近年来，由于交通网络公司（TNC）的出现，网约车服务发展迅速，这些公司提供了在线平台来连接乘客和司机（Wang和Yang，2019）。通过促进乘客和司机之间的互动，网约车平台减少了由于乘客和传统出租车司机之间的空间偏见而造成的信息障碍。因此，网约车因其提高城市流动性的潜力而受到广泛认可（Rayle等人，2016），并吸引了大量参与者。例如，到2020年12月，中国网约车应用用户数量已达3.65亿（Li等人，2023b）。2022年（Campbell，2023），Uber报告称有1.31亿月活跃用户，近540万司机完成了76.4亿次出行。
然而，RSV司机的激增导致许多地区的网约车市场供过于求。这种过剩供应导致了传统出租车行业的衰退，促使出租车司机加入TNC平台，进一步加剧了供应问题。此外，过多的RSV使得TNC能够降低工资率，从而导致司机收入下降。因此，许多RSV和出租车司机被迫工作更长时间以达到每日收入目标，从而形成了一个破坏市场稳定性和运输效率的恶性循环。这种恶性循环凸显了政府对网约车和出租车市场（CRTM）进行监管的必要性。因此，本研究的目的是确定能够兼顾CRTM中不同利益相关者利益的最优监管策略。
现有文献和实践已经确定了四种主要的监管策略，每种策略都旨在改善特定利益相关者的福利：i) 控制RSV的数量。在中国，许多城市政府已经对RSV的数量进行了限制（Yu等人，2020；Yang等人，2021；Zhong等人，2022）。ii) 监管出租车费率（Yu等人，2020；Zhong等人，2022）。iii) 设定RSV价格（Yang等人，2021；Chen等人，2024）。中国的TNC在必要时必须遵循政府指导的费率。iv) 设定TNC支付给司机的最低工资（Zha等人，2018a；Ke等人，2021；Vignon等人，2023）。2018年（Shapiro，2018），纽约市议会要求TNC支付司机最低工资。
然而，每种策略都可能偏袒某些利益相关者并对其他利益相关者产生负面影响。例如，限制车队规模可以增加RSV和出租车司机的平均利润，但可能导致乘客等待时间延长和可能的更高出行费用。在大多数现有的网约车研究中，监管策略对各种利益相关者的总体影响通常被建模为单一目标，即社会福利（Yu等人，2020；Tang等人，2023；Mo等人，2024）。相比之下，本研究旨在从多目标帕累托最优的角度优化监管策略。据我们所知，目前还没有研究探讨结合使用这四种监管策略是否比单独使用它们更有效，如果有效，如何优化这些策略。填补这一空白非常重要，因为碎片化的监管可能会扭曲市场中的利益分配，甚至可能导致某些利益相关者遭受重大损失。
本质上，监管策略通过影响司机和乘客的行为来塑造市场，例如司机的就业决策和乘客的出行选择。这构成了开发双层规划模型的理由，其中上层确定监管策略，而下层模型可以捕捉市场供需之间的行为动态或互动，并通过解决它来获得稳态市场绩效。值得注意的是，CRTM市场的一个独特特征是乘客不耐烦情绪对整体绩效的影响。这种影响主要表现在两个方面：
1)乘客在发送在线出行请求后可能会取消订单，不仅是因为输入错误或计划突然变化，还可能是因为等待时间过长或遇到空车（He等人，2018）。由于空车导致的取消行为在订单匹配前后有所不同（Xu等人，2022）。匹配后的取消浪费了有限的供应，阻止了其他乘客获得潜在的出行机会（Wang等人，2020），这就是为什么实践中通常会对乘客收取罚款的原因。相比之下，匹配前的取消会减少TNC的利润，但通常不会给乘客带来额外成本，也不会损害市场效率；在某些情况下，它们可能会将需求导向出租车服务，从而支持出租车司机的收入。
2)乘客可能会在RSV和出租车服务之间更改他们请求的叫车类型。例如，如果RSV乘客在等待很长时间仍未成功匹配，他们可能会因为不耐烦而请求出租车服务。某些网约车应用（如DiDi）支持这种行为，允许乘客在匹配前在同一平台内添加新的服务类型。
乘客的上述不耐烦行为以及他们与司机的动态订单匹配受到短期市场环境的影响，而这本质上是政府监管策略的结果。此外，这些行为也可能在长期内内生地影响市场供需，进而导致乘客和司机不同的行为模式。为了捕捉这种反馈循环，我们构建了一个不动点问题来描述在给定监管策略下的稳态市场绩效。然后，我们开发了一个基于代理的模拟来描绘微观行为并捕捉它们的内生互动。通过迭代模拟的结果平均值来近似稳态市场绩效。这个模拟框架将监管输入的复杂非线性相关性映射到稳态绩效输出，可以被视为一个黑箱函数。因此，为了有效地解决这个黑箱系统中的最优联合监管策略，我们使用了多目标贝叶斯优化算法。
总之，本研究旨在确定CRTM上四种现有监管策略的最佳组合配置，同时考虑了不耐烦乘客的供需内生互动。
本研究的主要贡献总结如下：
(1)我们构建了一个用于监管CRTM的双层多目标模型。与现有的专注于设计一两个监管工具的单目标研究不同，本研究同时优化了四种普遍存在的监管策略，旨在最大化乘客、出租车司机和RSV司机以及TNC的利益。
(2)我们开发了一个全面的基于代理的模拟模型，通过捕捉更现实的行为动态来推进现有的网约车研究，包括乘客的出行方式和叫车类型选择、匹配前后的不耐烦乘客的放弃和取消行为，以及出租车司机在混合模式和街道模式之间的工作决策。
(3)我们开发了一种基于多目标贝叶斯优化的解决方案方法。目标函数在稳态市场绩效下进行评估，该绩效被构建为一个不动点问题，并使用迭代基于代理的模拟来近似。这个框架也可以应用于其他网约车研究。
(4)我们从帕累托最优的角度为政府提供了一些监管建议。简而言之，它建议减少RSV的数量、提高费率、降低RSV的工资率，并且政府应避免偏袒乘客或TNC。同时，让乘客承担更多成本似乎是提高整体市场绩效的不可避免的牺牲。此外，忽略乘客的不耐烦情绪可能会导致出租车司机损失潜在利润。
本文的其余部分组织如下。第2节回顾相关文献。第3节定义问题陈述并构建双层规划模型。第4节开发基于代理的模拟并概述解决方案框架。第5节进行数值实验以验证模型，评估监管策略的影响，并确定帕累托最优的联合监管策略。最后，第6节总结了本研究的主要发现并指出了未来研究的方向。
