这个章节之前讨论的概念模型和行为因果机制提供了一个基于经验性证据的框架来分析智能出行干预措施的节能效益。拥有一个切合实际的对智能出行干预措施节能效益的量化估算并不容易,如果压根有可能的话。要对文献中的量化结果(例如上面表1的估算)使用或者引用需要格外小心。一些研究因为某些影响行为的因素难以控制而在方法论遭受诟病。一些研究仅仅估计了总体人口中的一个亚组,例如选择性忽略偏见在环保驾驶的文献中特别常见。这些估算也可能受制于“发表偏见”,因为展示负面或不显著结果的经验研究可能更难发表,导致这些发表了的研究的重要性受到高估。而实际效果可能小得多。
另一个重要的行为因素是能源效率文献中的“反弹效应”或交通文献中的“诱导需求”。这种现象就是当一个城市的智能出行解决方案减少了旅行总成本并使得出行更便捷,人们会旅行地更频繁并消耗更多的能量。许多研究已经证明了反弹效应的存在,但对于其量级的估计有较大的差异范围。研究显示反弹效应随着拥堵的程度增加而增加,但基本上是适中的。最近的一篇综述论文发现能源效率措施总体有20%或更少的反弹效应,而这20%的反弹也促进了消费设施的增长。
由于智能出行干预措施通过行为改变来达到影响,而行为改变复杂而且因环境而异,更别提其促进作用和长期作用(包括反弹效应)使得观察到的效益难以归因;这使得建立一个可靠的基准线极度困难。这个基于主要的行为改变机制并由积累的经验性证据支持的(而非基于一些未经验证的假设作出模型并模拟的)分析框架对于决策者来说更可信,我们与实践中的利益相关者的互动也证实了这一点。使用这个框架与此同时领会系统性反馈的复杂性,我们可以辨别出关键性推动因素和关键风险,从而导出有用的政策上的影响。
例如交通网络公司诸如Uber和Lyft提供将司机与乘客实时匹配的共享出行服务,并附加应用内预订、评论和无现金支付。基于行为机制,实时匹配司机与乘客以及乘客与其他乘客共享汽车由于减少的空车巡航和提高的占用率,可以在短期内导致较少的旅程。一项最近的研究使用数学模型预测出高占座率的共享汽车仅需要15%的出租车量就可以满足纽约98%的需求,导致能源使用降低70%。然而经验性证据不确定得多。这项共享出行服务快速增长的乘客出行源自于诱导出行和其他交通模式的迁移。这种模式转变的组成在不同的地方有所区别,取决于替代模式的特点、用户偏好以及目前的模式的分配。密集的城市中心公共交通使用者和行人趋向于比汽车司机多,因此不会有那么多来自汽车旅行的模式转变。一项在旧金山市中心展开的共享出行用户的调查显示,至少8%的共享出行出行是诱导的,而模式转变有39%来自出租车,33%来自公共交通,而只有6%来自私人汽车。一项最近的研究估计纽约的交通网络公司在三年内增加了6亿英里的汽车出行,其中只有34%可能是从私家车而来。西雅图的交通专家怀疑交通网络公司可能加剧了通勤时间的拥堵-由于更多的汽车出现在繁忙的城市街道,并且占据了路边空间来让乘客上下车,这些意味着更多系统性的能量使用。长期来看方向更难预料,一方面交通网络公司的存在减少了汽车的拥有量和停车需求,另一方面坐车出行更方便导致更多的汽车出行。
目前还几乎没有发现关于汽车自动化在系统性能量使用的分析,由于其处于部署的早期阶段。用户是否并多快使用无人驾驶技术取决于很多因素,包括价格(主要是电池价格)、可靠度、充电难易程度、感知等。基于前面讨论过的框架,无人驾驶汽车的主要节能效益来源于(此处需要确认),提高的安全性(对交通较少的干扰)促成更多的旅程共享及电动汽车(有疑问)。
对于电动汽车,究竟是否能节能也取决于给他们充电的能源供给方,包括随之而来的对用电需求的提高。一些研究者估计自动驾驶汽车可以从 汽车平排技术、高效的交通流量、停车、自我诱发的轻量化(self-induced light weighting不知道对不对)以及自动汽车共享中节省多达80%的能量。
一些研究使用代理生成模型并估测每一个共享的自动驾驶汽车可以取代约11个普通汽车,但总共累积的出行距离比相较而言普通汽车的出行距离多10%,依然能导致整体上的节能。研究者们也怀疑自动驾驶汽车的出行距离可能会戏剧性地增长-由于一系列原因的叠加,包括:目前无法开车的人使用上的增加、旅程数量的增加(包括被人使用的和空闲的)、从公共交通转移过来的使用、由于自动停车和自动加油多出来的额外出行,以及更长的通勤时间(从长远而言由于通勤体验的提高人们愿意搬到更远的地方住。研究者们辨认出3个对自动驾驶汽车能源使用量级和方向有影响的因素:汽车特性、交通网络和消费者选择。
从上面两个讨论的案例可以看出,解决方案本身的技术设计、价格、支持性的基础设施、互相竞争的交通模式特性、发展的时间线、教育、习惯和人群的文化、公共竞选、丑闻或其他未预料的可能影响公众观点的事件等,都可能对智能出行干预措施的成功有重要影响。这一节的分析展示了如何以及多大程度的节能可以被智能出行干预措施达到取决于这个概念模型里的每一步的许多个因素。紧接着这个分析模型的下一个章节通过从小型的案例研究和采访中总结,将会详细讨论要成功实现智能出行干预措施的制度上、技术上以及物质上的条件。