GoFun出行高级副总裁佘桥：“无人驾驶+共享出行”共塑未来出行新形态

2月20-21日，2019全球第二届自动驾驶论坛在武汉举办，本次论坛以“智能驾驶 改变未来”为主题。GoFun出行高级副总裁佘桥发表了主题演讲，演讲内容如下：

GoFun出行高级副总裁 佘桥

首先非常感谢我们的组织方，作为一个出行服务商很少在这种专业性的论坛出现，感谢周总，也感谢这两天在技术和上下游产业链的一些专家和还有企业合作伙伴的支持下，让我们共享出行变得更加有信心，把业务做得更加好。我今天带来的话题也一直在行业内深入的讨论，但对于GoFun而言，我们是一个共享出行的一个践行者，我们这家公司到现在已经运营了三年，当然也有很多的心得，结合无人驾驶一个技术体系，如何纳入到共享出行的业务生态里面来，我今天着重就在这跟大家做一个汇报。

首先我们也知道在中国所有的一些新的业态出现的时候，是需要国家的一些政策扶持的，我们也应该看到从15年开始，国家从交通部门所颁布的一些政治法规也不断的在支持租赁，还有分时出行这一些领域的发展，随之而来的就是各地也在出行对应的政策法规来帮助我们业务进行落地。另外一方面我们也应该知道新能源车的发展在推行双积分的策略，再加上我们新能源车技术的一个升级也更加的促进我们分时租赁业务的一个落地。第三，能源补充特别在网络的建设上比前两年发展的趋势更快一些了，所以在国家从面向分时的运营平台的一个支持以及上下游产业链的一个支持下在多维度的推进共享汽车的一个发展。另外一个方面，这是引用了一份数据，我们也可以看出来差不多从2013年到2017年，私人汽车保有量和驾驶员拿到驾驶本的比例，我们大概也可以知道，2018年有一项统计，咱们国家有19个城市在实行城市的限牌，相比13年而言只有三个城市，所以交通的一个拥堵，包括各个城市政府对于交通的一个治理力度会越来越大，所以这也是恰好给了GoFun很好的一个发展契机。另外一方面我们也看到另外一项数据，近五年来有本无车的这么一个现象是越来越凸显，这一些拿到驾驶本的人是需要有这种驾驶感受的，除了网约车包括出租车来帮助他们从A到B的这种出行以外，有海量的用户比例大概在1.7亿个人左右，随着城市的限牌策略还不断的加严的情况下，数据还会不断的上涨。因为GoFun在分时租赁业务的尝试上，我们是走在了行业的最前沿，但是这一项业务在国内已经发展了将近七年的时间，我们也看得出来核心的用户以及场景也得到了充分的一个验证，等一会有另外一份数据来说明我们的核心场景跟用户究竟怎么分出来的。另外产品的运营的模式的痛点得了逐步的释放，我们也在尝试着和主机厂进行深度的定制一些车型用于我们的分时租赁。

第三，我们面向所有投资人以及看待份租赁这个行业绕不过去的盈利能力的问题，跟大家可以汇报一点。今天上午我们参与会的时候，我也在参与我们公司的一个内部小会，我们在有一些城市已经开始盈利了，比我们在去年预测的数据来得更快一些，因为在车型的一个提升包括我们线下的服务体验的提升，盈利模型是存在的。

这一份数据我想着重去讲一下，一直以来有很多人都在问，共享汽车在分时租赁场景下究竟的网约车有什么区别？这份数据是我们去年做的一个大数据的汇总，也结合当时滴滴在2017年的一份运营数据报告汇总得来的，我们也通过这个数据可以看出来所有滴滴在使用网约车出行的距离的一个分布，大概在十公里以上的比例只有27%，但是网约车的出行的一个用户的比例场景只有73%。所以在我们而言，要是在中长距离的这么一个运营下，特别在十公里以上的这么一个范围内，网约车的价格是远超过于分时租赁的价格的，再加上我们有海量的用户，所以这种模式应该在出行的生态里面是更具有优势的，至少在比较优势里面，价格因素是会普及我们所有消费者的。

共享出行究竟什么特点？我们也做过很多模式的探索以及和出行行业的一些研讨，结合我们运营的数据，我们会发现，分时租赁有自己的特定场景和特定运营的范围，我们也可以看出来在公共交通这一部分主要公交跟地铁的一个接波，但是在十公里以上到50公里这么一个区域内主要是分时租赁的一个场景，在十公里以内的就会有网约车跟出租车的一个接波，三公里以内基本上是我们知道的共享单车业务范围。在这个场景下对于交通出行多元化这个问题就出现了，我们可以看出来共享出行是有它的业务场景、位置。

另外一个特点是我们发现在运营过程中，我们发现共享汽车不是说所有的全域的这么一个场景生态下能够满足我们，主要是针对大概是九类特定场景下的一个服务，类似于跨城出行，还有像机场跟火车站的接坡，旅游景区的用车，晚上的用车，还有政务以及通勤的以及一些核心商圈的用车的需求。当然在自由度上我们不用去质疑了，甚至在安全的私密上，因为驾驶员他本身在用车的时候一车一人决定了它的安全私密性是比网约车等等场景要高一些的，我们GoFun也在重度的去做好用车的便利性，在经济的一个开支上面，在十公里以上的这么一个场景下面，我们的价格是远远低于现在的网约车跟其他的一些出行模式。

这个是我们对用户的一个剖析，这份数据也是来源于我们大数据的分析，我们在GoFun的运营体系里面，我们发现90后的用户占了大半的比例，90后的用户的特点在我来GoFun，以前在汽车行业，我们一直在追求90后和95后的一个需求，这代表的是一个未来。新的一种商业模式的出现，90后的接受程度远高于我们现在80后甚至70后的接受程度，这也代表了我们的用户的一个特点，它偏年轻化，所以在这种年轻化的场景下面，他愿意去尝试更多的高科技的体验，我们在无人驾驶产业生态里面如何一方面来帮助这些用户，让他们的使用到更好的体验，另外一方面在无人驾驶的技术上面如何来提升我们的运营管理的一个诉求。

这是我们看到的用户的一个场景。还有一个业务特点，很多行业内的一些同事也在疑惑，你们共享出行究竟业务生态怎么构建的？共享出行我们往外一直在聊的是生态系统，因为我们做每一项都需要上下游的服务的支撑，比如说像支付我们已知道的支付宝跟微信，甚至要有信用卡，包括身份识别的认证，我们是跟公安系统有对接，包括短信的支持，包括违章，还有类似于高德或百度的地图的支持。在线下的部分，我们要建立我们自己的维修体系以及运营管理区域的体系，还包括充电的体系和加油的体系，这次在最上游我们要关注车本身的车型的选择，以及车内的智能硬件和智能交互的这么一套体系的建设。另外从我们购车和货车的流程而言，我们也需要去考虑到金融租赁以及我们在面向用户用车过程中的保险，还有金融等等之类的，全拓普图出来以后发现我们做的就是一个共享出行的运营大脑，它是把所有上下游的资源整合起来，面向我们的消费者。

GoFun目前已经走到哪一步？跟大家也做一个简单的汇报，到截止到2018年12月份，我们在网的用车用户已经达到了800多万，应该很快就会突破1000万。覆盖的城市大概在80家，停车的网点在80多个城市已经有达到了8000多个网点，均单的公里数已经超过了25公里以上，这又代表着平均的一个值，代表我们的收益的一个均衡点已经在面向盈利。另外一方面，我们的DAU超过了每日的55万左右，数据比我们想象的要快，因为在几个月以前我们数据还不是这样的。MAU现在是达到了170万。我觉得需要去重点说一下车均单，因为在车均单数据上面直接涉及到我们在共享分时租赁产品品类里面最核心的一个点，车均单要是达不到一个量的话这个模式会很被动的，但是我很激动的一点，我们已经越过了这个线，我们的城市平均的车均单能达到了5.81单，但是这个成绩基本上处于在盈利线，而不是说持续亏损的点上。

另外一项数据也跟大家做一个汇报，这个是我们这个领域的一个很奇特的现象，我们会发现在车的选择上面，我们很容易地看到续航里程与车单日均的收入是直接正相关的，收入的差值差了近两倍，我们随机抽取了我们Top5的几个城市，像太原、北京、珠海、杭州和广州佛山，我们发现我们续航200公里以上的这些电车车均单每日能达到最高的是151，当然在续航200公里以下的这些车成绩就不太好看。因为我们GoFun的车型的分布有发展过程，一单我们车的质量包括我们车本身所能承载的一些能耗方面达到200公里以上的话，它是一个全盈利的模式。

另外一个是想说一下我们的可视化，在背后还有一套比这更复杂的引擎，目前我们的一个停车的热力图，这只是每日运营的情况，包括网点间的一个动态的车辆调度的模式，在背后有一套引擎支撑它，我们在网点间目前能做到的基本上是这个行业效率最高的一个方式，让我们单车的运营效率已经达到了一个极值。另外在行车轨迹图这边基本上在我们所说的几个场景下是可以完全满足的。

做到现在我们会发现分时租赁这一项业务的话，主要是在两点，一是精细化的运营和标准化的服务上，我们一直追求的是体验，还有效率来互相的促进我们大脑的一个生态的发展，但是做到是不够的，我们会发现我们再往上做的话运营我们已经做到极致了，但是真正意义上能够在持续的从效率上和用户体验上来推动一定会是无人驾驶的落地。当然无人驾驶的落地，我们也在去年一年不断的在尝试，和一些方案商以及和一些主机厂做个很多的测试，我们也有一些自己的观点，但是在运营出行平台上面我们一直会追求两个，一是体验，二是效率。看一个分析的模型，我们目前已知的一个点就是正在低谷的点，我们行业内所有已知在做无人驾驶包括我们在座的有一些是行业内的专家，也知道很多科技公司想在L4、L5上做突破，但是我们作为运营方在做落地的时候是比较谨慎的，但是在真正的落地到运营服务里面的最好的一个场景模型还会是在L3到L4之间的这么一些场景生态。我们也看到了另外一份数据，红圈所圈出来的那一部分也正是现在正在发生的这么一个过程，技术确实是有所突破，当然它的安全、政策法规、上下游的生态链的构建以及主机厂对的一个投入，还有市场的一个正向反馈，也决定了我们的落地会在只是单维的面向消费者卖车而言的话会是很艰难的，但是面向于出行服务商我们有很好的一个落地场景的情况下，在有限的场景下面去落地部分的L3，或者是L4，这个区间的一些功能是提供了很好的一个便利条件，因为我们除了有好的应用场景以外，确确实实我们也需要相关的一些技术来推动和改变我们的运营模式。

举个例子来讲，我们的几个最佳的落地场景主要是涉及到这四个方面，一是在体验，二是安全，三是成本，四是效率。在体验方面，我们所有做分时租赁的产品生态的我们发现很难去突破，我们现在做的模型是A到B，但是我们一直说梦寐以求的是从A到X，为什么？因为一个用户从我们的厂把车开出来以后，开到一个我们不清楚的地方，当然我们需要有线下的调度人员把车给调度到可接受订单的一些运营区域里面去，但是这个过程大量的消耗了我们的人力和物力，但是自动驾驶对于小范围的行驶区域的调度起了很大的作用。另外一方面，在取车和自主泊车，自主取车今天的武汉就是很好的一个应用点，我们开完会了，很期望不要走到停车区域去开车，我们是希望车能不能到我们酒店门口，我们开着车走。要是我们GoFun和酒店能够合作上，区域就可以变成我们落地的一个场景。另外还车部分，我现在也体验了一些这种泊车的功能，但是真正想做到更加智慧一些，更加贴近落地运营场景一些的，我觉得共享出行的这么一个生态里面的场景是最值得去关注的。

另外一项在安全辅助上面，我们通过大量的运行的一些订单上来看，也是我们一直想去获得的一部分数据，包括用户在开我们车的时候，虽然他购买了我们的分时保险，但是我们也会有一些违章包括事故出现，但是快速降低这种事故率对于共享汽车业务生态也是很好的一个安全防护的范围。另外我们长期所讲的像紧急刹车以及ACC这种巡航在一些城市道路上，我觉得也会是很好的一个落地的应用。另外一方面是成本，在够我们共享出行的场景生态有一大块的开支会在线下的人员管理上，每一次人员调度，我们是希望借助于无人驾驶的特定场景下的应用能够降低我们的人员在调度的介入，这样会让我们整个运营网络变得更加的有效，并且它的效率会呈另外一种表现形式。另外是对我们现有订单的一个提升，运营到现在我们也发现我们的共享出行的车居然也出现了潮汐现象。我们早上的车在停车区域，很多用户是叫不上这个车的，他约的那些车被别人开走了，但是真正他想用这些区域没法快速把车调回来，这也是我们企业在平衡这种动态调度上需要去快速去解决的，但这个问题的话应该是在今年会有很大的一个突破。

另外一个也是我们成本上面的一个投入，就是我们网点的一个分布，真正意义上的这种共享我们是希望跟政府的合作，让我们的网点变得更加的稀少，而不是聚焦在我们运营企业手上，让它变成更加的公众化，这样对于我们车辆的停或者是取都更加的便利，而不是由我们企业的运营方来承担我们的网点的开支。这一点也需要借助于自动驾驶的一些技术来跟我们一起共同推进。

另外一方面是效率，刚刚讲的一点只是在C端用户的体验上，还有一部分是我们夜间的调度，夜间调度在行业内一直在探讨这么一个场景，我们调度人员是有限的，当然海量的车加入进来以后，这种调度的工作的复杂度就变得更加的高了，我们就想能不能通过面对编队调度的方式，来调动我们一个小型区域的这么一个封闭场景下面的车的停车，包括它的充电以及加油的场景。去年我们也测过几个方案商的产品，效果还不错，但是离落地还需要一起来探讨一个新的合作模式，包括我们的应用场景下面的落地，基本上是源自于我们的一个运营需求来推动的，但是技术它本身是能够达到，所以这更加促成了一个很有意思的现象，出行分时租赁服务商和智能驾驶的能力提供方再加上主机厂，它在推动一个新的业态会出现，落地在无人驾驶不仅仅只是把车卖给C端用户，真正的从技术线上来讲，它有很好的一个落地应用或者是落地测试的这么一个场景下面，再面向于我们的90后甚至00后的用户，它的接受程度会比我们想的要好很多。

我们GoFun通过2018年一年的尝试，今年我们会是在全球第一家在共享汽车落地智能驾驶服务的这么一家公司，我们会在我们的一些网点和城市来落地我们的无人驾驶车纳入到整个运营平台的运营，而不是简单的只是追求订单，在用户层面我们要提供更好的一些体验，包括降低我们的运营成本和提升效率上就会借助到无人驾驶的功能来去解决我们企业运营的一些问题，当然也是我们的优势。

最后再说一小点，GoFun是一个共享出行的平台公司，我们对于智能驾驶技术的渴望超过于咱们从业者的，因为我们是真正想把技术本身落地到运营体系里面，我们也希望我们有方案，包括想加入到运营测试场景下面的这一些同仁们，可以跟我们来共同来推动这么一项事业往前走，共享出行，它本身的特定场景下面的这一种服务一定会是在智能驾驶真正意义上广义上路必经的一个过程。我的演讲结束，谢谢大家。

敬请关注盖世汽车“2019全球第二届自动驾驶论坛”直播专题

PC：http://auto.gasgoo.com/NewsTopic/173.html

移动：https://m.gasgoo.com/news/Topic/173

提示：本文为现场速记，未经专家审核，请勿转载！