低空网络规划丨城市空中交通客运需求如何预测？来自意大利米兰的案例研究实证

原文：皮尔路易吉·科波拉（Pierluigi Coppola）、弗朗切斯科·德法比伊斯（Francesco DeFabiis）和富尔维奥·西尔维斯特里（Fulvio Silvestri）；文献：孙妍；翻译：LAIR

全文摘要：本文介绍了一项关于在意大利米兰大都市区引入城市空中交通（UAM）服务的需求预测研究结果。需求预测基于随机效用模式选择模型，该模型包括与个人对垂直起降以及在城市化地区低空飞行的认知相关的因素。UAM服务的用例包括机场班车、城际航空以及“空中出租车”，即大都市区内短途出行的UAM服务。基于接入点（“垂直机场”）数量和UAM票价水平考虑了几种情景。结果表明，机场班车在往返机场的出行（商务和休闲出行）中所占的方式分担率在2%至5%之间。它们比空中出租车更具吸引力，空中出租车的方式分担率在1%至3%之间。此外，选择UAM服务进行城际旅行的概率会随着距离以及进出垂直机场所需的时间而降低，垂直机场的服务范围取决于竞争模式提供的服务水平（特别是良好的铁路和公路连接的存在）。

本文结构如下：第1节引言与背景介绍；第2节提供了UAM研究的文献综述。第3节描述了用于出行需求预测的数据和提出的建模框架。第4节展示了应用于案例研究获得的结果，并在第5节进行了讨论。最后，第6节给出了结论以及对未来研究的展望。

1 引言

城市空中交通（Urban Air Mobility，UAM）作为一种新的城市交通和城际（短途）出行方式，正日益受到关注，它使得城市空域能够用于人员和货物的运输。虽然这看起来是一项近期的发展，但使用直升机的空中点对点旅行服务实际上可以追溯到20世纪50年代，并且已经运营了三十多年，直到由于机械故障和噪音引发的安全问题而停止运营。UAM服务的新颖之处在于有多种新型轻型车辆可供城市空中作业使用，即所谓的垂直起降（Vertical Take-Off and Landing，VTOL）飞机。事实上，几家车辆制造商目前正在为首批UAM商业服务开发先进的飞机技术，以提供高效、可持续且节省时间的传统地面交通替代方案。UAM服务需要实体基础设施来运营：实际上，它们依赖于被称为垂直机场（vertiports）的起降设施。主要挑战之一在于确定垂直机场的最佳位置，以便将这些新服务与现有服务良好地整合。

环境可持续性是全球企业和有意进入市场的运营商推动城市空中交通（UAM）发展的主要杠杆之一。由于电气化通常被视为城市交通的未来发展方向，引入电动空中 穿梭巴士或电动空中出租车服务将带来双重好处：不仅有利于向空中维度的模式转变，减少地面拥堵，还能鼓励使用尾气零排放和温室气体低排放的车辆。这就是为什么大多数垂直起降（VTOL）制造商专注于电池电动飞机，开发电动垂直起降（eVTOL）原型机以进入市场的原因。

基于网络上可得信息进行的初步市场分析，得以收集到90多种垂直起降（VTOL）原型机的信息（其开发阶段涵盖从设计到飞行认证过程），确定了它们的主要特点和特性。如图1所示，电动垂直起降（eVTOL）制造商专注于不同载客量（每架飞机座位数）的飞行器，这会影响飞行器尺寸和用于安置电池组的机载空间可用性：这反过来又会影响飞行续航里程。特别是，搭载三名或三名以上乘客（不包括飞行员）的较大型eVTOL平均最大飞行里程为200km，而较小型eVTOL（即两座，其中一座为飞行员座位）的平均最大飞行里程为90公里。

因此，目前正在研发的电动垂直起降飞行器（eVTOL）的航程似乎并不会对城市或郊区环境中的城市空中交通（UAM）运营构成限制。相反，对于引入UAM服务后的整体潜在效益，仍存在争议和一些批评意见。尽管如此，几家公司（通常是合资企业）宣布将在短期至中期开展首次UAM商业运营。例如，巴黎机场集团（GroupeADP）、VolocopterGmbH和巴黎大众运输公司（RATPGroup）预计在2024年夏季奥运会期间于巴黎推出UAM服务，意大利机场管理公司（AdRS.p.A.）、意大利基础设施集团（AtlantiaS.p.A.）和VolocopterGmbH宣布在2025年宗教禧年期间在罗马运营UAM机场班车，而米兰国际机场公司（S.E.A.S.p.A.）、F2iS.p.A.和Skyports预计从2026年的“米兰科尔蒂纳丹佩佐”冬奥会开始在米兰地区管理空中服务。然而，旅行者将如何看待这些新服务，以及哪些因素将影响用户使用UAM的意愿，仍然存在不确定性。

本文旨在为正在进行的关于城市地区UAM服务可行性的辩论做出贡献，具体而言，是通过使用模拟来了解有多少旅行者可能会选择新的空中机场班车、城际空中连接以及“空中出租车”（即大都市地区内短途旅行的UAM服务）。本文的主要目标不是关注个人偏好和出行行为，而是模拟以关于UAM服务的各种假设为特征的不同场景。案例研究聚焦于意大利的米兰大都市区和整个伦巴第大区，在那里估计了不同类型服务的UAM模式份额，并分析了影响UAM选择概率的因素。

图1 垂直起降飞行器（VTOL）的最大航程与动力装置（电动或其他，包括混合动力和汽油动力）及搭载乘客数量的关系

2 文献综述

关于UAM的科学文献紧密跟踪了行业关于eVTOL飞行认证过程开始的公告，主要集中在供应侧和飞机技术，即推进、设计和性能。许多学者关注将安装在这些新飞机上的不同推进技术，其他研究致力于它们的设计和性能，而另一些人研究了UAM的运营概念，以确定这种大都市空中服务实施或扩大规模的潜在运营限制。

然而，即使技术是此类创新服务的驱动力，但整个UAM系统的成功在很大程度上取决于市场需求。在科学文献中，几位作者识别并讨论了影响用户使用UAM意愿的因素。服务水平因素，如出行时间和货币成本，已被发现对塑造用户对新空中服务的选择起着关键作用，但社会经济变量，如性别、年龄、教育状况、就业状况、收入以及种族也被证明很重要。此外，一些科学研究关注旅行者的个人态度，如安全担忧、环境意识、数据隐私担忧、对自动化的亲和力、对在线服务或社交媒体的亲和力，还关注了对UAM在服务成本、安全保障和出行时间可靠性方面的期望，探讨了它们对UAM使用意愿的重要性。

除了分析影响出行者选择的因素外，确保整个城市空中交通（UAM）生态系统可持续性（从财务角度来看也是如此）的一个关键方面是，与不同的UAM特征（例如票价结构和水平、垂直机场数量等）和用例（例如城际或市内出行）相关的潜在市场份额。表1总结了文献中关于UAM潜在需求的研究，并根据需求预测所采用的方法和所考虑的用例进行了分类。

从对UAM服务类型的假设来看，可以识别出两个主要类别：一些研究人员专注于连接城市兴趣点（“中心性”）与机场的机场穿梭服务，而其他研究人员则分析了城市内部或城市之间点对点出行（即垂直机场到垂直机场）的空中出租车服务。此外，其他研究旨在评估两种服务类型整合的场景。

UAM票价可能是影响这些新型空中服务采用的主要因素之一，对其结构的假设是另一个差异较大且在不同研究中有所不同的因素。特别是，通常假设采用基于距离的票价结构，有时还会辅以每位乘客的固定基础票价。相反，有文献引入了一种更复杂的结构，由两部分组成的固定基础成本，即每辆车的着陆成本和每位乘客的行程成本，以及取决于飞行距离的可变部分。垂直机场网络的范围可能会显著影响UAM服务的可达性、空间覆盖范围，进而影响其吸引力：通常隐含地假设了更现实的场景，包括研究区域内只有少数几个垂直机场，因此服务的起讫点关系数量有限。

上述所有因素都会对需求预测和UAM模式份额估计产生影响。特别值得注意的是，平均而言，文献中的研究发现UAM对不到5%的出行者具有吸引力，下限低于1%。然而，也有研究人员指出，UAM对特定需求细分市场具有巨大的吸引力潜力（例如，有文献报道高收入家庭的UAM模式份额为71%）。本研究旨在为现有文献做出贡献，提出与米兰大都市区案例研究相关的模拟，并将整个伦巴第地区作为研究区域，提供有关UAM服务吸引力的信息，并讨论影响UAM选择概率的因素。与文献中的其他研究不同，本研究针对三种不同空间模式的UAM用例进行了详细分析，即机场穿梭服务、城际空中连接和空中出租车服务。

3 研究方法

本研究采用的方法如图2所示。

第一步是假设影响UAM出行时间和成本的垂直机场位置，还包括往返垂直机场的进出出行阶段。这些是通过研究区域的多式联运供应模型估算得出的，该模型由112,120个节点和319,728条有向链路组成。道路网络模型是从OpenStreetMap数据集中提取的，包括五种不同的链路类型（即高速公路、主干道、一级公路、二级公路、三级公路）。

表1 全球范围内关于UAM潜在需求的研究，以及主要的UAM服务特征和网络假设

图2 描述本研究采用的方法路径的流程图

表2 与伦巴第大区多式联运模型中包含的公共交通服务相关的线路数量、站点数量及总长度

公共交通网络模型基于地理参考数据以及该地区不同公共交通运营商的通用公交出行数据规范（GeneralTransitFeedSpecification）数据集中的时刻表：它包括铁路、地铁、有轨电车、公交和无轨电车服务（详见表2）。

城市空中出行（UAM）网络由N个节点（即垂直机场）和N•（N-1）条有向链路（即UAM服务路线）组成，其中N会根据模拟场景而变化。

每日起讫点（OD）出行矩阵取自伦巴第大区的开放数据集。往返米兰各机场的出行情况是根据机场市场调查数据估算得出的，包括往返利纳特机场（LIN）和马尔彭萨机场（MXP）的每日进出港出行次数，以及按出行目的划分的总体地理分布情况。

3.1 现实偏好/陈述偏好调查数据收集活动

为了获取有关旅行者当前出行选择以及对城市空中出行服务态度的信息，以估算出行方式选择模型，开展了一项结合现实偏好（RP）和陈述偏好（SP）的混合调查。该调查通过计算机辅助个人访谈（CAPI）进行，使用的平板电脑具备意大利语和英语选项。每位受访者手持一台平板电脑完成问卷，并有一名访谈员随时准备在出现任何问题时进行干预。受访者在米兰大都市地区的主要交通枢纽和著名景点随机选取，包括机场（MXP和LIN）、火车站（米兰卡多纳站、米兰中央站、米兰罗戈雷多站、蒙扎站）、设有换乘停车设施的公交终点站（兰普尼亚诺站、法马戈斯塔站），以及米兰市的地标性建筑，如城市生活广场和盖·奥伦蒂广场。随机抽样策略的确定是为了确保一周中每天进行的访谈数量之间保持平衡（即周四收集的访谈百分比与周五、周六等收集的百分比相匹配），工作日和节假日之间保持平衡（即根据意大利日历，节假日收集的访谈百分比与年度节假日百分比成比例），以及一天中不同时间段之间保持平衡。需要注意的是，访谈时间为上午8:00至9:00pm；因此，在此时间段之外的人员未接受访谈。在进行访谈的地点，从进入主要入口或离开主要出口的人员中每隔20;min选取一名作为样本受访者。问卷保证完全匿名，并完全符合欧洲通用数据保护条例。根据意大利法律，问卷仅针对法定年龄的个人发放，不存在任何歧视。

现实偏好部分有16个问题，重点是创建一个涵盖不同因素的受访者概况，包括年龄、性别、教育水平、就业状况、年总收入、家庭构成、是否拥有驾驶执照和/或日常出行的私家车。此外，还包括与受访者正在进行的特定出行以及其出行习惯相关的问题：这些问题用于收集出行起点和终点、选择的交通方式、行程时长和费用、出行目的、出行频率、是否有差旅费报销以及通常与之同行的人数等信息。在这第一部分之后，参与者观看了一段简短的视频，展示了城市空中出行服务及其整个出行体验。最后，邀请受访者参加陈述偏好实验。该实验按照高效设计方法构建。受访者在多达六种不同情况下做出选择，这些情况根据问卷现实偏好部分收集的信息进行定制，即行程时长。

-超过（O）或低于（U）60;min-独自出行（I）或与他人同行（C），以及在选择情境中作为汽车出行方式促成因素的汽车可用性（或缺乏可用性）。因此，生成了八种不同的设计。需要注意的是，为了简化访谈时长，这些设计按组划分，每组包含六个选择情境。每位受访者仅需回答一组。通过这种方式，有效的设计被拆分为较小的集合，确保每组内属性水平均衡，并确保选择情境在受访者中均匀分布。在每个选择情境中，受访者在四种出行方式中进行比较和选择：汽车、出租车、公共交通（PT）和城市空中出行（UAM）。那些宣称没有汽车的人从三种选项中进行选择。进行了一项试点调查，以测试受访者对问题的反应和理解。该调查确定了影响出行方式选择的最重要因素，如进出时间、等待/登机时间、车内时间和货币成本。在陈述偏好（SP）选择情境中，汽车、出租车和公共交通出行方式的时间和成本水平根据米兰地区交通系统现有的平均起终点服务水平特征而变化。

与案例研究相关的平均出行方式属性是使用研究区域的多式联运供应模型估算的，该模型在本手稿第3节的引言中简要描述。对于城市空中出行（UAM），车内时间和成本围绕估算值进行调整，假设电动垂直起降（eVTOL）技术规格（巡航速度为150;km/h）和单位服务票价为3.5€/km，与[27]报告的值一致。表3显示了出行方式的总结，以及它们的服务属性水平和每个设计中的变化水平。

表3 陈述偏好实验的属性值。

数据收集工作历时三个月，从2021年末持续至2022年初，共获取了2145多次访谈。其中，1127次被归类为与机场相关的行程，其余的则被归类为城市出行。平均调查时长为9.7min（时间分布的第一四分位数为8.5min，第三四分位数为11.7min）。表4报告了按地点划分的受访对象百分比分布情况，从中可以看出，几乎一半的访谈是在米兰马尔彭萨机场和米兰利纳特机场进行的，这两个机场在模拟场景中被视为大都市和地区空中出行服务的枢纽（见4.1节）。表5包含了按社会经济因素划分的样本细目。可以注意到，样本在性别方面分布均衡，而中年群体（即35至54岁）和就业人员在样本中的占比高于伦巴第大区的平均人口分布。样本与总体统计数据之间的差异应被理解为用于选择受访者的现场随机抽样方法的直接结果。这种方法反映了在数据收集活动地点出行的人群的实际特征，主要是往返于米兰市的工作年龄个体。值得注意的是，样本中还包括一小部分高收入旅行者（即平均年收入超过12万欧元），这在选择空中出行服务方面是一个重要变量。

3.2 出行方式选择模型

仅使用了数据库中的陈述偏好（SP）部分来进行离散出行方式选择建模估计，这依赖于随机效用理论的假设。假设个体n在不同的选择情境s下对每种交通方式j都有明确的偏好，这可以通过感知效用函数U_nsj来衡量：如式1所示，它可以设定为系统效用成分V_nsj与随机残差epsilon_nj的总和（其中V_nsj函数被假定为β_nk对k个解释变量x_n)的加权线性组合）。

表4 按地点划分的访谈收集百分比分布

采用了多项逻辑回归（MNL）离散选择模型规范，使用面板数据来考虑与同一受访者相关的观测值的非独立性。本文（表7）中应用的模型是对中估计的混合逻辑回归（ML）模型进行调整后的MNL模型，通过将车内出行时间（IVTT）和货币成本（MC）的系数约束为能得出出行时间价值（VoTT）等于VoTT分布中位数的值的估计值（表6）。

事实上，在中发现，使用MNL规范估计的参数导致的弹性不切实际，且VoTT节省情况与文献不符。应用ML模型过于复杂，超出了我们的分析范围，即探索城市空中交通（UAM）对意大利米兰大都市区出行需求的潜在影响。因此，在案例研究的应用中，我们选择使用一种新的MNL规范，其中车内时间和货币成本的参数被约束以得到表6中的VoTT节省情况，而其他参数则使用最大似然估计法进行估计。这些模型在PTVVISUM模拟软件中实现并应用于研究区域。在这两个模型中，系统效用函数纳入了几个特定模式的服务水平变量：

-IVTT：车内出行时间（分钟）；

-AET：总进出时间（分钟）；

-WBT：总等待和登机时间（分钟）：

-MC：每人的总货币成本（欧元）；值得说明的是，商务出行虚拟变量包含一个与MC值的交互项，如果受访者是出于商务目的出行则为1，否则为0。

值得一提的是，为了考虑出行时间的不同值（即IVTT和MC贝塔估计值之间的比率），我们采用了具有特定模式时间和成本参数的模型规范。鉴于陈述偏好（SP）实验的标记性质，这种方法是可行的，在该实验中，模式选择明确命名为汽车、公共交通、出租车和城市空中交通（UAM）。系统效用函数还考虑了个人社会经济特征

表5 样本的社会经济和出行特征

伦巴第大区人口统计数据由作者根据意大利国家统计局的人口普查数据（可在以下网址获取：https://www.istat.it/notizia/basi-territoriali-e-variabili-censuarie/）以及伦巴第大区提供的每日起讫点出行矩阵（可在以下网址获取：https://www.dati.lombardia.it/Mobilita-e-traporti/Matrice-OD2030-Passeggeri/sht7-5jd5）整理而成。

表6 机场往返及大城市出行的出行时间价值（VoTT）节省采用值。来源：[34]

通过四个特定模式变量的线性组合：

-年龄（>45岁）：如果受访者年龄超过45岁，则虚拟变量等于1，否则为0；

-年收入（>120kepsilon）：如果受访者的个人年度总收入超过120,000欧元，则虚拟变量等于1，否则为0；

-就业状况（就业）：如果受访者就业，则虚拟变量等于1，否则为0。在两个模型中，汽车（CAR）被用作基准选择。因此，所有社会经济虚拟变量和特定选择常数（ASC）都必须从相对角度进行解释。表7列出了采用的参数以及估计中的统计建模细节。

每个模型都使用了超过1000次访谈的样本进行估计，每个样本有超过5500个观测值。模式选择概率相对于出行时间的直接弹性范围为-0.3至-0.9，具体取决于模式和起讫点距离。同样，相对于出行成本的弹性范围为-0.5至-1.1，也因模式和起讫点距离而异。为了对建模结果进行解释并与文献中的估计进行比较，请读者参考。

表7 往返机场和城市出行的多项logit模型。显著性水平：*** p ≤ 0.01, ** p ≤0.05, * p ≤ 0.10

图3 研究区域识别与分区

随后实施了模式选择模型，以模拟不同场景下的模式选择，并估计要分配到多式联运网络的OD矩阵。

3.3 分配模型

分配模型模拟交通出行者选择（需求）与交通供给性能之间的相互作用。它们通常嵌入不同运输方式的路径选择模拟，并允许估计多式联运网络中各条线路上的流量。对于所有模拟的模式选择，在给定每日分析时段的情况下，采用了广义最小成本路径分配算法。

4  在米兰案例研究中的应用

所提出的方法已应用于米兰的案例研究。研究区域包括整个伦巴第大区（见图3），该地区约有1000万居民，是意大利人口最多的地区，其国内生产总值占意大利全国的五分之一以上。研究区域已划分为613个交通分析区：571个是市镇（或它们的聚合体，特别是在农村或周边地区），2个是LIN和MXP机场，其余40个与米兰市有关，在米兰市引入了邮政编码级别的详细分区。

表8不同场景下与UAM服务相关的假设

4.1 场景：垂直机场位置及对城市空中交通（UAM）服务的假设

已模拟了四种不同场景（表8）：所有场景均考虑了城市空中交通机场穿梭服务、城际航空连接和空中出租车，但它们在运营中的垂直机场数量以及城市空中交通服务连接的起讫点（OD）对的假设方面有所不同（从场景1到场景4均增加），并且在城市空中交通票价方面也有所不同（从场景1到场景4递减）。

运营中的垂直机场数量从场景1中的4个变化到场景4中的17个，其中两个是位于LIN和MXP机场的垂直起降基础设施。可行的垂直机场位置是通过案头分析得出的，综合了地域特征（如就业密度、居民密度、旅游地点）、交通特征（如与交通枢纽或交通节点的接近程度）以及土地可用性的空间限制。如图4所示，在所有场景中，均假设垂直机场通过直接的城市空中交通服务相互连接。

图4不同场景下城市空中交通服务网络的假设

城市空中交通票价基于行驶距离，从场景1中的3.50欧元/人-变化到场景4中的3.00f欧元/人，最低票价分别为每人60欧元和45欧元。

模拟场景假设背后的基本原理是模拟研究区域内城市空中交通服务的可能演变。从场景1到场景4，我们假设垂直机场数量增加，这对应于服务的更广泛传播，相应地，城市空中交通服务的平均票价降低。这与在新的交通市场（如高铁）中观察到的趋势类似。这些假设已得到来自该行业和进入城市空中交通市场的公司的专家的验证，包括服务运营商、规划者、垂直机场开发商和公共当局（如监管机构）。

表9关于不同服务类型和不同场景的城市空中交通总体方式分担率

4.2 结果分析

表9报告了城市空中交通（UAM）在不同服务类型和不同场景下的总体平均方式分担率。可以注意到，机场穿梭服务比其他服务（包括城际航空连接和空中出租车）更具吸引力：前者的方式分担率在场景1中为0.6%，在场景4中为2.1%，而后者在所有模拟场景中的分担率均低于0.2%。

对于场景4，根据起讫点（OD）对以及UAM服务类型，分析了UAM选择概率与飞行距离以及往返垂直机场的进出（A/E）时间之间的函数关系。城际旅行的模拟结果表明，选择UAM服务的概率随距离增加而降低（图5）。

图5城际航空连接的UAM选择概率，作为OD飞行距离的函数（左图）以及往返垂直机场的进出时间的函数（右图）

图6空中出租车服务的UAM选择概率，作为OD飞行距离的函数（左图）以及往返垂直机场的进出时间的函数（右图）

往返垂直机场的A/E时间也会影响UAM选择概率。如果旅行者的出发地和/或目的地靠近垂直机场，选择概率会更高；而当A/E时间超过20;min时，选择概率会迅速趋于零。

对于UAM空中出租车服务，可以首先观察到其选择概率低于城际旅行的选择概率（图6）。此外，模拟结果显示，UAM选择概率既没有随距离呈现明显趋势，也没有随A/E时间呈现明显趋势。这可能取决于以下事实：在竞争的交通方式中，UAM的出行时间相当相似，而且OD距离增加并不一定会导致出行时间系统地延长。实际上，公共和私人的OD出行时间更多地取决于是否存在地下或铁路连接以及道路干线，而不是OD距离。

最后，图7展示了UAM机场穿梭服务的模拟结果。尽管在此用例中两个图中的点也相当分散，但可以观察到UAM选择概率与起讫点飞行距离之间总体上成反比关系。

图8展示了城际连接和空中出租车服务的垂直机场服务范围，定义为使用UAM到达研究区域其他区域的平均概率高于1%（分布的第75百分位数）的区域。可以观察到，垂直机场服务范围的大小和形状因交通基础设施的提供情况以及每个垂直机场可用的UAM连接等因素而异。此外，在竞争模式的服务水平（包括出行时间和频率）较低的地方（如农村地区），垂直机场服务范围更大。例如，值得一提的是位于省份的垂直机场和位于米兰大都市区的垂直机场的服务范围差异：前者延伸到省份的行政边界之外，后者由于与公共交通或道路运输方式竞争，仅限于靠近垂直机场的区域。

图7机场穿梭服务的UAM选择概率，作为OD飞行距离的函数（左图）以及往返垂直机场的进出时间的函数（右图）

图8 所有OD对的城际航空连接和空中出租车服务的UAM平均选择概率

对于机场穿梭服务的垂直机场服务范围分析，区分了往返马尔彭萨机场（MXP）和往返利纳特机场（LIN）的UAM连接。这是服务米兰市的两个主要机场，它们在交通可达性方面存在差异，主要是由于地理位置不同。实际上，MXP位于米兰西北部，距离市中心约45km，而LIN是米兰城市机场（位于米兰以东约7km），可通过公共交通（地铁和公交车）到达。

图9展示了马尔彭萨机场（MXP）的垂直机场服务范围，以往返该机场的城市空中交通（UAM）选择概率高于4%（分布的第75百分位数）的区域来表示。可以注意到，距离机场小于30-35km的区域是其他交通方式的专属区域。另一方面，对于距离马尔彭萨机场30km至60km的区域，城市空中交通更具竞争力（即模式份额高于4%）。

图10展示了往返利纳特机场（LIN）的城市空中交通机场班车的垂直机场服务范围。可以注意到，服务范围包括米兰西部未通过地铁直接连接且其干道连接经常拥堵的区域，这使得城市空中交通服务具有竞争力。

垂直机场服务范围的扩展是城市空中交通潜在需求的一个主要决定因素。在图11中，描绘了城市空中交通垂直机场到垂直机场的乘客数量，显示出最高数量与往返机场的城市空中交通服务相关，特别是与马尔彭萨机场相关，该机场通过竞争交通方式较难到达，并且可能从引入城市空中交通服务中受益更多。

5  讨论

关于米兰案例研究的模拟结果表明，旅行者发现城市空中交通机场班车比城际航空连接或空中出租车更具吸引力，从而导致更高的客流量和总体模式份额。这些发现证实了在中所发现的，即用于机场进出的城市空中交通服务可能代表城市空中交通最重要的商业发展领域。

图9 往返马尔彭萨（MXP）机场的城市空中交通机场班车的城市空中交通选择概率

图10往返利纳特（LIN）机场的城市空中交通机场班车的城市空中交通选择概率

与文献的比较表明，本研究中城市空中交通城际连接和空中出租车的平均模式份额（低于0.2%）与其他文献中的份额一致，而城市空中交通机场班车的模式份额估计值（在模拟场景中从0.6%到2.1%）低于[24,25,30]中的值，但平均高于[6]中的值。值得注意的是，这种比较分析应该在特定案例研究、城市空中交通所融入的交通系统的背景下进行，最重要的是，要结合与城市空中交通票价和服务网络扩展相关的假设（即垂直机场的数量和服务的路线）。事实上，鉴于这种新交通模式的特征存在不确定性，这些假设在不同研究之间可能有很大差异，这使得进行全面的比较分析非常困难。

在本研究的假设中，值得强调的是基于距离的城市空中交通票价结构与[24,27,29-31]中假设的类似。在数值方面，假设的每公里单价在3.5€/km至3.0€/km之间，与[30]中研究的费率范围一致，但高于[6,24-28,31]中的费率。这是因为我们的场景应被解释为与城市空中交通运营的初始阶段相关。可以合理设想，从长期来看城市空中交通票价可能会下降。

关于运营中的垂直机场数量，在模拟场景中其范围从2个到17个：这与[5,29-31]中的假设类似，在这些研究中仅引入了少数用于城市空中交通运营的垂直机场，但远低于其他研究（例如[6,24-27]）。随着城市空中交通服务网络的扩展（即垂直机场数量增加），观察到城市空中交通模式份额增加。然而，它们的增量增长并不恒定，并且随着垂直机场数量的增加逐渐减少（见表9中场景1到场景4的城市空中交通模式份额结果的比较）。

图11垂直机场到垂直机场的城市空中交通乘客流量

城市空中交通（UAM）选择概率与城市间航空服务的起讫点（OD）距离之间的关系呈现出明显的反比例关系。换句话说，OD距离越大，UAM选择概率越低。这种相关性源于与其他交通方式（如私家车、出租车和公共交通）竞争时出行时间和成本之间的权衡。一方面，UAM出行成本随距离增加的幅度超过其他交通方式（即UAM每公里的边际成本高于其他交通方式），这一事实往往会随着距离的增加而降低UAM的效用，从而降低UAM的选择概率。另一方面，随着距离增加，UAM相比其他交通方式节省时间（即UAM的出行速度高于其他交通方式），这往往会增加UAM的选择概率。这种关系与假设的UAM票价密切相关。确定与其他交通方式相比能够平衡出行时间节省的UAM每公里边际成本将是一件有趣的事情。然而，这可能是未来研究的一个课题。此外，图5显示，对于服务距离在30km到50km之间的短途服务，UAM选择概率显著较高，平均高于4%：UAM服务的这一便利范围与文献[40]中提供的估计一致。

6 结论

本文旨在为正在进行的关于城市空中交通（UAM）服务吸引力以及影响潜在需求因素的辩论做出贡献。基于针对米兰大都市区案例研究估计的随机效用模式选择模型，在几种情景下对以下类型的城市空中交通（UAM）服务的乘客流量进行了估计：机场空中穿梭巴士、城市间航空连接以及空中出租车服务。

结果表明，机场穿梭巴士在往返机场的出行（包括商务和休闲出行）中的方式分担率在2%-5%的范围内。它们比空中出租车更具吸引力，空中出租车的方式分担率在1%-3%的范围内。此外，城市间出行选择城市空中交通（UAM）服务的概率随着到/离垂直起降机场的距离和进出时间而降低。类似地，对于城市空中交通（UAM）机场穿梭巴士服务，已突出显示UAM选择概率与OD距离之间存在反比例关系（尽管更为分散），但由于米兰大都市区中与竞争模式替代方案相关的服务水平属性的高度各向异性，对于城市空中交通（UAM）空中出租车无法观察到趋势。最后，空间分析证明，随着城市空中交通（UAM）服务与其他交通方式之间的竞争减少，垂直起降机场的服务区域会扩大。

在本研究的局限性中，值得注意的是，城市空中交通（UAM）出行需求预测依赖于根据通过现场调查获得的数据估计的模式选择模型。尽管在问卷期间通过播放视频向用户介绍了城市空中交通（UAM）技术，但调查方法的固有性质意味着受访者对这种新技术的沉浸式体验可能不够深入。因此，他们关于使用该技术的意图的选择可能存在偏差。另一个局限性与用于模拟的模式选择模型有关。需要注意的是，所应用的模式选择模型是基于一个数据集估计的，该数据集涵盖了最大飞行范围为75km的城市空中交通（UAM）服务水平属性。当将这些模型应用于比75km更长的飞行距离时，我们应该意识到对时间和成本的弹性可能会有所不同，这可能会影响出行需求预测的准确性。

另一个局限性与结果解释有关。鉴于估计的城市空中交通（UAM）选择概率（见图5、6和7）和估计的城市空中交通（UAM）方式分担率（见表9）在绝对值上相对较小，对结果的解释应谨慎。它们主要应提供一般性的见解（例如，城市空中交通（UAM）服务将针对特定细分市场，并且城市空中交通（UAM）机场穿梭巴士服务可能更具吸引力），而不是关于在特定路线上出行的潜在城市空中交通（UAM）用户数量的精确指示。

未来的研究可以在虚拟现实环境中（例如通过使用头戴式设备）研究城市空中交通（UAM）模式选择过程，以促进受访者获得更身临其境的体验。此外，可以通过调查用户的航空出行习惯或研究个体特征（如安全认知）如何影响选择城市空中交通（UAM）服务的概率，来深化对影响城市空中交通（UAM）模式选择因素的分析。从模式选择建模的角度来看，未来的研究可以使用联合估计的揭示性偏好（RP）和陈述性偏好（SP）模型，将来自当前RP用户行为的数据与来自SP数据的假设数据相结合，从而减轻与SP实验选择相关的潜在偏差。

关于城市空中交通（UAM）服务的假设，本研究考虑了行业专家、专注于垂直机场和UAM网络设计的公司以及计划进入意大利市场的UAM服务运营商的反馈。这些假设在未来的研究中可以放宽。例如，分析不同的垂直机场选址设置，以评估潜在的UAM乘客需求、交通可达性和空间公平性影响之间的权衡，将是很有趣的。另一个重点可以是放宽每公里UAM票价不变的假设，并模拟基于UAM专用空域拥堵的动态票价对乘客出行需求的影响。

（全文完）

丨声明：本文稿内容来源于Coppola et al. European Transport Research Review，示例图片素材来源于原文作者，图片版权归原作者所有，如果分享内容侵犯您的版权或者所标来源非第一原创，请及时联系小编，我们会第一时间做出处理。

 （原文支持免费下载，请关注留言或底部添加助手）

1、《城市空中交通需求预测：来自意大利米兰案例研究的建模证据》

2024-2025 © 转载请注明：

转载自公众号“低空产研记录”