而极大增强城市交通的流动性，有效降低出行成本与事故发生率。

以大数据的深度分析能力提升汽车共享服务

汽车共享服务的成功，将在很大程度上取决于运营商评估最高效、最有益路线、区域、资源及容量的能力。若缺乏系统性的数据分析作为支撑，这一切便无从谈起—数据分析的要义不仅在于生成数据，更在于从中提炼出更具穿透力的洞察，使其更易于被理解与运用。要真正释放数据分析的价值，绝不能将视野局限于汽车共享数据本身，而应将其与更广阔的出行数据集相关联，例如多模式公共交通数据、实时道路交通状态，乃至天气与空气质量数据。立足于海量且泛在的多源数据集，我们将能够实现对交通流、出行需求，乃至服务网络内车辆时空分布的精准、实时预测。届时，汽车共享服务中涌现的任何运营优化需求，均可借助先进的算法与人工智能技术（如深度强化学习与图注意力神经网络）得到从容应对。

整合多模式出行服务，共筑智慧城市愿景

公共交通在城市出行体系中扮演着无可替代的关键角色，然而，大都市中的地铁与路面公交网络正日趋饱和。智慧城市的终极愿景是编织一张无缝衔接的可持续出行生态网络，将公共交通、汽车共享系统、停车、充电及各类多模式交通融为一体。而所有这一切，最终都将能通过一个单一的应用程序触手可及，从而实现高效、可达的城市出行新体验。为了让人们更顺畅地迈入共享化、网络化的城市出行新时代，未来的汽车共享系统、微出行服务（如共享电单车、电动滑板车）与公共交通之间必将实现更为紧密的互联互通。

运营商与城市管理者需携手并进，共同打造一个统一、全面且数字化的出行解决方案。该方案必须具备可靠、高效、舒适、高可用且低成本的特质。诚然，前行的道路上依然横亘着诸多挑战，涵盖商业模式创新、系统互操作性、可扩展性、服务可用性、数据收集与分析、用户隐私及信息安全等多个关键维度。