“互聯(lián)網(wǎng)”時代出租車資源配置分析

鄭陽 劉金露 許世偉

天津財經(jīng)大學(xué)

鄭陽 劉金露 許世偉

天津財經(jīng)大學(xué)

在我國，打車難問題一直是社會上的難題之一。隨著“互聯(lián)網(wǎng)+”時代的來臨以及打車軟件的興起，這一問題再次受到社會公眾的普遍關(guān)注。本文在借鑒學(xué)習(xí)前人對于不同時空的傳統(tǒng)形式的打車難問題研究方法及成果基礎(chǔ)上，結(jié)合互聯(lián)網(wǎng)時代打車軟件對于出租車行業(yè)的影響進行調(diào)研分析。在進行數(shù)據(jù)分析的同時，創(chuàng)新性地構(gòu)建了在打車軟件影響下的出租車匹配度量化函數(shù)。首先收集了中國15個城市各時段的萬人擁有量、滿載率、有效里程數(shù)以及打車軟件使用率等數(shù)據(jù)，利用因子分析法建立模型，得出了不同地區(qū)不同時間段的打車難問題影響因素，結(jié)合計算機編程計算，以評分方式定量地對出租車匹配度進行分析評價。對于進一步改進補貼措施，提高出租車匹配度，緩解打車難問題提出了建議提供了數(shù)據(jù)支持。

出租車匹配度 打車軟件 補貼措施 因子分析法

1 選題意義

“打車難”的現(xiàn)象普遍存在于各個城市，在需要乘出租車時打不到車或被出租車拒載等情況對人們的出行產(chǎn)生了極大困擾。從時間上看，表現(xiàn)為高峰期打車難、惡劣天氣打車難、重大活動期間打車難、節(jié)假日打車難等。從空間上看，不同城市之間出租車資源匹配不均，打車難度各異；同一城市內(nèi)，表現(xiàn)為人流密集城區(qū)打車難、交通擁堵路段打車難和偏遠地方打車難。

在傳統(tǒng)出租車行業(yè)中，經(jīng)對不同時空下的出租車供求匹配度研究發(fā)現(xiàn)其主要受以下因素影響：里程利用率、車輛滿載率、萬人擁有量。其中里程利用率是在“揚手招車”的傳統(tǒng)時代最為重要的標(biāo)準(zhǔn)，隨后又修正為以以下四種衡量出租車供給數(shù)量是否符合需求的模式：(1)每千人擁有出租車數(shù)量的比例；(2)等車時間；(3)有效載客率；(4)呼叫回應(yīng)時間。此標(biāo)準(zhǔn)更加細化，但依然有其局限性：在傳統(tǒng)時代難以測量，且評價的是較長期的出租車匹配度，很難掌握局部地區(qū)或某一時間段的情況。

隨著“互聯(lián)網(wǎng)+”時代的到來，信息系統(tǒng)應(yīng)用范圍不斷擴大，政府機構(gòu)、出租車公司等通過科技手段對于出租車的配置情況能夠更好地了解。同時打車軟件行業(yè)興起，也對傳統(tǒng)出租車運營模式有了顛覆性的改變。各個軟件服務(wù)平臺通過實行出租車補貼方案，促進乘客與出租車的信息互通，在一定程度上緩解了“打車難”問題。但由于出租車市場動態(tài)的變化，“打車難”問題依然亟待解決。對于此社會新興熱點問題，有必要進行關(guān)注與研究。此項目的研究重點在于如何通過利用調(diào)整打車軟件補貼方式的手段來提高出租車資源匹配度。波士頓大學(xué)經(jīng)濟學(xué)院的RICHARD ARNOTT于1994年撰寫了《Taxi Travel Should Be Subsidized》一文。該文章的主要結(jié)論是：在社會最優(yōu)狀態(tài)下，出租車必須得到補助。因為社會最優(yōu)狀態(tài)下出租車減少了乘客的等待時間，必須有補助來彌補由于空駛造成的成本。這篇文章在出租車調(diào)度模式中證明了這個結(jié)論，并探討了其實施的實用性。可見，以補貼為杠桿的確能對出租車資源配置以有效的優(yōu)化。在本項目研究過程中，不僅能提高出租車資源匹配度，節(jié)省交通資源，提高社會運行效率，還能通過信息系統(tǒng)的建設(shè)以及數(shù)據(jù)挖掘和數(shù)學(xué)模型的建立對于整個社會的交通運行規(guī)律有所了解。

本項目重點在于在“互聯(lián)網(wǎng)+”時代，即打車軟件流行的背景下探討現(xiàn)實情況中如何通過動態(tài)補貼方案解決出租車與乘客之間的供求問題。與此同時，在商業(yè)化、市場化特點日趨明顯的當(dāng)今社會，本文的模型對于大多數(shù)供需平衡性問題的解決都有實際意義。只是在不同的現(xiàn)實問題中對評價指標(biāo)需進行替換，并對所得數(shù)據(jù)進行處理。因此，本項目對整個“互聯(lián)網(wǎng)+”時代的商業(yè)社會有很重要的現(xiàn)實指導(dǎo)作用。

2 問題分析

建立合理的指標(biāo)，并分析不同城市、不同時間段出租車資源的“供求匹配”程度屬于評價類問題，具體而言是對一些地區(qū)的出租車供求匹配程度進行評價。本文通過查閱相關(guān)資料，總結(jié)發(fā)現(xiàn)對出租車匹配程度影響較大的因素有里程利用率，車輛滿載率以及萬人擁有量。本文利用因子分析法對華北、華南、華中等地區(qū)20余城市不同年份的匹配程度與上述三個因素的關(guān)系進行了分析，并根據(jù)現(xiàn)實情況創(chuàng)新性地加入了打車軟件及其種種商業(yè)模式對出租車匹配程度的影響。

符號說明

3 模型建立及求解

經(jīng)調(diào)研，我們收集了17個城市的相關(guān)數(shù)據(jù)并確定了與之相關(guān)度最大的城市人口GDP主城區(qū)出租車擁有量、有效里程數(shù)、滿載率以及打車軟件的使用率四個因素。由于還需要研究不同時間的匹配度指數(shù)，我們以上下班高峰期為界將一天分為三個時間段，利用不同的數(shù)據(jù)進行分析。具體到模型上，利用主因子分析法進行建模，并對不同城市不同時間段出租車匹配度得分進行評價排序。

首先對表中數(shù)據(jù)進行標(biāo)準(zhǔn)化，以上四個評價指標(biāo)分別設(shè)為變量X1,X2,X3,X4,X5,X6待分析城市共有15個，則第i個城市的第j個指標(biāo)為aij，i=1,2,3…15；j=1,2,3,4,5,6.對aij進行標(biāo)準(zhǔn)化處理則：

其中，

Sj為第j個指標(biāo)的樣本均值和樣本標(biāo)準(zhǔn)差，由此得：

為標(biāo)準(zhǔn)化的指標(biāo)。接下來計算相關(guān)系數(shù)矩陣

此相關(guān)系數(shù)矩陣R特征值，

其中，rii=1；rij=rji，rij為第i與第j個指標(biāo)的相關(guān)度系數(shù)。

矩陣R通過計算特征值，λ1，λ2，λ3，λ4以及特征向量μ1，μ2，μ3，μ4，其中，μj=[μ1j…μ4j]T。則初等載荷矩陣

根據(jù)得到初等載荷矩陣，計算選取的6個因子貢獻率。首先利用方差最大法進行正交旋轉(zhuǎn)，使每個因子有關(guān)的載荷的平方和最大。經(jīng)MATLAB處理（程序見附錄），結(jié)果如下：

四個因子分別設(shè)為M1，M2，M3，M4,由此構(gòu)造因子模型得

在此基礎(chǔ)上，我們通過編程計算對6個公因子協(xié)方差矩陣進行分析，結(jié)果如表1：

表1

程序如下：

經(jīng)上述分析發(fā)現(xiàn)，不同時間段各因子的影響程度不同。因此我們分別進行討論。

在7:00-9:00&17:00-20:00期間，打車軟件使用率影響最小（小于0），因此忽略此因子，將人口數(shù)，GDP以及出租車數(shù)量作為人均生產(chǎn)力因子，與載客率因子和里程利用率因子作為主因子進行分析。經(jīng)MATLAB計算，求出貢獻率結(jié)果如表2：

表2

由此計算因子得分并進行評價分析：

同理，對9:00-17:00出租車匹配度分析如下：

由于在此期間有效里程率影響因子小，因此將其忽略。選取人均生產(chǎn)力因子，滿載率因子以及打車軟件使用率因子作為主因子進行分析。貢獻率結(jié)果如表3：

表3

各因子得分函數(shù)為

20:00-7:00期間同理，選取人均生產(chǎn)力因子，車輛滿載率因子，里程利用率因子以及打車軟件使用率因子進行分析。貢獻率如表4：

表4

各因子得分函數(shù)為

不同時段各城市出租車匹配度分析見表5。

表5

[1]韓超凡.衡量出租車?yán)锍虜?shù)三大指標(biāo)——里程利用率、車輛滿載率、萬人擁有量

[2]司守奎,孫璽菁.數(shù)學(xué)建模算法與應(yīng)用.北京：國防工業(yè)出版社,2015.3

[3]曾五一,肖紅葉.統(tǒng)計學(xué)導(dǎo)論.北京,科學(xué)出版社（第二版）,2013.7