基于大數據背景下因子分析的出租車司機選擇決策策略研究

烏蘭　蔣偉

摘要：出租車對交通行業發展影響深遠，出租車是銜接機場與城市交通系統的重要方式。因此研究機場出租車司機的收益和機場管理部門高效管理具有重要意義。我們根據機場客流量變化和司機的收益多少，確定了8個主要影響出租車司機決策的因素。基于因子分析建立決策模型，且數據通過KMO檢驗。再通過旋轉因子可將8個影響因素分為潛在損失，客流數量，預計收益這3個主因子。最后，通過因子分析模型給出選擇策略。

關鍵詞：決策模型? 因子分析? 選擇策略

1 引言

如今出租車產業已經成為交通中必不可少的一項服務，對于機場而言更是至關重要。當司機送乘客到機場后將面臨兩個選擇，一是排隊等待搭載乘客返回市區。二是直接空載返回市區拉客。兩個選擇都受各樣因素的影響。而機場出租車管理員負責定量放行車輛進入乘車區，并安排定量的乘客上車。

2 模型的建立與求解

2.1 基于因子分析建立的決策模型

因子分析能夠在大部分變量中找出具有相關性的隱藏變量。其主要目的是把多數幾個無關的變量通過降維技術變成少數幾個相關的變量。

2.2 給出租車司機的選擇策略

近幾年，出租車產業發展一直十分穩定，每個城市都離不開出租車行業的服務。對于機場等較偏遠的地方對出租車的需求量更大，且出租車司機為了自身的利益，送客到機場后會面臨兩個選擇。由于影響出租車司機決策的因素具有多樣性，所以從中挑選8個具有代表性的影響因素對問題進行分析。為了建立出租車司機的決策模型，根據數據調查和分析，挑選出8個對出租車司機影響較多的因素，分別為：吞吐量（即客流量），飛機到達數量，周邊出租車，延誤率，大型活動量（如大型演唱會、體育賽事和重大會議等），降雨天數，等待時間，平均行駛里程（如不同月份出于不同目的從機場到企業區、市區和娛樂區的路程不同）。如表1。

通過數據收集，找到了廣州市白云機場 2018年12個月份在8種影響因素下的數 據，并進行標準化處理。

（1）判斷該數據是否適合進行因子分析

首先對進行標準化后的8種因素及其相關數據做KMO檢驗，判斷該數據是否適 合進行因子分析。

根據KMO的統計值發現，總體值為0.6526，且大部分KMO的統計值在0.6、0.7左右，說明原變量比較適合進行因子分析。

（2）確定提取的公因子數目

可根據特征值大于1和累計貢獻率首次達到70%以上來判斷。

由表3可知，有3個特征值是大于1的，若按照特征根大于1的準則提取公因子，可以提取3個公因子;且若按累積貢獻率首次達70%為準則提取公因子，也可以提取3個公因子。綜上所述，提取3個公因子的效果較好。且累積貢獻率高達91.88%，說明用這三個主因子解釋出租車司機決策已有91.88%的把握。

（3）寫出旋轉因子模型

旋轉因子模型相比因子模型而言，可以更加直觀的將多個因子分成少數的幾個公因子。

從表4中可以得出，8個影響因素共分為3個主因子：潛在損失因子：等待時間，延誤率，降雨天數;客流數量因子：吞吐量，飛機到達數量，周邊出租車;預計收益因子：平均行駛里程，大型活動量。

將解釋出租車司機決策的3個主因子通過流程圖更加直觀的表現出來，見下圖1。

綜合分析機場客流量變化和出租車司機收益等問題，給出出租車司機的決策模型。在模型中，潛在損失由延誤率、降雨天數和等待時間決定。若某段時間內降雨天數越多即受壞天氣影響越大，其飛機的延誤率越高，本應到達的旅客減少，相應司機需要排隊等待乘客上車的時間越長。因此當潛在損失因子所占比重較大時，司機應該選擇直接空載返回市區拉客，不在機場等待。

在模型中，客流數量由吞吐量、飛機到達數量和周邊出租車的數量決定。吞吐量和飛機到達數量可直接反映客流量的多少，其數量越多，出租車司機會在短時間內接到乘客的可能性越高。則當出租車司機前往機場送客時，會選擇在機場等待，導致周邊出租車的數量增多，但由于客流量所占比重更大，仍會出現“供不應求”的現象。因此當客流數量因子所占比重較大時，司機應該選擇排隊等待載客返回市區。在模型中，預計收益由平均行駛里程和大型活動數量決定。平均行駛里程會因為目的地的不同發生改變，其里程越長，單位內取得的收益越大。當大型活動次數越多，則某段時間內的客流量越大，對出租車的需求也會越多。因此當預計收益因子所占比重較大時，司機應該選擇排隊等待載客返回市區。

參考文獻

[1]王學民.應用多元統計分析[M].上海：上海財經大學出版社，2017.

[2]胡書文，徐建武.主成分分析和因子分析在中國股票評價體系中的應用[J].重慶理工大學學報 （自然科學），2017，31（05）：192-202.

[3]鄧義華.多屬性決策的靈敏度分析[D].南京：南京理工大學，2003.