城市物流无人机低空空域交通量预测*

任新惠 王佳雪

（1.中国民航大学经济与管理学院 天津 300300；2.中国民航大学交通科学与工程学院 天津 300300）

0 引 言

国内外物流企业陆续尝试小型无人机包裹配送，顺丰于2018年获得国内首张无人机航空运营许可证。无人机初创公司迅蚁已经开始和餐饮外卖公司合作试运行无人机送餐服务，2021年迅蚁与浙江大学二院开展无人机血液配送服务，标志着全国首条常态化无人机急救送血航线投入使用。由于无人机可节省人力和时间成本的优势，面对城市快递量的日益增长，无人机更适用于小批量、高频次的运输，同时可以实现“零接触”，满足疫情的防控要求。根据分析报告[1]，未来我国无人机的市场规模呈现快速发展，大城市的空域交通与航空设施安全[2]以及无人机飞行计划安排[3]、配套设施的布局情况都需要无人机配送的需求数据支持。

目前，国内外在小型无人机包裹配送的相关研究大多集中在无人机的配送路径规划[4-7]、无人机任务调度[8-9]、无人机选址[10]及无人机法律法规[11]等方面。随着无人机应用环境逐渐增多，尤其是城市配送场景下，无人机配送市场需求规模直接影响未来低空空域、设施规划建设。而目前，对无人机未来发展规模、配送需求的研究还较少。无人配送领域研究报告[12]中多家无人机公司例如亿航、智航和迅蚁等都已进行多轮融资，逐步开始研发产品；无人机现状与未来前景解析与快递物流业应用报告[13]中中国无人机市场销售规模接近1 000亿元；候亚伟等[14]通过灰色预测模型得出2005—2025年无人机市场规模及无人机发展前景预测评估；Marc等[15]研究了城市地区小型无人机数量和包裹量，从全国包裹量逐步预测出华盛顿城市在2050年的包裹量；Doole等[16]从欧洲5国出发逐步预测出巴黎等城市的包裹需求量，以及对无人机配送快餐与传统配餐方式的成本进行对比；Vempati等[17]考虑运营商最大化利润，构建线性规划模型来预测所需的最小无人机数量；张芳等[18]以最小化运输量成本、最大化快递运输量为目标，构建多阶段无人机需求预测模型。Aurambout等[19]提出1个建模框架，通过收集人口和土地利用数据，使用经济可行性标准估计潜在的无人机峰箱和无人机数量。Mayakonda等[20]提出1种自上而下的预估方法，通过估计旅客对UAM服务的支付意愿和UAM潜在的交通量来确定全球对UAM运输的需求。

综上所述，对未来无人机需求预测大部分以灰色预测模型、线性规划模型等方法进行研究，考虑人口总数、区域经济发展水平（GDP）等因素，但无人机城市配送是新兴的物流模式，现有的数据不足以反映未来发展趋势，而且公众对这一新兴事物的接受程度也会影响其未来发展。笔者结合公众对无人机在城市中配送包裹的意愿，同时考虑经济、人口因素逐级推算得到我国无人机配送包裹量，进而预测城市低空空域交通量，为城市无人机配送体系构建与运行管理提供依据。

1 无人机配送包裹需求预估框架

传统的市场需求预测需要在营销调研的基础上，利用科学的理论和方法对未来一定时期内的需求量做出预估。在城市无人机配送方面，除了按照市场预测一般要考虑的经济、人口因素外，还要考虑民众是否愿意接受这种新型的配送方式。因此本文在进行预测时会重点考虑到民众的使用意愿程度。

1.1 假设

在城市环境下无人机进行包裹、外卖配送，首先假设无人机飞行路径、高度都符合相关规定，不考虑运行安全风险。在此基础上，有关包裹配送方面的假设如下。

1）根据国家邮政局数据显示，国内与国际的快递业务量占比分别为97.8%和2.2%，因此本文研究只讨论国内包裹量。

2）目前无人机配送，仅在一些试点城市里进行配送业务，根据Marc等[15]提出的假设，只有70%的城市包裹使用无人机投递，才会获得经济优势。这里采用保守估计，选择60%的城市包裹(外卖)使用无人机交付，剩余的城市包裹（外卖）由于经济性或者包裹体积较大等因素选择使用卡车运输。

3）无人机运行场景约束，城市即时配送主要考虑包裹或外卖配送的“最后一公里”，即从快递驿站或餐馆到最终客户目的地的交付活动。

4）无人机交付时间，参考已进行无人机送货的公司数据，Deliveroo公司平均送货时间为32 min，而且可缩至30 min，故本文假设无人机交付时间为30 min。

5）假设外卖订单的产生位于城市内，且外卖订单的种类包括：餐饮、医药、生鲜和零食等。

1.2 需求预估框架

在已知全国每年包裹的周转总量，根据包裹标签进行逐级推算，包裹标签包括是否去往国内或国外、是否去往城市或农村、载具是否为无人机、是否低于特定重量、公众是否愿意使用等。最终估算出城市范围内基于公众意愿的无人机配送包裹量，再根据经济发展增长情况（高、中、低）预测出2025—2050年无人机包裹需求量，预估框架图见图1。

图1 需求预估框架图Fig.1 Demand estimation framework diagram

根据图1框架内容，对上述需求估算的步骤进行具体解释。

1）全国周转快递包裹总量。根据国家邮政局数据[21]显示，我国2019年全年快递服务企业业务完成量为635.2亿件。

2）国内快递包裹总量。依据假设条件，97.8%为国内快递包裹量，故可得出国内快递包裹交付数量=全国周转快递包裹量×97.8%。

3）城市配送快递包裹量。国内快递包裹交付在城市、农村以及其他一些小型区域存在，根据国家统计局发布的2019年国民经济和社会发展统计公报[22]显示，我国在城镇的常住人口占总人口比重为60.60%，这里将城镇人口所占用的百分比代表城市配送的占比，因此城市快递包裹量=国内快递包裹交付数量×60.60%。

4）特定重量下的包裹（外卖）量。无人机可配送的物品除了快递包裹还有外卖，2019年我国外卖订单交货量约为159.3亿件，外卖配送的范围和时效满足无人机配送条件。根据D'andrea[23]的研究内容，多旋翼小型无人机在10 km的距离上运输2.2 kg是考虑运营成本的最佳设计要求。全球最大的网络电子商务公司之一的亚马逊数据显示86%的包裹重量低于2.2 kg。因此可以得出城市快递包裹（外卖）量（低于2.2 kg）=（外卖订单量+城市快递包裹量）×86%。

5）符合无人机投递的快递包裹量。根据假设，城市包裹（外卖）中只有60%的快递包裹可由无人机进行配送，而剩下40%的包裹，采用传统地面运输方式。因此城市内符合无人机配送的快递包裹量=特定重量下的包裹（外卖）量×60%。

由于无人机配送尚属新事物，根据快递包裹、外卖估算出来的适合无人机配送的包裹量不太准确。公众在选择配送方式上，或许还会选择传统地面方式，为合理估算无人机配送包裹量，通过调查公众使用无人机配送包裹的意愿程度，以此进一步估算无人机配送包裹比例。

2 基于公众使用意愿的无人机配送包裹量预估

运用二元Logistic模型对公众使用态度进行回归分析，最终得到公众使用意愿比例。

2.1 指标设定

因变量设置，公众是否愿意使用无人机配送自己的包裹是反映支付意愿的重要指标，故将其作为被解释变量，从而研究被访问者对其行为决策的影响。协变量设置，研究对受访者是否愿意使用无人机进行包裹配送的影响因素变量，可分为个人属性和感知属性。其中个人属性包括以下2个方面。见表1。

表1 个人属性变量解释及赋值表Tab.1 Personal attribute variable interpretation and assignment table

1）个人社会属性。个人生活在群体中所具有的代表属性包括：年龄、性别、职业、学历和月收入这5个变量。

2）个人认知属性。该属性主要代表受访者对无人机在短距离配送的了解程度和接受能力，包括对职业相关度、安全关注度和新事物接受度3个变量。

公众对使用无人机配送包裹受感知因素的影响，从而影响到行为意愿。在感知属性变量设置上参考技术接受度模型（TAM）中考虑的影响因素，个体使用新技术的态度与其感知程度有一定影响，在感知有用性与感知易用性的基础上，引入感知风险探知新事物对个人的影响，引入感知可行性探知尚未大规模使用的事物对个人的可接受程度。具体可分为以下4个方面。见表2。

表2 感知因素变量解释及赋值表Tab.2 Perception factor variable interpretation and assignment table

1）感知有用性。受访者对使用无人机配送包裹，主观上认为其带来的效益提升程度，包括无人机所带来的时间、费用、环保和可提供更多岗位的效益4个变量。

2）感知易用性。受访者在使用无人机配送包裹时可使自己减少的费心程度，包括无人机的取货操作和上门送货2个变量。

3）感知风险性。受访者在体验无人机配送包裹的过程中所发生后果的严重性和结果的不确定性，包括无人机配送过程的故障、错误和隐私侵犯3个变量。

4）感知可行性。受访者在基于自己知识的了解中，对使用无人机配送包裹的行为进行感知分析，其中包括无人机城市配送可行性和无人机是未来的主流配送方式2个变量。

协变量中主要是分类变量，故引入哑变量表示，均采用Likert五级量表测量，“1”代表非常不同意，“5”代表非常同意。

2.2 公众使用意愿模型构建

本文所研究受访者是否愿意使用无人机配送自己的包裹作为因变量，有“愿意”和“不愿意”这2种决策行为，受访者根据各种因素对其的影响程度，做出选择，并找出影响程度大的自变量因素。本文因此运用二元Logistic回归模型，对Logistic回归模型的参数估计采用最大似然法。Logistic回归模型设因变量为Y，记作使用无人机配送包裹的条件概率为p(Y=1|xi)=pi，Logistic回归模型见式（1）。

式中：p(y=1|xi)=pi为愿意使用无人机配送包裹的条件概率；xi(i=1，2，…，m)为是否愿意使用无人机配送包裹的影响因素；α为常数项；βi(i=1，2，…，m)表示第i个变量xi的回归系数。若回归结果中βi的数值显示为正，则表示该变量对是否愿意使用无人机配送包裹具有正向影响；反之，则表示具有负向影响。

式中：Odds为愿意使用无人机配送包裹与不愿意使用的概率之比，即事件的发生比。

对式（2）做对数变换，得到Logistic回归模型的线性模式，见式（3）。

2.3 问卷调查及描述性统计分析

调查问卷包括个人基本特征以及个人认知和感知方面的一些因素，为了保证问卷的真实可靠与科学，初步将问卷分别发放给研究无人机领域的专家、学者、以及一些民众，在收到反馈结果后，对问卷内容进行及时调整，最终在线上、线下发放问卷579份，有效问卷共547份。

通过对有效问卷数据进行分析，见表3。在年龄方面，19～34岁的受访者愿意使用的想法较为强烈（65.38%）；在性别方面，男女性别之间是否愿意使用的意愿相差较小；在职业方面，自由职业者与学生群体直接愿意使用的意愿（67.35%、66.13%）相比与在企事业单位工作的群体更强烈；在学历方面，硕博士群体愿意使用的意愿明显强于本科群体的人数；在月收入方面，月收入在5 000～10 000元之间的群体愿意使用的意愿最为强烈（66.09%），在10 000元以上的群体愿意使用的意愿最弱（55.66%）。

表3 样本人数基本特征描述性统计表Tab.3 Descriptive statistics table of basic characteristics of sample size

2.4 信度检验分析

信度分析用来分析问卷的稳定性与可靠性，本文根据所衡量的问题，选择用克朗巴哈系数（Cronbachα系数）研究问卷的内在信度。结果显示Cronbachα系数值为0.722，大于0.7，说明问卷具有较好的内在信度，见表4。

表4 信度检验表Tab.4 Reliability checklist

2.5 模型结果分析

本文使用二元Logistic模型，采用极大似然估计法。运用软件SPSS 22.0对所有有效数据进行二元Logistic回归分析，但所研究的协变量有19个，影响因素多，因此使用Wald向后逐步法，将所有变量均放入模型，之后尝试将其中1个自变量从模型中提出，看整个模型解释因变量的变异是否有显著变化，随后将解释量减少最少的变量剔除，在此过程共迭代15次，逐步剔除部分不显著因素，最终得到5个关键因素。这里列出第1步和第15步的回归分析结果，见表5。

表5 Hosmer-Lemeshow检验表Tab.5 Hosmer-Lemeshow checklist

“Hosmer和Lemeshow”检验用来评估Logistic回归模型预测因变量的能力，表格中零假设时模型能够很好拟合数据，步骤15中显著性检验值Sig=0.349＞0.05，接受零假设，认为模型能够较好的拟合数据。

经过Wald向后逐步回归后，得到5个变量显著性Sig值均小于显著性水平0.05。因此拒绝零假设，表明这5个变量均具备显著性影响。Logistic回归协变量结果见表6，该表格给出了步骤15的最终模型。

表6 二项Logistic模型回归分析结果Tab.6 Binomial Logistic model regression analysis results

由B列系数得二元Logistic模型表达式。

模型的预测结果表见表7，在步骤15中模型结果显示不愿意使用无人机配送包裹的197个用户中有132个判断正确，正确率为67%；愿意使用无人机配送包裹的350个用户中有315个判断正确，正确率为90%；对于建模数据总的回判正确率为81.7%。

表7 预测结果表Tab.7 Forecast classification table

故由二项Logistic模型可以得到受访者愿意使用无人机配送包裹的概率。

基于民众愿意使用程度下无人机配送包裹数量=特定重量下包裹量×69.47%

3 未来无人机城市包裹量及城市空域交通量预测

快递的发展与国家经济发展密切相关，因此选择使用平均经济增长率代表未来无人机配送包裹的需求增长率[16]。根据国家统计局给出的数据信息[24]，我国在2015—2019年国内生产总值增长速度为7.0%，6.8%，6.9%，6.7%，6.1%，5年的平均增长率为6.7%。因此预测中设定高、中、低3种不同情景下的增长率。选定2015—2019年平均增长率值6.7%作为中增长率情况；取其1/2即3.35%作为低增长率情况；取其1.5倍10.05%作为高增长率情况。预测2025—2050年我国未来可以使用无人机配送包裹数量，见表8。

表8 低、中、高增长率下无人机交付的包裹量预测表Tab.8 Forecast table of package volume delivered by drones under low,medium and high growth rates

假设城市即时配送的无人机，载荷为5 kg，即每架无人机可搭载2件2.2 kg的包裹，假设[15]按照每周6 d，全年313 d，无人机每天平均工作8 h，每架可载重5 kg的无人机携带包裹量为2件，则不同情景下未来全国城市空域每小时无人机交通量见表9。

表9 全国城市空域无人机每小时交通量预测表Tab.9 Hourly UAV traffic forecast table for national urban airspace

现以北京、天津、广州、杭州、重庆等5座城市为例进行城市低空交通量预测，结果见图2。图2可见，总体上，2025—2050年5座城市可用于无人机交付的包裹量均呈现上升态势；其中广州可用于无人机交付的包裹量显著高于其他城市，天津城市的无人机交付包裹量低于其他4座城市。这说明广州、杭州等城市居民人口、经济发展等因素都有利于无人机用于交付包裹。

基于图2，未来5座城市上空每小时交通量预测见图3，图3可见：整体趋势与图2一致，其中在低增长率下仅有2045—2050年广州市每小时空域无人机交通量超过50万架次；在中增长率下，2045—2050年广州城市空域每小时无人机交通量已经超过100万架·次，而北京和杭州则分别在高增长率下的2050年和2045年左右才超过100万架·次，天津和重庆则仍低于100万架·次；在高增长率下，仅有广州和杭州在2050年左右城市空域每小时无人机交通量接近或超过500万架次。这说明广州和杭州的城市空域交通量要比其余3座城市更需要注重空域安全和流量控制。

图2 全国5座城市低、中、高增长率下无人机交付的包裹量预测图Fig.2 Forecast map of package volume delivered by drones under low，medium，and high growth rates in five cities across the country

图3 全国5座城市空域无人机每小时交通流量预测图Fig.3 Hourly traffic flow forecast of drones in the airspace of five cities across the country

Doole等[16]研究使用同样的方法，对未来巴黎城市空域中存在的无人机数量进行预测，但没有考虑公众意愿。通过引入公众对无人机的使用意愿，更能反映未来无人机城市配送的可行性，使预测结果更可靠。而随着大规模无人机配送任务在城市空域中执行配送任务，对于如此高密度的无人机空域交通网络中，流量管理和空域利用问题随之出现。因此，面对如此巨大的需求及高密度空域，政策制定者必须规划出合理的空域设计来确保安全。

4 结束语

无人机城市配送是1种新兴的物流模式，配送效率高、节约人力成本、适应性强、缓解城市地面交通压力，未来有望成为物流企业发展的新机遇。

1）本文提出1种物流无人机空域交通量预估方法，该方法从全国包裹量筛选出特定重量下可由无人机进行城市配送的包裹量，并基于高中低3种增长情景对2025—2050年全国城市可由无人机交付的包裹量和城市空域无人机每小时的交通量进行预测。

2）由于无人机城市物流配送还没有广泛普及，在缺乏现实运营数据的基础上，预测方法中考虑公众对无人机的使用意愿，使用二元Logistic模型对公众使用态度进行回归分析，最终得到公众愿意使用比率。

3）基于该预测方法对高中低3种增长情景在2025—2050年全国5座城市无人机交付的包裹量和城市低空空域无人机每小时交通量预测。可以看出，城市居民人口、经济发展等因素都会影响无人机城市物流配送的需求量，进而影响低空空域交通量，一些大型城市应提前规划空域及运行管理。

受客观条件的限制，未能考虑政策、技术等动态因素的变化，在今后的研究中加强其他因素的考虑，进一步完善预测方法。