MIT未来交通洞察⑧︱城市出行与自动驾驶汽车
本文需阅读 - 43分钟
Sustainable
Mobility
| 3月27日期
翻译/郭豪飞、孟庆坤、贾君妍、赵雅薇、董芳君、王雨琪、李曌、孙艺芸、季钧一、罗津宇、滕敏、尤雨婷、李希颖、木易、罗谭晓思、柯晟、郝正博、易媛媛、赵焜、张楠
文献/洪书尧排版/滕敏
城市交通一直以来都伴随着一系列挑战，如何解决拥堵、安全、环保等问题。而近年共乘服务、共享单车、共享摩托车等创新型交通服务得到了蓬勃发展，面临多重选择，到底哪种新兴的出行方式适用于当下的城市交通系统，未来交通规划如何平衡网联自动驾驶技术与现有出行模式之间的关系等等问题应运而生。本章根据全球城市交通出行情况和经济发展差异，将其划分为12种类型，并通过对其中3种城市类型注入交通新兴技术和创新服务建立仿真模型，深入探讨了这些新的出行服务是否适合现有的城市交通系统，形象刻画了未来交通服务变化的场景。
第五章
城市出行和自动驾驶汽车
（Urban Mobility and Autonomous Vehicles）
全球城市地区的客运体系规划设计面临着日益增长的巨大挑战，即如何可持续、安全、高效、经济且公平地满足正在扩大的人口流动性需求。然而这并不是一件简单的任务，因为如今许多城市随着人口的持续增长，面临的交通拥堵、空气污染和其他负面影响却在进一步恶化。联合国预计，到2050年，全球城市人口比例将达到68%（2018）。城市化发展可能会引起人们消费偏好和出行模式的变化，从而增加对城市流动性的需求。同时，由于新兴技术（包括汽车电气化）和服务创新（例如按需租车和共乘服务，还有共享摩托车和共享单车） 的注入，城市交通系统的现状更为复杂。如今个人出行面临的交通选择比以往任何时候都要广泛，所以世界各地的城市都在努力弄清楚这些新服务将在哪些方面适合现有的交通系统。即使社会学会了应对当前的干扰，未来的规划也需要额外考虑网联自动车辆将如何与现有的出行模式、城市基础设施、监管结构和消费者行为互动。
新的按需服务
（New on-demand services）
信息通信技术的进步大大增加了在城市环境中提供的移动解决方案的选择范围，并使得按需共享移动平台的增殖成为可能（如共享汽车、拼车、拼车、网约车和自行车租赁） （Smith 2016）。这种按需出行（MOD）系统增加了一些人的出行可达性，包括那些难以使用现有交通方式的人，或处于传统出租车和公交服务不便捷的社区的人。然而，人们却越来越担心MOD对公共交通客流量和拥堵的负面影响（Barrios, Hochberg和Yi 2019；Schaller 2018）。
如果按需出行服务加入自动驾驶汽车，这些负面影响可能会加剧。根据成本和服务水平，自动按需出行 （AMOD）系统可以减少使用更可持续的模式，如公共交通、骑自行车和步行（Le Vine和Polak 2014）。Basu等人（2018）的研究表明，在人口密集且以公共交通为导向的城市中，AMOD完全替代公共交通的极端情况是不可持续的。然而，在未来不同城市环境中，交通出行将如何在AMOD、公共交通和其他现有模式之间分配，以及对拥堵、车辆行驶里程（VKT）和环境方面的总体影响，仍然存在很大的不确定性。本章探讨了在不同的城市环境中，AMOD、公共交通和私家车之间相互影响的不确定性。本章提出的城市类型学和模拟框架旨在量化在不同城市引入AMOD（单独或与互补的政策干预相结合）的未知影响。
网联自动驾驶汽车
（Autonomous and connected vehicles）
在全自动驾驶汽车实现之前，自动驾驶和网联汽车技术的发展仍然面临许多挑战（Marshall 2017）。然而，大量的模拟实验和现场试验正在帮助推动这项技术向前发展。截至2019年8月，全球有多达90个城市实施了自动驾驶汽车试点项目，这一数字在过去几年中持续增长（彭博阿斯彭城市和自动驾驶汽车计划 2019）1。虽然部分人期待到2050年能够普及全自动驾驶车辆（Lanctot 2017），其他人则认为在其完全应用之前，仍然存在着一些必须克服的障碍，包括更多的技术进步，公众认可，合理规定制度，基础设施完善以及经济可行性（Fagnant和Kockelman 2015）。虽然自动驾驶和网联汽车可以在传统的个人车辆所有权模式下运行，但许多人预计，该类型车辆将被广泛应用在城市地区范围内提供按需出行服务的车队中。然而，自动按需服务与现有交通方式的相互作用，以及由此对出行模式和整体交通系统运行的影响仍不清楚。虽然一些研究人员估计，自动驾驶汽车成本的降低（Pavone 2015）可能会增加车辆总行驶距离(Wadud，MacKenzie，和Leiby 2016)，但其他人预期，车辆出行共享的增加、汽车拥有量和城市停车用地的减少反而会带来好处（Zhang和Guhathakurta 2017）。汽车自动化对交通拥堵的影响尤其不确定。一方面，网联汽车与其他车辆和交通基础设施连接，并通过更密集的行驶来增加道路容量（队列化）。另一方面，较为便宜的按需服务可能会有其他附属要求，而未充分利用的车队可能意味着更多车辆在路上空驶。
研究路径（Roadmap）
本章主要讨论城市环境下出行流动性的创新问题。考虑到全球各地城市的多样性，我们首先通过抓住城市经济和交通特征的关键模式来确定一种城市类型学（第6.1节）。接下来，我们将选定城市类型中的一个子集构建城市模型。该模型能够探索在不同出行模式和交通网络的情况下，城市不同出行水平的供需关系。然后，我们使用场景分析来衡量每个城市中破坏性技术的潜在影响。我们特别关注在现有交通模式、交通拥堵、私家车和按需车辆出行量（VKT）、能源消耗和排放等方面引入AMOD的潜在影响（第6.2节）。我们对这些模拟研究进行了深入补充，通过讨论现存必要的监管框架，以确保自动驾驶车辆的安全运行（第6.3节），还包括关于自动驾驶车辆安全性的国际民意调查（第6.4节）。
6.1 城市类型（Urban Types）
图6.1、基于确定因素的城市类型雷达图
注：雷达图表示各类型城市归一化因子得分（0~1）的平均值，Oke等（2018）
世界各地的城市在社会人口构成、交通网络和城市流动模式方面表现出显著的差异。城市交通出行解决方案必须充分考虑这种多样性。然而，这种多样性也给在城市层面上研究未来的交通出行系统带来了难题。考虑全球每个城市的独特性是不切实际的，并且可能会错失识别城市间联系趋势的宝贵机会。另一方面，城市交通系统的“一刀切”战略方式同样站不住脚，并将注定无法应对各个城市面临的一系列挑战。
因此，将城市进行一定程度的分类对于降低全球城市固有的复杂性和多样性是必要的。我们采用一种基于城市形态和出行行为指标的聚类分析方法，对全球范围内的城市进行分类。从这个分析中，我们能够识别出一组可管理的小而多样的“城市类型”，它们广泛地代表了世界各地城市形态和出行模式。对于选定的城市类型，我们开发“标准城市”，代表每种类型城市的平均或一般特征。然后，标准城市可用于分析场景并生成与该类型的真实城市相关的结果。
表 6.1、城市类型描述
注：BRT指快速公交系统，加粗城市被选定为标准城市。
6.1.1
十二种城市类型(Twelve City Types)
我们将“城市”定义为至少有75万居民的城市群。从全球700个符合这一定义的城市中，我们分析了331个城市(124个国家)，这些城市的数据具有一致性和可比性。对于每个城市，我们收集了64个城市指标的信息，从中我们确定了9个主导因素：地铁、快速公交(BRT)、公共自行车、发展、人口、可持续性、拥堵、蔓延度和网络密度(Oke等 2018)。然后，我们将这331个城市集中在这9个因素上，分成12个独特的城市类型(图6.1)。
表6.1总结了每种类型的主要特征和城市案例，图6.2展示了不同城市类型的地理分布。其中有两种归为Auto类型，这些城市都有较高的小汽车拥有量，两者都主要分布在北美。Auto Innovative型城市指的是一些规模较大、人口较密集的城市，相对于Auto Sprawl型城市而言，有相对较高的公共交通使用度 (包括重型铁路)和模式共享。Mass Transit Heavyweights型城市则是在全球范围内相对于其他类型而言，在地铁、公共自行车和可持续性这三个因素上有着较高分值的大型城市。相比之下，Mass Transit Moderates是指在公共交通（公共汽车、轨道交通）和活跃流动性方面有相对高分数的较小型城市。
图6.2、12种城市类型世界分布情况
Congested Boomer型城市代表了那些增长快速的特大型城市，他们存在严重的交通拥堵和地铁利用率低的问题，特别是在印度的班加罗尔、孟买和德里。
大多数撒哈拉以南的非洲城市都属于Congested Emerging，因此突显出这样一个事实，即由于迅速的人口增长和城市化，许多尚未成为超大型城市的地区很快将面临Congested Boomers这样的挑战。Hybrid型城市无论在私人出行模式还是公共模式下都表现出了相似的特征，且收入相对较低。Hybrid Giant型城市拥有比中等城市更密集的人口密度。它们主要分布在拉丁美洲、东欧和中亚。中国是地铁、自行车城市的故乡，这些城市的特点是都拥有公共自行车，并且得到快速且广泛的交通发展。子分类中Giants型城市包括中国最大的特大城市群体，这些城市在人口方面上得分极高。Emerging型城市则代表中国其他的城市，它们在人口方面得分较低，但在其他九个因素上呈现出类似的趋势。最后，Bus Transit Dense型和Bus Transit Sprawl型城市在拉丁美洲都有大量的代表案例。在这两种公共交通为代表的的类型中，Dense型城市拥有更密集的人口；拉丁美洲以外的这类城市典型代表有雅加达和德黑兰。
6.1.2
三种标准城市(Three Prototype Cities)
我们在表6.1中的12种城市类型中选择了3个来进行进一步分析，它们分别是：Auto Sprawl型，Auto Innovative型，和 Mass Transit Heavyweight型城市。我们选择这些城市以关注新移动技术和服务的引入如何在私人汽车和公共交通使用水平显著不同的城市中发挥作用（表6.2）。Auto Sprawl和Auto Innovative型城市都表示汽车出行模式占总出行比例高的城市（主要在美国和加拿大）。这两种类型的主要区别在于它们的公共交通使用水平，其中Auto Innovative型城市为10%，而Auto Sprawl型城市为3%。然而，这两种以汽车为导向的城市类型，与Mass Transit Heavyweight型城市近40%的交通共享量相比就显得微不足道了。
表6.2、为模拟和场景分析所选择的三种城市类型的主要特征
注:所有报告的数值代表了各个城市在各自类型中的平均值。
对于所选的三种类型，我们每一种都创建一个最能代表该城市类型特征的标准城市。生成标准城市的过程包括三个部分：人口与土地综合利用、需求模型校准、交通供应系统开发和模型校准（Oke等 2019）。标准城市的活动和模式共享被校准到该类型城市的平均值（表6.2）。然后，对于每个标准城市，我们使用SimMobility平台对工作日进行详细的、大规模的、基于agent的出行决策模拟（Adnan等 2016）。我们使用SimMobility来评估一组场景，这些场景重点分析AMOD服务的引入及其对城市出行模式的影响。
6.2 城市出行场景分析
（Urban Mobility Scenario Analysis）
在本节中，我们将使用场景分析来研究AMOD如何与现有的城市交通系统和新的交通政策相互作用。我们的方案不仅考虑了AMOD的引入将如何改变现有交通模式在不同城市环境中的使用，还考虑了AMOD的影响将如何变化，这取决于它是作为竞争对手引入，还是作为公共交通和私家车使用的补充手段。
6.2.1
场景描述(Scenario Deions)
AMOD与其它交通模式整合在一起更好，还是让它直接参与竞争？是否应该放弃其它交通工具而选择AMOD？减少家庭汽车拥有量的政策将如何与AMOD的引入相互配合作用？我们通过比较下列场景的模拟结果来回答这些问题——包括交通模式共享和转移、交通拥堵、车辆行驶里程数、能源和排放。
1、Base Case：每个标准城市的Base Case模拟采用的是它们于2016年时期的条件和服务情况。
2、AMOD Intro：这个场景模拟了当为每个标准城市提供AMOD服务，且该服务的使用完全由市场力量决定的情况。此场景还包括一个供消费者使用的共享乘车（网约车）AMOD选项，以进一步降低票价和能源消耗。该模型假设消费者对AMOD服务的偏好与对人类驾驶的MOD服务的偏好相同。
3、AMOD No Transit：该场景下，AMOD不仅取代了现有的MOD服务，还作为大运量公共交通的替代品——因此我们移除了整个交通网络。这个场景的设定是为了回答这样的问题，即AMOD是否能够完全取代公共交通？又是在何种城市条件下可以实现？如果可能的话，这种替代产生的后续结果又是什么？
4、AMOD Transit Integration：该场景下的综合票价计费结构鼓励AMOD作为第一/最后一英里的交通解决方案。具体来说，当AMOD被用于铁路站点的出入连接时，将获得20%的补贴。非一体化的AMOD仅限于本地出行，规定在Auto Sprawl型和Auto Innovative型城市中出行距离小于7.5英里，在Mass Transit Heavyweight型城市中出行距离小于3英里。在这个场景中，AMOD被引入作为公共交通的补充（一体化），而不是作为竞争对手。
表6.2、为模拟和场景分析所选择的三种城市类型的主要特征
注：绿点表示已对该城市场景经行评估，空白则表示未被评估。
5、AMOD + Car Reduction：这个场景模拟了限制汽车所有权后的影响，同时引入了低成本的AMOD服务来代替传统的MOD。通过将一辆汽车年使用成本增加1.2万美元，使家庭拥有汽车的人数减少了25%。我们的模拟假设，AMOD服务将增加，以满足汽车保有量减少所带来的新需求。此场景仅针对大型城市进行开发和评估，因为此类城市中的许多城市已经实施了限制汽车拥有或使用的政策（例如新加坡和伦敦）。
为理解不同场景如何与不同的城市环境交互，我们模拟了每个适用于标准城市中的场景：Auto Innovative型，Auto Sprawl型和 Mass Transit Heavyweight 型城市（表6.3）。我们没有模拟Mass Transit Heavyweight标准城市的AMOD无交通场景，因为在这种类型的城市中，如果公共交通网络被完全移除，将会出现交通的全面性拥堵（Basu等 2018）。相反，我们在Mass Transit Heavyweight型城市中模拟了AMOD+ Car Reduction场景，因为许多这类城市（如新加坡和伦敦）已经限制了汽车的使用和（或）所有权。在每个模拟场景中，自动按需车辆的数量都被调整为满足特定场景中AMOD服务的需求（Oke等 2019）。
6.2.2
场景假设(Scenario Assumptions)
本节概述了场景分析中关于模式可用性（表6.4）和成本或票价（表6.5）的关键假设。更多的研究技术细节可以在附录C中找到。
在Base Case场景中，所有现有模式均可用，包括私人车辆、出租车、人力驱动MOD、公共交通（包括公共汽车和轨道交通）以及步行和骑自行车等绿色出行模式（表6.4）。在AMOD场景中，所有出租车和人力驱动MOD服务都被AMOD所替代，AMOD可以提供单方、独自出行或多方、共享出行。在AMOD且无公共交通的情况下，公共汽车和火车选项也被删除。
虽然对于每个标准城市，场景间的模式可用性是相同的，但是不同模式的相对成本因城市类型的不同而不同。对于每种城市类型，Base Case场景的成本来自于公开可用的数据（表6.5）。在我们的场景中，AMOD和人类驾驶MOD之间的关键区别在于费用。我们的设定是，AMOD服务的成本是现有出租车服务的一半。在该设定中，实现了自动驾驶汽车技术的高度成熟、未来自动驾驶汽车设备的低成本以及一个成熟的支持性监管框架（Pavone 2015）。
表6.4、各场景下模式可用性
注：绿点表示该模式在给定场景中可用；空白表示该模式不可用。
表6.5、各类型标准城市不同模式的成本/票价（美元）
注：出租车成本来自网站 Taxi -calculator.com（2019），Auto Sprawl型和Auto Innovative型城市的人类驾驶MOD 成本来自于Uber Technologies, Inc.（2019），Mass Transit Heavyweight型城市的人类驾驶MOD成本来自于Grab（2019）。对于Auto Sprawl型和Auto Innovative型城市，汽车每分钟的成本估计采用预期速度40公里/小时，对于Mass Transit Heavyweight city 型城市采用25公里/小时。
6.2.3
场景分析结果(Scenario Results)
我们比较了三类标准城市的情况（Auto Sprawl、Auto Innovative和Mass Transit Heavyweight），以考察在不同的城市环境中，注入AMOD服务的影响。对于每个场景，我们考虑了三个标准城市的需求影响（包括不同交通模式所占比例的变化）、拥堵、VKT（私人拥有和按需供应的车辆）、能源和排放。
需求（Demand）
首先，我们考虑引入AMOD服务是否会引发出行需求（图6.3）。我们发现，在公共交通便利的城市，交通工具潜在需求的可能性要比依赖汽车的城市低得多。值得一提的是，我们发现，与基本情况相比，AMOD的引入导致了需求（以总出行次数衡量）在Auto Sprawl型城市中增加了4%，在Auto Innovative型城市中增加了2%。在另一方面，我们观察到在Mass Transit Heavyweight型城市引入AMOD后引发了一些细微的出行需求。接下来，我们考虑场景中每个标准城市的模式共享和转移（图6.4-6.6）。
图6.3、各标准城市中按模式划分的每日出行次数
注： Base = Base Case场景；AMOD = AMOD Intro场景；AMOD NT = AMOD No Transit场景； AMOD TI = AMOD Transit Integration场景；AMOD CR = AMOD + Car Reduction场景。
我们首先将AMOD Intro场景与Base Case场景进行对比。我们观察到，AMOD的引入增加了所有三个标准城市按需出行的客流量（用AMOD替代人力驱动的MOD或出租车），但在人口密集、依赖汽车的城市中影响最大，在这些城市中，AMOD主要替代私家车出行（图6.4）。在Auto Sprawl型城市中，按需出行的比例增加了8个百分点：从Base Case场景中的人力驱动MOD和出租车占5%，到AMOD Intro场景中的AMOD占13%。另一方面，私家车出行（私家车和拼车）的比例从86.5%下降到77%，下降了9.5个百分点。在Auto Innovative型城市中，按需出行的比例从4%上升到13%，增加了9个百分点，但在相同的场景中，私家车出行的比例仅从79.5%下降到72.5%（相差7个百分点）。在Mass Transit Heavyweight型城市中，按需出行的比例从2%上升到6%，而私家车出行的比例仅从33.5%小幅下降到32%。
（a）Auto Sprawl型城市
（b）Auto Innovative型城市
图6.4、Base Case, AMOD Intro, 和AMOD No Transit 场景下运输方式分担率变化
我们还观察到在以下三型城市中，AMOD模式的引入逐渐吸引了原本属于公共交通的客流：在Auto Sprawl型城市中，由公共交通承担的出行占比从4％降至3％（相当于每天减少7.7万多次出行）；与之相对应的在Auto Innovative型城市中从10％降至8.5％（相当于超过21万次出行），在Mass Transit Heavyweight城市中，从38％降至36％（相当于超过26万次出行）。
如果假定在AMOD No Transit场景下放弃了公共交通出行模式，则Auto Sprawl 型城市的按需出行（on-demand trips）的占比将从Base Case场景（5%）或AMOD Intro场景（13%）显著增加到AMOD No Transit场景（15%）。但AMOD No Transit场景中的私家车出行占比（77%）比Base Case场景（86.5％）小，与AMOD Intro（77％）相同。这表明AMOD模式可以在一些人口密度低，汽车依赖型的城市中代替公共交通，并且在这些城市中一些初具规模的交通出行模式将被AMOD和私家车出行代替（如图6.4a所示）。但是在人口密度高，汽车依赖型的城市中，公共交通的地位更为关键。在Auto Innovative型城市中放弃公共交通运输将导致按需出行的比例从Base Case场景（4％）或AMOD Intro场景（13％）增至AMOD No Transit场景的16％。此外AMOD No Transit场景中的私家车出行占比（77.5％）比Base Case案例（79.5％）仅略有减少，但与AMOD Intro（72.5％）相比却有所增加。在这种情况下，除了活跃通勤活动和其他活动外，公共交通客流将会转移至私家车和拼车上（如图6.4b所示）。
在所有类型城市中的AMOD Transit Integration场景下，公共交通出行占比率被蚕食的情况颠倒了过来，反而在汽车依赖型的城市中，私家车的出行比例大大减少了（如图6.5所示）。在Auto Sprawl型城市中，AMOD Transit Integration场景下按需出行的比例为12％（AMOD Intro场景下为13％），私家车出行的比例为75％，（AMOD Intro场景中为77％），公共交通出行占比是3.5％，以及来自AMOD-to-transit connections模式的3.5%（AMOD Intro场景下只有3％）。在Auto Innovative型城市中，AMOD Transit Integration场景下按需出行的比例为12％（AMOD Intro场景中为13％），私家车出行的比例为69.5％（AMOD Intro场景中为72.5％），公共交通出行占比9%以及AMOD-transit模式所占的4％（AMOD Intro场景中为8.5％）。与Auto型城市相反的是，在Mass Transit Heavyweight型城市中，私人车辆（如汽车和拼车）的出行占比不会随着AMOD模式和公共交通的整合而改变。但是这种整合确实导致了AMOD模式出行占比的减少（从AMOD Intro场景中的6％降低到AMOD Transit Integration场景中的3.5％），同时也导致了公共交通出行占比的增加（从在AMOD Intro场景中为36％增加到在AMOD Transit Integration场景中35％（并加上AMOD-transit模式的4.5％）。Mass Transit Heavyweight型城市的最后一英里中AMOD与公共交通的整合对公交出行份额的缓解作用不如Auto Innovative型城市明显，进一步凸显了随着AMOD的引入甚至整合到现有的多模式交通系统中，不同水平的公共交通可用基准线将导致出现非常不同的出行占比率的转移。
最后，我们考虑了在Mass Transit Heavyweight型城市中AMOD + Car Reduction场景的影响。首先我们注意到出行次数没有发生明显变化，这表明即使我们将私家车保有量减少了25％，但与Base Case场景相比，这对出行次数的影响也很小（如图6.3所示）。然后我们考虑模式占比量和变化量（如图6.6所示），我们发现AMOD模式的出行占比从AMOD Intro场景（6％）略微增加到AMOD + Car Reduction场景（6.5％），私人汽车出行的份额从AMOD Intro场景（32％）下降到AMOD + Car Reduction场景（26.5％），而公共交通出行的比例从AMOD Intro场景（26％）增加到AMOD + Car Reduction场景（41％）。 总体来说AMOD + Car Reduction场景中观察到的效果与在AMOD Transit Integration场景中类似：相对于Base Case场景，这两种场景均减少了私家车出行，并增加了公共交通客流。
6.2.4
拥堵（Congestion）
为了评估AMOD在各场景中对拥堵的影响，我们考虑了出行时间指数（TTI）的相对变化，其中出行时间指数TTI表示实际出行时间与自由流出行时间比值的加权平均（如图6.7所示）。仿真程序基于迭代求解技术运行，因此模型中的智能体基于各种可用出行模式的拥堵和出行时间来选择出行方式。根据现有的出行模式，各个类型的城市都有不同的拥堵水平基线。在Auto Sprawl型城市中，Base Case场景下TTI为1.10（注4）；在Auto Innovative型城市中为4.13；在Mass Transit Heavyweight型城市为1.39。
注4：这意味着平均出行时间比自由流条件下出行时间长10％。例如在Base Case场景下，在自由流条件下出行需要20分钟，正常出行大约需要22分钟
随着AMOD模式的引入，我们发现三个类型城市的拥堵情况都在恶化，但是在人口密集，汽车依赖型的城市中影响最大。在AMOD Intro场景中，Auto Sprawl型城市的TTI增加了9％（从1.10），Auto Innovative型城市的TTI增加了43％（从1.13），而Mass Transit Heavyweight型城市则增加了8％（从1.39）。
（a）Auto Sprawl型城市
（b）Auto Innovative型城市
（c）Mass Transit Heavyweight型城市
图6.5、Base Case, AMOD Intro,和AMOD Transit Integration场景下运输方式分担率变化
图6.6、Mass Transit Heavyweight 型城市中Base Case, AMOD Intro,和AMOD + Car Reduction场景下运输方式分担率变化
图6.7、每种城市各方案下的旅行时间指数TTI（拥塞）
注： Base即Base Case场景，AMOD即AMOD Intro场景，AMOD NT即AMOD No Transit场景，AMOD TI即AMOD Transit Integration场景，AMOD CR即AMOD + Car Reduction场景
我们发现如果引入AMOD模式的同时放弃公共交通模式，交通状况将更加恶化。这种影响会随着公共交通服务所占出行比例的扩大而扩大。 在Auto Sprawl型城市中，AMOD No Transit场景下的出行时间指数TTI（拥堵条件下）仅增加12％（而在AMOD Intro场景中为9％）。这表明在公共交通出行占比较低且高度依赖汽车的城市中引入AMOD时，放弃公共交通不会对出行时间产生重大影响。
另一方面，在Auto Innovative型城市中拥堵增加了66％（而在AMOD Intro场景中则为43％），这表明AMOD服务无法完全替代公共交通出行占比较高且人口稠密城市的公共交通系统。
然后我们考虑将AMOD与公共交通整合是否可以减少引入AMOD带来的一些负面拥堵影响。 我们发现AMOD Transit Integration场景下确实减轻了引入AMOD对交通拥堵的影响，但仅在人口稠密且具有汽车依赖性的城市中有效。 虽然在Auto Sprawl城市中，与AMOD Intro相比，TTI保持不变，但在Auto Innovative城市中，TTI仅增加36％，小于在AMOD Intro场景中观察到的43％。 但是，在Mass Transit Heavyweight型城市中，我们看不到AMOD Transit Integration场景的积极影响（9％，而AMOD Intro中为8％）。 这可能表明，已经具有高通行性和较高基线拥堵水平的城市，不会因为将AMOD与公共交通整合而对交通状况产生重大好处。
鉴于在Mass Transit Heavyweight型城市中AMOD模式与公共交通的整合并未明显地改善拥堵，因此我们考虑引入AMOD模式的同时减少私家车保有量是否可以改善交通状况。我们同样发现在Mass Transit Heavyweight型城市中，与AMOD Intro场景相比，在AMOD + Car Reduction场景下的TTI仍保持不变。也就是说在引入AMOD模式之后，即使同时减少了私家车数量，城市的拥堵状况仍会加剧。 拥堵加剧是由于多种因素造成的，包括AMOD车辆（与私人汽车不同）存在空驶状态，这就造成了出行时间的进一步延长，特别是对于短途出行来说。
6.2.5
车辆行驶公里数(Vehicle kilometers traveled，简称VKT)
我们还评估了引入AMOD模式对整个工作日内私家车辆和按需服务车辆（空驶或非空驶状态）行驶的车辆公里数（VKT）的影响。图6.8比较了在三种城市中所有场景下的VKT值。
我们发现随着AMOD模式的引入，所有类型城市的VKT值均显著增加，而且在AMOD模式取代既有的公共交通、步行和骑行等non-vehicular模式的城市中，这种影响更加明显。在Auto Sprawl型城市中的VKT值与Base Case场景相比仅增加了9％，这是因为新AMOD模式所提供的出行服务取代了原本属于私家车的出行需求（相对于Base Case场景，私家车的VKT降低了14％）。 而在一些人口较密集城市中AMOD模式提供了更多的出行服务，例如在Auto Innovative和Mass Transit Heavyweight型城市中，VKT分别增长26％和29％（注5）。
注5：考虑到在Mass Transit Heavyweight型城市中相对较低的私家车使用量基准线，这型城市中的 VKT增加了29％仅表示增加了1000万车辆行驶公里数。
在引入AMOD模式的同时放弃公交交通系统将进一步提高VKT值，特别是在公共交通出行占比基准线较高的城市中。在Auto Sprawl型城市中VKT增加了14％（相比之下在AMOD Intro场景中为9％），而在Auto Innovative型城市中增加了39％（AMOD Intro城市中为26％），导致了严重的交通拥堵。我们不会在Mass Transit Heavyweight型城市中运行这种情况，因为在这类城市中，我们会看到特别严重的交通拥堵，因为目前由公交服务的大量出行都转移到了AMOD模式，从而导致道路上更多车辆行驶（Basu 等2018）。
在AMOD Transit Integration场景中，AMOD模式对VKT的影响对以公交为导向的城市中显著减弱，而对汽车依赖型的城市有所增加。因此在Auto Sprawl型城市中VKT增加了13％（在AMOD Intro场景中为9％），而在Auto Innovative型城市中VKT增加了29％（AMOD Intro场景中为26％）。 但是在Mass Transit Heavyweight型城市中VKT仅增加8％（AMOD Intro场景中为29％）。 AMOD + Car Reduction场景下也会对Mass Transit Heavyweight型城市产生类似的但不那么剧烈的VKT调节作用：其VKT值仅增加了13％（AMOD Intro场景和AMOD Transit Integration型城市分别为29％和8％）。
总体来说，与人口密集并以公交为导向的城市相比，在人口密度低且依赖汽车出行的城市中引入AMOD模式对VKT的影响相对较小。如果用AMOD模式代替公共交通，所有类型的城市VKT都会增加，从而导致拥堵程度加剧，不利于可持续发展。 反之如果引入AMOD模式并采用AMOD与公共交通整合或者减少汽车保有量等其他措施，则可以在人口稠密的城市中部分缓解对VKT的影响。
图6.8、各种类型城市在所有场景下每天行驶的车辆公里数VKT
注：Base 即Base Case场景、AMOD即AMOD Intro场景、AMOD NT即AMOD No Transit场景、AMOD TI即AMOD Transit Integration场景、AMOD CR即AMOD + Car Reduction场景。“私家车出行VKT”是指私人乘用车的VKT，“按需出行VKT”是指的是出租车和MOD车辆（Base Case场景）或AMOD车辆（所有其他场景）的VKT。
6.2.6
能源和排放(Energy and emissions)
最后我们考虑引入AMOD模式后，对各类城市中与交通相关的能源消耗和排放的影响。在所有场景和各类城市中我们假设AMOD车队均为电动汽车，MOD车辆和出租车车辆由混合动力汽车组成，私家车使用的动力总成与第二章中的基准年参考场景一致，公交车辆为柴油驱动，火车机车是电力驱动的。然后我们将第四章中的内燃汽车和电动汽车的生命周期分析结果用于计算能源消耗和温室气体排放，同时考虑到将主要能源用于燃料的生产，运输和分配（如表6.6所示）。我们对能耗和排放的计算是基于第四章中生命周期分析方法的输入部分来解释“well-to-tank”的贡献，并基于智能体仿真结果来解释“tank-to-wheels”的贡献。为了更好地促进跨场景和跨城市类型的比较，最后按人均单位来展示计算结果（如图6.9和图6.10所示）。
在扩张型城市中引入完全电气化的AMOD模型，使得能源消耗和排放量减少了。在Auto Sprawl 型城市中能也源消耗减少了3％，人均排放量减少了10％。 而在人口稠密的城市中能源消耗增加（Auto Innovative型城市增加10％，Mass Transit Heavyweight型城市增加5％），但排放量却没有显著变化（在Auto Innovative型城市中排放量为–1％，在Mass Transit Heavyweight型城市中为+ 1％）。这些结果表明如果在未来严格管理AMOD车队均由电动车辆（BEVs）组成的政策不一定会节省能源或降低排放，因为AMOD模式可能会通过代替更环保更持续的出行方式（如公共交通，骑行和步行）。
将AMOD No Transit场景与AMOD Intro场景进行比较发现，Auto Sprawl 型城市中的能源和排放变化不大，而Auto Innovative型城市中的能源消耗增加13％（AMOD Intro场景中为+10％），排放仅增加+2％，（而AMOD Intro场景为–1％）。 尽管通过拼车方式和电气化AMOD可以部分缓解Auto Innovative型城市中公共交通的能源消耗和排放污染问题，但严重的交通拥堵仍然使AMOD No Transit场景对于这种类型的城市处在不可持续发展的状态。
图6.9、典型工作日内各种城市通过私人交通工具和公共交通工具的人均能源消耗
注：Base 即Base Case场景、AMOD即AMOD Intro场景、AMOD NT即AMOD No Transit场景、AMOD TI即AMOD Transit Integration场景、AMOD CR即AMOD + Car Reduction场景。假定私人车辆在基准年内根据参考场景分配了动力总构成（如chapter2所述）；假定公共汽车都是柴油驱动的；火车机车是电力驱动的；AMOD仅使用电动汽车。在Base Case场景中，出租车和MOD均是混合动力汽车。汽油，柴油和电力的“well-to-tank”的效率分别为85.5％，95.2％和33.4％。各类城市的总人口分别为：Auto Sprawl型为277万，Auto Innovative型为460万和Mass Transit Heavyweight型为561万。
图6.10、典型工作日内各种城市的人均温室气体排放量
注：Base 即Base Case场景、AMOD即AMOD Intro场景、AMOD NT即AMOD No Transit场景、AMOD TI即AMOD Transit Integration场景、AMOD CR即AMOD + Car Reduction场景。假定私人车辆在基准年内根据参考场景分配了动力总构成（如chapter2所述）；假定公共汽车都是柴油驱动的；火车机车是电力驱动的；AMOD仅使用电动汽车。在Base Case场景中，出租车和MOD均是混合动力汽车。 在所有各类城市中，汽油/柴油的生命周期排放强度（以每千瓦时二氧化碳当量的克数表示）为331 gCO2e / kWh。 汽车依赖型城市的生命周期电力排放强度为438 gCO2e / kWh，而Mass Transit Heavyweight型城市则为447 gCO2e / kWh。 各类城市的总人口是Auto Sprawl型的277万，Auto Innovative型的460万和Mass Transit Heavyweight型的561万。
接下来我们探讨将AMOD模式与公共交通整合后对城市的影响。 我们发现与汽车依赖型城市相比，对AMOD Transit Integration的能耗和排放影响最小，但对人口密集且以公交导向的城市的人均能耗比对AMOD Intro城市却有所降低。在Auto Sprawl 型城市中，能源消耗减少了3％（与AMOD Intro场景中的相同），排放减少了13％（AMOD Intro场景中为–10％）。在Auto Innovative型城市中能源消耗增加了13％（而AMOD Intro场景中为10％），而排放量与Base Case场景相比则保持不变（AMOD Intro场景中为–1％）。 但是在Mass Transit Heavyweight型城市中，将AMOD与公共交通相结合可将能耗降低9％（AMOD Intro中为+ 5％），同时排放量降低了11％（AMOD Intro中为+ 1％）。
表6.6、能源消耗和温室气体排放量计算有关的主要假设
最后我们考虑将引入AMOD模式与减少私家车拥有量的政策相结合是否会对Mass Transit Heavyweight型城市的能源消耗和排放产生影响。我们发现在AMOD + Car Reduction场景下能源消耗减少16％，排放减少20％（AMOD Intro场景分别增加了5％和1％）。 这表明采取积极的政策干预措施来减少私家车拥有量并引入全电动的AMOD车队，可以显著降低能耗和排放。
6.2.7
总结（Summary）
按需出行服务产业在过去的几年中在世界范围内的城市中迅速增长。 同时人们对城市公共交通行业的长期可行性提出了质疑。尽管自动驾驶汽车（AV）技术、服务商业模式和相关法规仍然存在很大的不确定性，但自动驾驶有望进一步降低按需出行的成本，从而在未来增加其可用性，世界各大城市必须准备好适应AMOD模式的出现，以确保AMOD模式的公平性并减轻不利的环境影响。但是引入AMOD服务之后如何与既有的出行模式以及补充性干预政策进行相互作用仍在不同的城市环境中存在很大的不确定性。因此本节讨论了场景分析的结果来探讨引入AMOD后对三种城市的影响：Auto Sprawl型，Auto Innovative型和Mass Transit Heavyweight型。
我们的结果表明在北美地区的低密度汽车导向型城市（以Auto Sprawl型为代表），AMOD模式将满足潜在出行需求。实际上AMOD服务按当前出租车票价的50％进行定价就可以完全替代此类城市中未充分利用的公共交通服务，同时保证较高的服务水平。 在人口密集且汽车依赖型的北美城市中（如Auto Innovative型城市），引入AMOD模式与其他所有既有出行服务进行竞争将轻度增加交通拥堵。但是AMOD模式不能完全取代公共交通，因为这会导致平均旅行时间增加到无法接受的程度。由此带来的交通拥塞也将导致可服务的出行数量降低。在这两种汽车导向的城市类型中，引入AMOD模式都会增加VKT和交通拥堵。
在世界上一些人口稠密且以公交为导向的巨型城市中（如London、Paris、Singapore、New York等Mass Transit Heavyweight型城市），AMOD模式的引入将加剧交通拥堵，私家车和按需服务车辆的VKT，交通能耗和尾气排放。这些城市较高的公共交通利用率使得AMOD模式无法代替公共交通。
考虑到在我们的仿真环境中将AMOD模式作为直接竞争者引入现有模式通常会导致交通拥堵和VKT值出现轻微甚至严重的增加，因此城市管理部门可能会考虑采取补充性政策，通过适当限制AMOD服务的可用性，来减轻这些服务造成的负面影响（拥挤和污染）。这样的补充政策可能包括将AMOD服务与现有的公共交通进行整合。在各类城市中将AMOD模式与公共交通进行整合可降低由于引入AMOD模式所带来的部分而非全部负面影响。
最后，随着AMOD的引入，一些城市可能会考虑采取补充性政策来减少私家车拥有量，通过从私家车出行向共享模式出行的转移，减少拥堵和污染。在我们的重量级公共交通城市原型中，我们研究了这一情景，以了解这一方法的效果，并探索共享模式出行如何转移到 AMOD 与公共交通服务。我们的研究结果表明，当AMOD的引入与汽车拥有量减少25%相结合时，尽管私家车的使用被取代，AMOD载客行程间隙的无客行程，仍然会导致较当前情况的拥堵增加。然而，假设AMOD车队全面电气化，这一情景将带来最大的节能减排效益。
随着未来几十年预计汽车保有量的增加，交通拥堵治理将成为城市越来越大的挑战。将AMOD与公共交通结合及鼓励以应需服务取代私家车的策略，需要进一步探索。由于在公共交通分担率较高的高密度城市，不能也不应该减少公共交通，因此将AMOD与公共交通结合的方法有望提高现有公交乘坐率，同时高效利用AMOD用于短途区域内行程及与公共交通站点“最后一公里”的连接。因此，AMOD 与公交的结合在高密度、公交导向型城市中具有最好的发展前景，因为它减轻了引入 AMOD 对行车里程和交通拥堵的影响。这一措施在所有类型的城市中都能扭转公共交通的乘客流失，并在汽车依赖型城市中大大减少私家车出行。然而，即使与公共交通高度结合，汽车拥有量也显著减少，AMOD 仍然会导致交通拥堵和行车里程的增加。因此，可能需要采取额外政策，如拥堵定价策略，以取得可持续的结果。需要继续探索自动驾驶车辆在技术、政策、服务特征和消费者接纳方面的不确定性。
6.3 自动驾驶车辆面临的障碍
自动驾驶车辆 （AV）有潜力改变交通出行格局。全世界每年有120多万人死于与汽车有关的交通事故。仅在美国，交通事故每年就夺去3万多人的生命，同时造成数百万人伤亡(Kalra and Groves 2017)。随之而来的损失显著。在美国，医疗费用、法律费用、财产损失和保险管理费用（仅列出了一部分费用）等每年总计近2420亿美元。若考虑生活质量的损失，这一数字将上升到1万亿美元(Blincoe, et al. 2015)。
绝大多数的交通事故可归咎于人为错误，如在外部影响下驾驶、昏昏欲睡或分心。消除这种行为带来的危险，在某种意义上将使自动驾驶技术成为人类历史上最具有变革性的公共健康发展之一。自动驾驶车辆的安全性得益于将容易出错的真人司机替换为传感器、摄像头和雷达——所有这些都不会喝醉、倦怠或分心。简单来说，自动驾驶技术不受人为错误的限制。
接下来，我们将探讨社会经济学对里程数造成的影响。我们预计，排除以前述方式对收入水平、成年人数量、儿童数量、以及城镇环境进行描述后，基于家庭特征的里程数呈现线型增长（详见附录B）。
6.3.1
自动并不意味着无人
然而，完全自动的技术——那种不需要人类参与的技术——在任何行业都很罕见。自主并不意味着无人的原因有两个(Nunes,Reimer, and Coughlin 2018)。首先，人类比机器更灵活、适应性更强、更有创造力，因此能够更好地应对变化或不可预见的情况(Chui, Manyika, and Miremadi 2016; Autor 2015; Wickens, et al. 2012)。其次，机器可能（事实上确实会）出故障，使人工监督和干预在社会上和监管上都成为必需(Wickens, et al. 2012; Parasuraman and Wickens 2008)。因此，尽管能源、制造业和农业等行业严重依赖机器来盈利，但人类经营者继续发挥着重要影响(Flemisch, et al. 2012)。我们认为，在自动驾驶车辆和交通部门方面，这种情况将保持不变(Nunes, Reimer, and Coughlin 2018)。
持续的人工参与对安全性和成本会产生影响。我们在共享出行情景中探讨了这些影响，即自动驾驶车辆由公司而不是个人消费者拥有和运营。此情景基于的预期为：在采用自动驾驶车辆的早期阶段，普通民众购买不起自动驾驶车辆(Fagnant and Kockelman 2015)。尽管价格可能会下降，但在可预见的未来，自动驾驶车辆的成本预计仍将高于非自动驾驶车辆。这已经反映在现有的车辆价格中，某些自动功能的加入，如自适应巡航控制、夜视和行人检测，使配备这些系统的车辆比普通车辆更加昂贵(Fagnant and Kockelman 2015)。
6.3.2
自动驾驶出租车的远程监督
为了满足持续的人工参与和监督的要求，我们预计，出租、应需的自动驾驶车辆（即自动驾驶出租车）将由所谓的“远程操作员”监督。这些员工将从远程控制中心监视自动驾驶出租车操作的各个方面，并在情况需要时进行干预（表6.7）。
表6.7 、自动驾驶出租车系统的人工干预类型
与安全性相关的干预措施将涉及检查自动驾驶车队的运行状态、诊断自动驾驶车辆传感器失误和故障的严重程度，以及在极端情况如机载系统失误时，远程操纵自动驾驶车辆直至安全区。来自乘客的支持将包括响应路线选择请求、解决服务性能顾虑等情况（例如，乘客可能认为自动驾驶车辆行驶太慢）。一些自动驾驶车辆开发人员已经分配了多个人工操作员来指导自动驾驶车辆绕过意外的障碍、响应乘客请求，并征求反馈（Higgins 2018）。我们相信，只要关于自动驾驶技术的安全问题持续存在，就会持续需要此类设置。我们的研究还探讨了支持远程操作自动驾驶出租车所需的法规框架。
6.3.3
关于自动驾驶车辆的法规现状
迄今为止，开发自动驾驶技术的投资已达800多亿美元(Kerry and Karsten 2017)。虽然未来投资金额仍不确定，但此项技术正在迅速发展，预计这方面的投资将继续呈上升趋势(Kerry and Karsten 2017)。因此，出于财政和安全方面的考虑，立法机构正在制定合适的法规框架以支持自动驾驶车辆的发展。
2017年，作为技术创新引领国家的新加坡修订了《道路交通法》，规定车辆不需要人工驾驶。相应地，自动驾驶车辆运营商必须确保其车辆拥有可负担的责任保险，或与地方职权部门设立债券用于事故赔偿。此外，还必须配备随时待命的紧急驾驶员，以便在必要时控制车辆；并且自动驾驶车辆的行驶范围限于指定的公共道路。
中国也采取了类似的做法。中央政府最初禁止自动驾驶车辆在公共道路上行驶，但后来改变了方向。自动驾驶车辆公司可以申请许可，在预先批准的一组道路上测试车辆。与新加坡类似，每辆自动驾驶车必须伴有足额的责任保险，并必须有人工驾驶员坐在方向盘后面，以便在紧急情况下干预驾驶。
美国的法规形势更为复杂。截至 2019 年 8 月，国会审议的第一条也是唯一的一条关于自动驾驶车辆的法案在2017年于众议院通过（H.R. 3388），但 2018 年在参议院（S. 1885）未通过。该法案的未来仍不确定，因为一些立法者反对豁免自动驾驶车辆现有的某些安全性要求，而这是立法的一个关键部分。
6.3.4
法规差异
关于自动驾驶车辆政策的相同问题在不同国家都出现了。汽车制造商和立法机构持续争论：什么是驾驶员的必备条件，自动驾驶车辆能否在现行法律下运作，如果不能，是否应给予豁免以加快自动驾驶车辆的运用。然而，还有两个问题仍然处于观望状态，它们尤其会影响到自动驾驶出租车这一模式的财务可行性。
● 车辆与人的比率●
因为自动驾驶并不意味着无人，远程操作员将需要监督自动驾驶出租车的运作。然而，这就提出了车辆与远程操作员比率的问题：即每个远程操作员应该看管多少自动驾驶出租车？商业的经济学原理追求劳动力成本的节省。如果没有这些节省，公司的回报还不如使用传统车辆。但是，如果远程操作的成本可以分摊到更多的自动驾驶出租车上，即车辆与监督人员的比率足够高，足以抵消远程操作带来的额外费用，自动驾驶车队的财务可行性就更高。然而，最大化这一比率可能会引起监管上关于安全性的担忧（Nunes 2018a）。因此，车队运营商必须准备好使用实证的方法来缓解这些担忧。
● 劳动力归类 ●
另一个悬而未决的问题是远程操作员的职业归类。集体性谈判协议和州法律的组合，限制了各行业的最长工作时间。这些上限往往对交通运输相关的职业更为严格，因为这些职业需要心理上的专注并涉及一定的风险。给交通运输工作者（尤其是司机）更多的时间休息，能使他们保持敏锐以保障公共安全。自动驾驶出租车的兴起将引起一个问题，即远程操作员是否应该被视为交通运输工作者（Nunes 2018a）。这样做将给予他们与出租车司机相同的休息时间，许多人认为这样有助于保持道路安全。但此举也将削减利润率，因为必须雇佣更多的员工来维持业务。
6.3.5
远程操作的影响因素
解决上述问题的立法工作将依赖于心理学、技术和社会学因素复杂的相互作用。
监控负载
每个远程操作员负责大量自动驾驶车辆的设置会引起安全方面的担忧，因为监督更多车辆需要远程操作员付出更多精力。这种设置在其他职业中已被证实与人工失误有关并可能导致意外(Ball, et al. 2013)。利用计算机界面来减少监控多个车辆的精力要求，将是缓解监管上对负载最大化的担忧的关键。
车辆退出的频率
自动驾驶出租车需要人工干预的可能性将是车辆与操作员比率和工作者归类的重要决定因素。在自动驾驶车辆测试日益增长的加州，法律要求在公共道路上测试自动驾驶车辆的公司自行报告车辆自动驾驶的里程，以及导致车辆自动驾驶系统退出的事件数量(California Department of Motor Vehicles 2019)。我们汇编了此数据，发现自动驾驶车辆行驶总里程与每次退出对应的平均里程呈正相关，如图 6.11所示。这意味着，随着里程数的增加，测试中的自动驾驶车辆平均每英里的退出次数会减少。近期的数据表明，每行驶近 1,000 英里，就会发生一次退出事件。预计退出率将进一步下降，但不可能很快降至零。因此，自动驾驶车辆将需要一定程度的持续的人工监督。
图6.11 、加州的自动驾驶车辆里程和退出率
车辆退出的严重性
自动驾驶车辆退出的严重程度是指远程操作员解决退出问题的工作难度。例如，最低难度的工作可能涉及按下按钮以确保服务的持续性。相比之下，高难度的工作需要一系列复杂的心理和身体上的步骤，以保持自动驾驶出租车的安全，例如将车辆转向路边，并在自动驾驶算法失败时使其安全停止。较高的退出严重程度预计将限制车与操作员的比率以保障安全。
基础设施的完善性
自动驾驶出租车必须向远程操作员提供有关车辆周围情况的实时数据，以确保有效的安全监督。这需要访问快捷、强大的电信网络（即 5G）。然而，网络连接和质量上的地域差异可能会导致很难在所有地点都达到可靠的、高质量的连接。例如，驶过“盲区”或通信间断甚至不可用的区域时，可能会阻碍远程操作员确定是否需要、何时需要干预。同样地，如果自动驾驶出租车和广大公众所需电信带宽的需求增加并超过供给，也可能产生潜在的网络可靠性问题。数字化不公平问题(Mabud and Seitz-Brown 2017)需要得到解决，以便自动驾驶出租车实现广泛采用。虽然计划中5G 网络的推出可能有助于缓解其中一些担忧，但确保通信的完善性可能最终取决于公共部门将税收用于基础设施改善的意愿和能力。
公众看法
衡量公众对自动驾驶车辆安全性的看法的调查很多，但不同调查方法和样本得出的结果有显著差异。一些调查显示，消费者对使用自动驾驶技术的意愿有所增强(Edmonds 2018)，而另一些调查显示消费者犹豫不决(Smith and Anderson 2017)。我们对51个国家的个体消费者对自动驾驶车辆安全性的看法进行了研究，强调了按个人和所处环境分列调查结果的重要性（第6.4节）。然而，到目前为止，还没有研究衡量了公众对每个远程操作员监控多辆自动驾驶出租车的设置的看法。消费者对这种设置的接受程度将是自动驾驶出租车取得成功的一个重要因素。
6.3.6
运行上的限制
除了上述问题，我们还设想了自动驾驶出租车运行方面的限制。这些限制可能是自行施加的（即车队运营商特权承担），或由车队的保险公司施加，或由法律要求。在我们看来，可能存在三种运行上的限制。
地理栅栏
自动驾驶出租车将受地理栅栏约束，即其运行局限于有合适地图且具有可靠电信网络的区域。地理栅栏将允许车队所有者限制自动驾驶出租车陷于边缘情况，即车辆（和远程操作员）可能难以处理的复杂的、具有潜在危险的情况。这种约束可能会缓解法规对车辆安全性的担忧，尤其是在自动驾驶车辆故障后果可能很严重的环境中。车队运营商可能会将其业务通过地理栅栏限制于城市地区。这是因为，尽管市区环境更为复杂，但与农村地区相比，城市地区能够更可靠地维持更高的需求量（及随之而来的收入）。这将对自动驾驶车辆的市场份额产生重大影响。
车速限制
出于安全考虑，自动驾驶出租车的车速可能会受到限制。较高的行驶速度会导致撞车事故的数量和严重程度急剧增加(Richards 2010; International Traffic Safety Data and Analysis Group 2018)。因此，车速上限将有助于管理自动驾驶技术带来的技术上及与人相关的安全风险。车速上限还有助于增加道路容量，因为以较低速度行驶的车辆可以彼此行驶得更近，从而提高道路吞吐量。
尽管车速受到限制，自动驾驶技术的关键性卖点是它有可能降低驾驶的机会成本。这使生产率得到提高，因为通勤者在乘车期间可以腾出时间从事其他活动。通过在车辆内部配备提高生产力的设施（Simlett 2017），自动驾驶出租车的运营商可能会缓解消费者对通勤时间加长的担心。
天气、野生动物和环境条件
自动驾驶出租车运行的环境条件也可能存在限制。例如，下雪会改变车辆的摄像头和传感器对街道的感知(World Economic Forum and Boston Consulting Group 2018)。在大雾和大雨中，车辆的摄像头和激光器也遇到了类似的问题(Stock 2018)。尽管这些问题正在得到解决（例如，目前正在开发地面穿透型雷达，以改善雪天的导航），但在恶劣天气条件下，自动驾驶出租车的反应能力预计会降低。因此，车队运营商在选择运营的地点和时间上会受到限制。类似的限制也预计将存在于有野生动物出没的环境中(World Economic Forum and Boston Consulting Group 2018)。
6.3.7
小结
在本节中，我们认为，无论自动驾驶技术多么发达，出租、应需的自动化出行服务（即自动驾驶出租车）将始终需要以远程操作员的形式进行人工监督。然而，在界定车辆与操作员的比率、劳动力归类以及此类远程业务的其他关键点，立法仍然滞后。新的法规框架在处理这些方面时，应考虑到监测负载、车辆退出的频率和严重程度、以及公众的看法（尤其是关于自动驾驶车辆的安全性）。出于安全考虑，可能会对自动驾驶出租车施加其他限制，包括地理栅栏、限速和某些环境条件中的运行限制。因此，为实现自动驾驶出租车广泛而安全的运用，自动驾驶技术的发展及相关法规的制定仍然任重道远。
但是，这里提出的问题不应减损自动驾驶技术的价值。自动驾驶系统可以改善人们的生活质量，最显著的是减少车祸死亡(Nunes 2018b; Kalra and Groves 2017; Fagnant and Kockelman 2015)。但是，要实现这些益处，需要广泛的消费者采用和健全的法规监管框架。自动驾驶技术的成功运用需要成熟的技术、远程监督以及配套性基础设施以保障通信。
6.4国际范围内对自动驾驶车辆
安全性的认知的比较
许多研究已经调查了哪些因素影响人们对自动驾驶车辆的兴趣、对自动驾驶技术的积极态度以及采用、使用和购买自动驾驶车辆的意愿。 一般来说，年轻人、男性、受过大学教育、居住在城市地区的人对自动驾驶车辆的看法更为积极，这包括对自动驾驶车辆的安全性担忧较少，以及更愿意使用该技术（(Hulse, Xie, and Galea 2018; Kyriakidis, Happee, and de Winter 2015; Schoettle and Sivak 2014; Payre, Cestac, and Delhomme 2014; Nielsen and Haustein 2018; Smith and Anderson 2017)。虽然这些研究大部分在单一城市或地区进行，但有些调查在多个国家进行。调查结果表明，公众对自动驾驶车辆的认知以及相关的社会人口结构在不同国家之间可能有很大差异(Haboucha, Ishaq, and Shiftan, 2017; Sommer 2013; Lang, et al. 2016; Kyriakidis, Happee, and de Winter 2015)。然而，即使跨多个地区进行的研究，也往往无法将观察到的公众态度差异划分为个人与地区层面，因此很难知道观察到的差异是否反映了社会和文化背景的真实差异，或者只是这些地区内个体层面的差异。
在本研究中，我们使用第 3 章中介绍的国际出行调查数据构建了一个多级结构方程模型，调查人们自行报告的对自动驾驶技术的认识、对当前自动驾驶车辆安全性的看法，以及他们对自动驾驶车辆未来何时达到安全使用的预测。每个社会人口变量以该国平均值为中心，从而在个体层面的回归估算中除去任何关于国家的差异，并估算固定效应（即，我们的国际样本中所有个人和国家的平均趋势）。因此，与现有文献的结果相反，我们的研究结果详细处理了数据的嵌套结构（不同国家中的不同个体），并将观察到的对自动驾驶车辆安全性的认识差异划分为个人和国家层面(Moody, Bailey, and Zhao 2019)。
6.4.1
个人趋势
我们发现在我们的国际样本中，年轻人、男性、受过高等教育、全职工作、家庭收入高于平均水平的个人对自动驾驶技术的认知程度较高，对自动驾驶车辆当前安全性的看法也更为积极。并且他们预测自动驾驶车辆在较短年限内就能达到安全使用。综合起来，这些个人层面的结果表明，自动驾驶车辆的早期采用者（在所有国家）可能是较为年轻、富有、受教育程度较高的男性。此外，我们发现，目前拥有或租赁汽车的个人（车主），以及工作日主要交通方式为开车的个人（汽车用户），对自动驾驶技术有更强的认知，对当前和未来自动驾驶车辆安全性的看法更加乐观。
通过观察结果变量之间的相关性，我们发现个人对自动驾驶车辆的认知水平与当前安全性看法 （0.374） 和对未来安全性的预测 （-0.253） 呈适度相关性。这意味着，对自动驾驶技术更了解的个人对其当前的安全性有更积极的看法，对其安全使用的前景有更乐观的预测。这些结果表明，提高对自动驾驶技术的认知程度和熟悉程度可能有助于缓解对自动驾驶车辆安全性的担忧，从而减少阻碍其迅速采用的公众态度因素。
6.4.2
国家趋势
我们的多级建模结构使我们能够确定结果中观察到的差异归因于个人和国家的百分比。我们发现，对自动驾驶技术认知的差异、对自动驾驶车辆当前安全性的看法以及对其未来安全性的预测，大部分都归因于个人之间而不是国家之间的差异。然而，在控制个人层面的因素之后，各国之间确实存在小但具有统计意义的差异（图6.12）。
图6.12 、国家之间的差异存在于以下方面：（a） 对自动驾驶车辆的认识，（b） 对自动驾驶车辆当前安全性的看法，以及 （c）对自动驾驶车辆未来达到安全使用的年限预测
特别的是，我们发现北美人对自动技术的认识水平很高，但他们对当前和未来自动驾驶车辆安全性的看法相对悲观。另一方面，发展中大国（尤其是巴西、印度和中国）的居民对自动驾驶技术的认识水平很高，对未来自动驾驶车辆安全性的看法也较为乐观。考虑到国家与国民财富、收入平等程度、机动化程度和道路安全性等指标之间的双变量相关性，我们发现在人均GDP较低（按购买力平价）、收入不平等程度较高（以基尼系数衡量）、车辆使用和拥有量较低以及道路死亡较多的国家（这些都是发展中国家的普遍特征），受访者对自动驾驶车辆当前和未来安全性的看法更为乐观。
6.4.3
小结
我们的研究结果表明，公众对于自动驾驶车辆安全性的乐观看法和预测，产生于各国年轻人、男性、高学历者、高收入者、城市居民和汽车使用者，他们可能会创造一个早期采用的市场。对于其他人群，自动驾驶车辆有待证明其作为替代交通方式的安全性和可行性。
虽然对自动驾驶车辆的认识和未来安全性预测的大部分差异都归因于个人，但我们发现国家层面存在较小但重要的差异。我们发现，在国民财富较少、收入更为不平等、汽车拥有率和使用率较低以及交通事故较多的发展中国家，人们也表现出对自动驾驶车辆安全性更为乐观的看法和预测。因此，我们的调查提供初步证据表明，公众的看法可能会加快发展中国家对自动驾驶车辆的采用，从而在面临最大道路安全挑战的一些国家提升道路安全。然而，公众的看法只是自动驾驶车辆实施的众多障碍之一。只有解决法律、经济和政治上的阻碍，以及 等到自动驾驶车辆能真正比现有的人工驾驶车辆更安全时，才能实现这一技术的益处。
6.5 结论
城市交通系统及其面临的挑战因城市而异，也因国家而异。为提供研究当前和未来城市交通系统的框架，我们使用来自全球 331个城市的数据进行聚类分析。我们确定了12种城市类型，反映城市出行和经济特征的主要差异。对于其中三种城市类型，我们创建了城市原型——汽车扩张型、汽车创新型和重量级公共交通型并开发了仿真模型，使我们能够捕捉到现有交通系统中个体行程层面的决策，并探索未来交通服务变化的情景。特别是，我们考虑了将自动化应需出行（AMOD） 服务引入现有城市交通系统的不同方式，以及自动化应需出行服务的影响如何根据不同城市类型的现有交通模式和基础设施条件而变化。
在北美的低密度、汽车导向型城市（与我们的汽车扩张型原型一致），我们的结果表明，自动化应需出行将填补潜在的出行需求，并可能取代目前的低频次公共交通服务。在密度较高的北美城市（汽车创新型城市），引入自动化应需出行作为公共交通的直接竞争或完全替代公共交通，会导致交通拥堵大量增加，以及私家车和应需车辆的行驶里程数大量增加。这些影响在人口稠密、公共交通导向型的大城市（重量级公共交通型）更为严重。因此，在已有公共交通服务的高密度城市，要求新的自动化应需出行与现有公共交通系统相结合的政策（例如，在多种交通方式联运的系统中作为“最后一公里”的连接服务）可以带来出行的益处，同时部分缓解交通拥堵、车辆行驶里程、能源消耗和排放方面的负面影响。城市还可以考虑采用限制私家车拥有或使用的政策，以鼓励使用自动化应需出行作为取代单乘员汽车出行的一种方式，而非取代公共交通或非机动模式（如步行或骑车）出行。
我们通过探索与自动化应需出行服务的监管和消费者环境相关的其他不确定性来补充这些供需情景。我们认为，将需要远程操作员来监督自动化应需出行的运营，还可能需要施加运行限制，以确保这些服务的安全。我们还研究了不同国家的个人如何看待自动驾驶车辆的安全性。在个人消费者层面，我们的结果表明，对自动驾驶车辆安全性的乐观看法可能由各国的的年轻人、男性、高学历者、高收入者、城市居民和汽车消费者群体创造出市场。其余人群仍然对自动驾驶车辆成为安全的替代交通方式的可能性持怀疑态度。在国家层面，我们的调查提供了初步证据表明，公众的看法可能会加快发展中国家对自动驾驶车辆的应用，从而有可能改善面临道路安全挑战最大的国家的道路安全。
总而言之，本章强调，自动驾驶技术的发展只是自动驾驶车辆何时及如何改变现有城市交通系统的众多不确定领域之一。为自动驾驶车辆规划未来，还需要进一步考虑车辆在车队环境中的运行，以及它们与现有交通方式、城市基础设施、法规框架和消费者行为的互动。
(未完待续…)
01
《麻省理工能源倡议报告：未来交通洞察》
-
2014-2020 ? 转载请注明：