Executive Summary
Urbanization’s agglomeration economies—knowledge sharing, labor matching, and scale efficiencies—are the engine of economic growth. Yet when population and activity concentrate beyond a tipping point, congestion, housing costs, and quality-of-life erosion escalate non-linearly, hitting what this paper terms the city’s “Welfare Ceiling.”
Autonomous Vehicles (AVs) and Shared Autonomous Vehicles (SAVs) are widely framed as a technological fix. This paper argues that technology alone is not the answer—and may make things worse. Without institutional guardrails, self-driving cars will simply induce more and longer trips, a modern manifestation of the fundamental law of road congestion. The real leverage lies in three institutional pillars: (1) mandatory ride-pooling incentives, (2) externality pricing (congestion charges, deadheading fees, curb dwell fees), and (3) a city-level “Mobility Brain”—an AI dispatch system that translates policy signals into real-time fleet decisions covering dynamic routing, ride-matching, rebalancing, and even off-peak municipal edge services.
Through a six-scenario evolutionary roadmap (Scenario 0–5), this paper demonstrates that unregulated private automation (Scenario 1) and shared-but-ungoverned single-occupant SAVs (Scenario 2) represent worst-case outcomes. Only the combination of strong ride-pooling, comprehensive pricing governance, and integrated AI dispatch (Scenarios 4–5) can systematically reduce vehicle-kilometers traveled, curb congestion, and peak-hour delays—turning technological potential into inclusive social welfare.
The ultimate policy goal is not to give everyone a more comfortable private autonomous car, but to build a city-level intelligent mobility system that reduces externalities, promotes polycentric development, and advances equity.
執行摘要
城市正在犯一個代價高昂的錯誤：把自動駕駛當成交通問題的解方，卻忽略了它可能讓問題更嚴重。
城市化帶來的集聚效益是經濟成長的核心驅動力。但當人口與經濟活動過度集中，壅塞、房價飆升、生活品質惡化等「集聚不經濟」將以非線性方式爆發，觸及城市的「福祉上限」。
本白皮書的核心主張是：技術本身並非萬靈丹。若缺乏有效的制度設計，自動駕駛會因降低通勤的心理與時間成本，反而誘發更多、更長的出行需求——這是「道路壅塞基本法則」的現代體現。唯有在三個制度支柱到位的前提下，自駕共享車系統方能發揮正面潛力：
- 1共享共乘為預設——讓高載客率的共乘出行在價格上遠比單人乘坐更具吸引力
- 2外部性定價——尖峰擁塞費、空車里程費、路緣停靠費，讓每一趟出行的社會成本被看見
- 3城市級 AI 調度——將政策訊號轉譯為即時可執行的車隊調度決策，從「個車導航」升級到「交通大腦」
本報告透過六個演進情境（情境 0–5），證明放任發展的私車自動化（情境 1）與「有共享無治理」的單人 SAV 模式（情境 2），都將讓城市交通陷入更深的困境。唯有強力共乘 + 完整定價 + AI 一體化調度的組合（情境 4–5），才能系統性降低車輛行駛里程、路緣壅塞和尖峰延誤。
1. 前言：城市發展的雙面刃
城市是人類文明與經濟活動的結晶。高密度的人口與產業促進知識共享、勞動力匹配與創新學習——一盞路燈、一條地鐵線，在密集區域能以更低的人均成本服務更多人，實現規模經濟。這就是經濟學中的「集聚效益」（agglomeration economies）。
但集聚的效益並非無限。當經濟活動過度集中於少數核心區域，負外部性將以非線性方式急劇累積：交通壅塞、空氣污染、住房成本飆升，共同構成了「集聚不經濟」。當這些負面效應的邊際成本超越集聚的邊際效益，城市便觸及其「福祉上限」——進一步的集中化不僅無助提升生活品質，反而導致福祉的淨損失。
圖 1：城市集聚與福祉上限——當集聚成本 C(N) 超越集聚效益 B(N) 的增長速度，總體福祉 W(N) 開始下降
在此背景下，自動駕駛（AV）與共享自駕車（SAV）的出現，常被視為解方。但我們必須追問兩個前提：
- 1時間價值的轉化——自動化能否讓通勤時間從「浪費的時間」變成「可用時間」？若能，人們可能願意住得更遠、通勤更久，這是雙面刃。
- 2共享模式的實現——共享車艙能否透過隔間設計、降噪、穩定連線，在不犧牲舒適度的前提下提升載客率、降低空車里程？
若無法滿足這兩個前提，單純的私家車自動化反而可能因舒適性誘發更大量的需求，讓交通更糟。這正是本白皮書要回答的核心問題：如何讓自動駕駛成為突破「福祉上限」的槓桿，而非加劇它的推手。
2. 現況分析與核心挑戰
2.1 道路壅塞基本法則：擴路永遠不夠
交通經濟學的「道路壅塞基本法則」給出一個殘酷的結論：在一條道路上增加的車道公里數，幾乎會被同比例增加的車輛行駛公里（VKT）完全抵銷。擴路不能解決壅塞，只會誘發新的需求。
這對自動駕駛的影響評估至關重要。若私家自動駕駛車（PAV）讓通勤變得更舒適卻沒有將社會成本（佔用道路、排放）內生化，人們將更願意接受長途通勤、進行更多非必要出行。VKT 總量不減反增，壅塞再度惡化——甚至比以往更嚴重。
2.2 瓶頸轉移：從停車管理到路緣治理
私家車有 95% 的時間閒置停放，佔用大量城市土地。共享移動的潛力之一是透過提高車輛使用率降低停車需求——研究顯示一輛共享車可替代 20 輛私家車。
然而，SAV 的普及會將交通瓶頸從「靜態停車」轉移至「動態路緣」（Curb）。大量 SAV 頻繁上下客，路邊空間將成為新的稀缺資產。國際交通論壇（ITF）已明確指出：路緣必須被視為需要主動配置、智慧管理與動態定價的戰略資產，而非被動的附屬空間。
2.3 全球共享移動市場概況
全球汽車共享市場在 2024 年達到 89.3 億美元，預計 2033 年增長至 244 億美元（CAGR 11.8%）。市場由城市化進程、環保意識、持有私車的經濟負擔、以及 AI 技術普及所驅動。但挑戰依然存在：收費不確定性（36% 用戶）、安全顧慮（36%）、以及如何與公共運輸系統有效整合。
2.4 自動駕駛技術落地現況
根據 SAE J3016 標準，目前市場主流 ADAS 處於 L2，產業焦點集中在 L3/L4 商業化。全球 Robotaxi 進展快速：Waymo 已在美國多城提供全無人商業服務，每週超過 5 萬次付費出行；百度蘿蔔快跑累計超過 600 萬訂單；特斯拉規劃以私人車主加盟模式推出 Robotaxi 網絡。但城市長尾場景、惡劣天氣、網路安全和法律責任界定，仍是 L4/L5 大規模商業化的重大障礙。
3. 分析框架：重新定義通勤成本
3.1 兩個關鍵參數：α 與 δ
傳統模型將通勤視為純粹的成本。自動駕駛的成熟將從根本上改變這一點。我們引入兩個關鍵參數：
α = 0：通勤完全是成本（傳統手動駕駛）。α = 1：通勤的負效用消失，乘客可像在辦公室一樣利用時間。自動化技術、車內辦公設施、連線穩定度直接影響 α 的值。
因共享產生的隱私損失、繞路時間、整潔度缺乏、動暈症風險、資料安全疑慮。車艙工程設計（模組化隔間）、服務品質、數據治理是降低 δ 的關鍵。
由此建構廣義通勤成本函數——假設家庭居住在距市中心 x 處，通勤時間 t(x)，時間價值 w，住房支出 p(x)：
技術進步（提高 α）和服務優化（降低 δ）降低通勤的廣義成本。根據城市空間均衡理論，這將削弱人們為縮短通勤而支付高昂「中心區溢價」的意願，推動城市空間結構與房價梯度的深刻變化。
3.2 城市福祉函數
將交通、住房與福祉整合為統一框架：
其中 Bagg 為集聚效益（邊際遞減），Ccong 為壅塞成本，Cland 為住房與土地成本，Cwellbeing 為過度擁擠、噪音、污染造成的廣義福祉損失。政策的目標是：在不犧牲集聚效益的前提下壓低各項成本曲線，將福祉上限推向更高水平。
3.3 兩層 AI 架構：從 Driving AI 到 Mobility Brain
這是本報告的核心概念。當前對 AI 的討論幾乎全部集中在「讓車會開」。但城市交通的真正挑戰不在個車智能，而在系統治理。
圖 2：兩層 AI 架構——絕大多數討論停留在第一層，但城市真正需要的是第二層
單一車輛的導航追求自身最短路徑，但當所有車輛都這樣做，便導致集體壅塞。「交通大腦」透過全局視野，將壅塞定價、路緣容量、共乘潛力、能源消耗等多重目標納入考量，從「個體最優」邁向「系統最優」。
4. 城市級 AI 調度中樞：「交通大腦」
4.1 超越最短路徑
「交通大腦」的優化目標是多維度的：最小化總 VKT（特別是空車里程）、最大化平均載客率、最小化乘客總旅行時間（含等待）、平滑尖峰流量、優化路緣使用、整合能源管理。Google「綠燈計畫」（Project Green Light）已證明以數據和 AI 驅動的宏觀交通管理是可行的。
4.2 核心功能：DVRP、共乘配對與智慧回補
- 1動態車輛路由（DVRP）——城市出行需求即時變化，系統須在新需求不斷產生時為整個車隊即時規劃路徑。這是 NP-hard 問題，但深度強化學習已展現巨大求解潛力。
- 2即時共乘配對——匹配相似起訖點的乘客，在可接受的繞路容忍度下生成最優共乘路線。成功配對是降低 VKT 和實現低票價的基礎。
- 3智慧回補與預測調度——利用歷史與即時數據預測需求熱點，主動將空車調度至即將高需求區域，最小化等待時間和空車里程。
4.3 整合邊緣服務：弧路徑問題（ARP）
城市運營不只有載客。垃圾清運、街道清掃、設施巡檢、共享車輛充電——這些服務的對象不是「點」而是道路的「邊」。將這些弧路徑問題（ARP）納入「交通大腦」的統一調度，可在離峰時段利用 SAV 車隊的閒置運力執行邊服務，達到「客貨共用、平尖結合」的資產極大化。
4.4 閉環治理：價格訊號為舵，AI 為引擎
圖 3：「政策—定價—AI 調度—系統行為—反饋」閉環治理。定價設定方向，AI 確保精準執行
價格機制如同船舵，為系統指明方向；AI 調度系統是引擎，確保船隻按航線精準行駛。這種結合市場機制與智慧技術的治理模式，比傳統行政命令或固定規劃具有更高的效率、適應性與精細度。
5. 情境分析：從現況到理想
自動駕駛對城市的最終影響，高度依賴技術路徑與制度設計的組合。以下六個情境構成一條演進路線圖——不僅是預測，更是為決策者提供的行動框架。
表 1：情境 0–5 的技術、制度與 AI 調度差異
| 情境 | 名稱 | 自駕水平 | 共享 | 共乘強度 | 定價/規則 | Mobility Brain |
|---|---|---|---|---|---|---|
| 0 | 現況基準 | L0-L2 | 低 | 低 | 固定費率 | 無 |
| 1 | 私車自動駕駛 (PAV) | L4/L5 | 否 | 無 | 無/弱外部性定價 | Content missing 同場加映需要報價或確認規格？歡迎洽詢立即詢價 相關商品 |
