“互聯網+”時代的出租車資源配置問題研究

李小春

摘 要：以長沙市某個時間早晚出行高峰時間段的用戶數量和空出租車數量的比值，即用戶需求滿足率來反映乘客與出租車的匹配程度。分析發現，兩個時間段的需求滿足率均值都在0.73左右，進一步以北京市某出租車公司實施補貼方案前2013與實施補貼方案后2015的數據做對比分析，發現現有的補貼方案能緩解“打車難”問題，但效果不大。于是，對現有的補貼方案進行優化，新的補貼方案的需求滿足率明顯高于原來補貼方案的需求滿足率。

關鍵詞：“互聯網+”;出租車;資源配置

中圖分類號：F27 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2019.11.039

1 引言

隨著我國社會經濟的發展，城市規模的日益擴大，人們對于出行的要求也是日益提高。在過去的改革開放中，出租車是人們出行的重要工具，在人們的出行中有著重要的作用。但是隨著城市人口規模的不斷擴大，人們的出行卻變得日益不便，“打車難”成為人們所關注的一個社會熱點問題，也是政府亟需解決卻一直難以解決的問題之一。

2012年發布的《公共服務藍皮書》中，首次提到的“打車難”問題是公眾最為關注的九個熱點民生問題之一。藍皮書發布后，迅速成為央視、新華網等重大媒體所關注的熱點。2013年2月8日，中共中央總書記習近平在視察北京祥龍出租車公司時，著重強調要解決好“打車難”問題。隨著科技與經濟的飛速發展，“互聯網+”戰略的影響已經深入各行各業。面對“打車難”現象的社會壓力，2014 年有多家公司依托移動互聯網建立了打車軟件服務平臺，實現了乘客與出租車司機之間的信息互通，同時推出了多種出租車的補貼方案，進一步加強了“互聯網+”戰略與傳統出租車行業的融合，優化了出租車資源配置。本文就“互聯網+”時代下的打車軟件，通過打車軟件數據，分析不同時空下出租車資源配置問題，并對補貼方案是否緩解“打車難”問題進行實證分析，為出租車公司優化補貼方案提供理論依據。

2 模型構建與數據來源

2.1 數據來源

本文所用的數據來源于兩個方面：一是嘀嘀打車平臺的數據：用戶版App搜集到的實時附近出租車數量以及嘀嘀打車司機版App搜集到的實時附近乘客數量。為反映現有的補貼方案是否緩解“打車難”問題，我們搜集到補貼方案實施前的2013年北京市出租車公司與補貼實施方案后的2015年北京市出租車公司具有可比性的6649輛出租汽車有關數據，采集到這兩個時間段的日均載客次數、運營里程、車輛里程空駛率、不同運距樣本分布、出車時間樣本，將這兩個數據進行比較，分析在相同時間的數據之間的差異，來分析該公司的出租車補貼方案是否對“緩解打車難”有幫助。

2.2 模型構建

不同時空下出租車資源配置問題的本質就是不同時空出租車的“供求匹配”程度，其中“供”就是說的空出租車，而“求”就是用戶的需求量。對于用戶來說，當然希望需要打車就有空出租車可以坐，即發布信息到出租車來之間這一段等待時間越短越好，因此等待時間是其最關心的問題;對出租車司機來講，其到一個地方，就有用戶需要打車，即自己的空載率越低越好，因此周圍的用戶數量是其最關心的問題。綜合考慮乘客與出租車司機的意愿，決定以用戶需求滿足率（不同時空出下租車數量占用戶需求量的百分比）來反映不同時空下出租車的“供求匹配”程度：

P=H/N??? （1）

其中N、H是同一時間同一地點的需要打車的用戶數量和空出租車數量。

現有的出租車補貼方案是否緩解“打車難”問題，我們以北京市出租車公司2013年與2015年的數據做對比分析，從日均載客次數、運營里程、車輛里程空駛率、不同運距樣本分布、出車時間樣本等數據，繪制excel圖片等形式，來描述性分析兩個數據的差異性，從而來討論現有的補貼方案是否緩解“打車難”問題，對乘客的出行是否有幫助。

接下來我們要討論的是現有的補貼方案能否優化的問題，我們還是以用戶需求滿足率為目標建立模型。主要考慮：

（1）出租車的可乘坐空間是否得到很好的利用。

（2）發布起終點信息是否提高里程利用率。

因此，我們設定優化的補貼方案。考慮乘客合乘出租車，對乘客來說，減少費用，對出租車司機來說，在不增加成本的情形下，可以多賺一份拼車補貼，對社會來說，減少油耗，有利于環境，還能緩解交通壓力，有利于乘客的出行。根據滴滴平臺的數據，如果乘客合乘出租車，只需支付合乘路段費用的 60%即可。建立優化的模型如下：

P=H/N=K₂U/N??? （2）

根據同一地區空出租車存在量和該地區司機的平均單程收入成正比：

H=K₂U? （3）

這里，如果只有一人乘坐時K2=1，兩人乘坐時K₂=2×60%。

由于拼車后，將會使得出租車司機前后兩次載客空駛距離減小，也就是增加了空出租車的基數。

H₁=K₃*H? ? （4）

這樣，得出優化了的補貼方案模型：

P=（K₂×U+K₃×H）/N? ? （5）

3 結果與討論

早晚出行是車輛高峰時期，也是最難打車的時間段，故我們隨機抽點，分別采集滴滴平臺中長沙火車站某一天的早上7：30到9：30與晚上17：00到19：30的需要打車的用戶數量和空出租車數量，把數據代入到公式（1）中，可得到兩個高峰時間段的出租車與用戶之間的“供求匹配”程度（圖1，圖2）。

根據定義，需求滿足率越接近1，則說明“供求匹配”程度越接近飽和，越能滿足需求，但從圖1、圖2來分析，兩個時間段的需求滿足率的數值大多數都低于0.9，還有少數部分的時間點的數值低于0.5，這說明某些時刻的需求是嚴重不滿足，用戶很難打到車。為進一步分析，我們把兩個時間段的需求滿足率取平均化，得出如表1的數值。從表1可以看出，兩個時間段的需求滿足率都在0.73，這也表明，在高峰時間出行，用戶是很打到出租車的。從司機角度來說，高峰時期與正常時期的出租車價格是一樣，司機就缺乏激勵效應，不愿意花更多的時間去滿足用戶的需求;對用戶來說，高峰時期本就是“打車難”時刻，如果能夠在此時刻打到車，即使比平時多花費一些費用，但是能夠早點回家，用戶也是愿意的，乘客多出來的這部分費用，大部分給予司機進行補貼，提高司機的載人次數，少部分用于出租車的管理。但這樣的補貼效果如何，還需要進一步的分析。

根據北京市出租車公司2013年與2015年的數據進行分析，從日載客次數來看，日均減少了大約0.9運次，降幅約為3.9%。說明出租汽車載客次數受到影響，但影響幅度不大。從日均運營里程來看，出租汽車每日平均運營里程均未受影響，始終保持在293公里/車左右;但在每日總運營里程中，載客里程相對增加，即車輛運營效率提高了，載客距離變長，空駛減少（里程空駛率減少了大約1個百分點）。從里程利用率來看，空駛時間沒有改變，但空駛距離由2013年的3.45公里縮短到3.38公里。也就是說，出租汽車乘車需求不變（空駛時間不變）的情況下，車輛減少了空駛掃馬路的比例，提高了里程利用率。

把滴滴平臺中長沙火車站某一天的早上7：30到9：30與晚上17：00到19：30的需要打車的用戶數量和空出租車數量代入新的補貼方案模型中得到用戶需求滿足率（圖3，圖4）。

從圖3、圖4可以看出，與原來的補貼方案相比，新的補貼方案的需求滿足率都要高于原來補貼方案的需求滿足率，說明新的補貼方案優于原來的方案，基本達到了優化的目的，對于打車難的問題具有一定的意義。

參考文獻

[1]楊雪琦，張世霖，韓亞飛.“互聯網+”時代出租車資源配置問題[J].現代商貿工業，2016，37（31）.