面板數(shù)據(jù)模型下的出租車資源配置合理性研究
——基于“滴滴打車”軟件的數(shù)據(jù)

肖蓬（福州外語外貿(mào)學(xué)院福建福州350202）

面板數(shù)據(jù)模型下的出租車資源配置合理性研究
——基于“滴滴打車”軟件的數(shù)據(jù)

肖蓬（福州外語外貿(mào)學(xué)院福建福州350202）

即使在“互聯(lián)網(wǎng)+”時(shí)代，“打車難”現(xiàn)象仍一直受到政府和社會(huì)各界的高度關(guān)注。用面板數(shù)據(jù)（Panel Data）與空間自回歸（Spatial Autoregressive）相結(jié)合的時(shí)空數(shù)據(jù)自回歸模型，通過java程序挖掘相關(guān)數(shù)據(jù)，對(duì)互聯(lián)網(wǎng)時(shí)代出租車資源問題進(jìn)行分析，結(jié)果表明：不同時(shí)間、區(qū)域的出租車資源配置存在顯著差異。

面板數(shù)據(jù)模型；向量自回歸模型

移動(dòng)打車軟件，如“滴滴”打車，作為一種創(chuàng)新的商務(wù)模型,從乘客與出租車司機(jī)之間信息不對(duì)稱入手,緩解了乘客“打車難”與出租車司機(jī)“空載率”居高不下的問題。目前學(xué)術(shù)界在打車軟件領(lǐng)域的研究甚[1-5]少,本文打車軟件的視角出發(fā),試圖通過建立相關(guān)指標(biāo)，探索出租車資源的“供求匹配”程度的時(shí)空差異。

1.數(shù)據(jù)來源

目前，打車軟件市場中“滴滴打車”和“快的打車”軟件占有率達(dá)99%，且二者已于2015年合并，本文基于“滴滴快的智能出行平臺(tái)”（http://v.kuaidadi.com/）的數(shù)據(jù)，利用Java程序（詳見附錄1）挖掘數(shù)據(jù)。主要采用北京、成都、廣州、杭州、南京、上海、深圳、沈陽、武漢、西安這十大城市的在一周內(nèi)每小時(shí)的數(shù)據(jù)，主要提取X1（出租車需求量）、X2（被搶單時(shí)間）、X3（出租車分布）和X4（車費(fèi)）及Y（打車難易度）的數(shù)據(jù)進(jìn)行處理，挖掘的數(shù)據(jù)十個(gè)城市共1680個(gè)數(shù)據(jù)。

2.從相關(guān)系數(shù)角度看打車難易程度和各因素的協(xié)調(diào)關(guān)系

利用挖掘的數(shù)據(jù)十個(gè)城市共1680個(gè)數(shù)據(jù)，對(duì)X1、X2、X3、X4、Y5個(gè)變量用SPSS軟件進(jìn)行標(biāo)準(zhǔn)化處理.在Pearson檢驗(yàn)下,Y(打車難易度）與X1（出租車需求量）、X2（被搶單時(shí)間）、X3（出租車分布）和X4（車費(fèi)）對(duì)之間的相關(guān)性在0.05水平上顯著相關(guān)。

3.向量自回歸模型（VAR）及Panal Data模型原理及實(shí)證分析

3.1 研究方法

3.1.1 向量自回歸模型

向量自回歸模型（Vector Auto-regression,VAR）的建立對(duì)研究多變量時(shí)序的變動(dòng)關(guān)系有重要意義。向量自回歸（VAR）模型的構(gòu)造思路是把所有內(nèi)生變量的滯后項(xiàng)作為解釋變量，同時(shí)，把單變量模型推廣到多元，組成了“向量”自回歸模型。VAR模型的重點(diǎn)在于通過探索隨機(jī)擾動(dòng)對(duì)于系統(tǒng)的沖擊，并分析結(jié)果，進(jìn)而對(duì)系統(tǒng)沖擊帶來的影響進(jìn)行解釋和預(yù)測(cè)。VAR模型的形式如：

其中：yt是k維內(nèi)生變量，xt是d維外生變量，p是滯后階數(shù)，T是樣本個(gè)數(shù)。A1,...,Ap,B都是所要估計(jì)的系數(shù)矩陣。εt是k維擾動(dòng)向量。

3.1.2 Panal Data模型原理

設(shè)有因變量yit與k×1維解釋變量向量xit=(x1,it,x2,it,...,xk,it)'滿足線性關(guān)系。

式子（3.1.2.1）是考慮因變量與k個(gè)解釋變量、N個(gè)截面成員及T個(gè)時(shí)間點(diǎn)上的變化關(guān)系。N為截面成員的個(gè)數(shù)，T為每個(gè)截面成員的觀測(cè)時(shí)期總數(shù)，參數(shù)αit為常數(shù)項(xiàng)，βit是對(duì)應(yīng)于解釋變量向量xit的k×1系數(shù)向量，k是解釋變量個(gè)數(shù)。設(shè)隨機(jī)誤差項(xiàng)uit相互獨(dú)立，為各個(gè)變量的方差，且方差相等。

模型參數(shù)的估計(jì)可以從以下兩點(diǎn)考慮：在時(shí)間點(diǎn)上考慮，建立含T個(gè)截面成員方程的Panel Data模型；或者從截面成員角度考慮，建立含有N個(gè)截面成員方程的Panel Data模型。該模型可簡化為：

此處αit解釋為第i個(gè)截面成員的常數(shù)項(xiàng)，xi表示第i個(gè)截面成員的指標(biāo)。根據(jù)截距向量α和系數(shù)向量β中的各分量的不同限制要求，可將Panel Data模型劃分為3類特殊的模型：無個(gè)體效應(yīng)影響的不變系數(shù)模型、變截距模型、含有個(gè)體效應(yīng)影響的變系數(shù)模型。

3.2 實(shí)證分析

3.2.1 Granger因果檢驗(yàn)

為了保證回歸結(jié)果的準(zhǔn)確性，避免出現(xiàn)偽回歸現(xiàn)象，VAR模型要求各變量同階單整，因此在建立VAR模型之前，有必要對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。此處，利用A Levin,Lin&Chu t*檢驗(yàn)對(duì)經(jīng)過處理后的變量Y,X1,X2,X3,X4進(jìn)行平穩(wěn)性檢驗(yàn)，由于這些數(shù)據(jù)都是時(shí)序性的，以24小時(shí)為變化周期，故對(duì)上述5組數(shù)據(jù)進(jìn)行一階差分的單位根檢驗(yàn)，檢驗(yàn)的結(jié)果見表1。

表1 單位根檢驗(yàn)結(jié)果

從表1可以看出：Y,X1,X2,X3,X4在滯后階數(shù)為24的一階差分下均通過5%的顯著性檢驗(yàn)，說明這些變量一階平穩(wěn)，可以用于擬合VAR模型。

Granger因果檢驗(yàn)結(jié)果對(duì)滯后長度的p選擇極其敏感。滯后階數(shù)太小或太大均會(huì)影響模型參數(shù)估計(jì)的有效性，一般有AIC準(zhǔn)則和SC準(zhǔn)則比較不同滯后階數(shù)下的統(tǒng)計(jì)量，這兩個(gè)統(tǒng)計(jì)量越小，說明模型越有效。通過觀察，在滯后階數(shù)p=8時(shí)，各個(gè)統(tǒng)計(jì)量通過顯著性檢驗(yàn)。故選擇滯后階數(shù)為8。確定滯后階數(shù)后，表2給出Granger因果檢驗(yàn)結(jié)果：

表2 Granger因果檢驗(yàn)的結(jié)果

從表2的結(jié)果可以看到，在10%的顯著性水平下，X1（出租車需求量）和Y（打車難易度）互為Granger原因，說明二者之間是互相反映的；在第二組檢驗(yàn)中，在10%顯著性水平下，拒絕原假設(shè)X2（被搶單時(shí)間）不能一起Y（打車難易度），數(shù)據(jù)表明X2、Y互為Granger原因，二者之間是互相作用的；在第三組假設(shè)檢驗(yàn)中，在10%的顯著性水平下，拒絕原假設(shè)X3（出租車分布）不能granger引起Y（打車難易度），即出租車分布情況能解釋打車難易度，而由于Y不能Granger引起X3的概率為43.83%，所以不能拒絕原假設(shè)，說明打車難易度不能解釋車輛分布數(shù)量。同理，在第四組假設(shè)檢驗(yàn)中，X4（車費(fèi)）在10%的顯著性水平下拒絕原假設(shè)，說明車費(fèi)收入多少對(duì)打車難易度具有顯著的Granger影響，但反之不成立。

Granger因果檢驗(yàn)說明了指標(biāo)X1、X2、X3、X4、的波動(dòng)都能夠合理反映于Y。用這四個(gè)指標(biāo)說明對(duì)Y建立模型，可避免偽回歸產(chǎn)生。

3.2.2 Panel Data模型

首先，利用計(jì)算機(jī)程序提取數(shù)據(jù)，全國10個(gè)重要城市關(guān)于打車難易度、出租車需求量、被搶單時(shí)間、出租車分布及車費(fèi)的168個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，利用Eviews軟件創(chuàng)建Pool并運(yùn)行,得到全國10個(gè)重要城市的打車難易度的個(gè)體效應(yīng)模型。考慮空間特定效應(yīng)的變截距模型，即讓變截距的模型中的截距項(xiàng)作為時(shí)間恒量（截距項(xiàng)不隨時(shí)點(diǎn)變化），僅隨空間單元變化，我們得到了表3，不難發(fā)現(xiàn)時(shí)空特定效應(yīng)模型的擬合優(yōu)度為0.8875說明時(shí)間效應(yīng)對(duì)“打車難易度”的影響很大。同時(shí)發(fā)現(xiàn)，空間差異對(duì)打車難易度的影響則比較明顯。引入時(shí)空特定效應(yīng)模型以后，R2從0.6325增至0.8875。如此高的擬合優(yōu)度完全是對(duì)各截面各單元的特定效應(yīng)的肯定，反映了全國10個(gè)市的打車難易度的值存在時(shí)空差異性。

表3 變截距時(shí)空模型的擬合優(yōu)度

其中反映各地區(qū)打車難易度對(duì)平均打車難易度的偏離(α*)的估計(jì)結(jié)果由表4給出。

表4 各地區(qū)打車難易度對(duì)平均打車難易度偏離(α*)的估計(jì)結(jié)果

這結(jié)論說明，一線城市的出租車打車不一定就難，如上海目前的出租車供給能力“自我消化”城市打車難問題，但與此相反，北京作為一線城市，其交通網(wǎng)卻很擁堵，而且經(jīng)常出現(xiàn)打車難線性，這一點(diǎn)在蒼穹數(shù)據(jù)庫中也能體現(xiàn)。

圖1 一周內(nèi)不同時(shí)間段對(duì)平均打車難易度(γ*t)的偏差值

4.結(jié)論與討論

通結(jié)合Panel Data模型的基本思想，建立時(shí)間特定效應(yīng)回歸模型、空間特定效應(yīng)回歸模型及時(shí)空特定效應(yīng)回歸模型，根據(jù)擬合優(yōu)度得知出租車資源配置存在顯著的時(shí)空差異特征，且杭州、上海打車相對(duì)容易，而“打車難”現(xiàn)象頻繁在北京、廣州、沈陽、西安、南京出現(xiàn)。同時(shí)，07:00-09:00、13:00-14：00及17：00-20:00時(shí)間段是到打車高峰期，且每周五、周六、周天均為打車難的日期。

［1］包希璐.南京滴滴打車滿意度研究——基于顧客感知價(jià)值[J].管理觀察，2015 (18).

［2］李駿.快的+滴滴:引領(lǐng)移動(dòng)互聯(lián)網(wǎng)成功營銷的啟示[J].傳媒評(píng)論，2015(03).

［3］李冬新,欒潔.滴滴打車的營銷策略與發(fā)展對(duì)策研究[J].青島科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2015(01).

［4］李林,陳吉慧.我國移動(dòng)支付商業(yè)模式發(fā)展趨勢(shì)研究[J].商業(yè)時(shí)代，2010 (30).

［5］陳芬.打車軟件撬動(dòng)了什么[J].中國經(jīng)濟(jì)信息,2014(11).

TP319

A

2095-7327（2016）-12-0155-02

基金來源于福州市社會(huì)科學(xué)研究規(guī)劃課題（課題批號(hào)為2015C03）。

肖蓬(1954.11—)，男，副教授，研究方向?yàn)閼?yīng)用數(shù)學(xué)。