互联网+时代的出租车资源配置

“互联网+”时代的出租车资源配置

摘要：本问题主要讨论的是出租车在不同时段与地区的“人车匹配”的程度，

即资源匹配。针对互联网公司推出的补贴方案分析对资源配置的影响程度，以及如何提出和改进更好的补贴方案的目标，必须对以不同的时空，不同的指标来建立模型分析影响出租车资源配置的因素。

我们利用搜集到的深圳市2011年的一段时间的出租车行车GPS记录结合深圳市当时的天气情况与城市的地域划分和经济发展情况从不同的时间和空间角度分析了当地的交通状况，并且以深圳市的出租车市场运营状况及打车难的情况通过数据的处理，模型的建立，确定影响人车匹配的因素，根据这些分析打车服务平台的补贴对市民出行的影响，并利用分析的结果从乘客，司机，时间，地域，人文等方面提出改进的补贴方案。三问联系在一起，我们初步建立三个模型解决本问题，首先我们先建立模型判断深圳市的出租车数量是否在合适的范围之内，指标的建立我们用里程利用率，满载率。

模型一: 运用系统评价法建立指标模型，基于数据的分析从四个影响方面考虑，影响因素的比重用层次分析法。对数据做相应的清理，筛选，利用matlab 与spss对数据做处理分析不同时段不同路段的出租车运行情况，具体的比较的指标有里程利用率，行人的平均等待时间，空载率，道路拥挤情况。

模型二：因缺少11年以后的数据，无法利用数据的对比来考虑影响与否，我们从司机的角度考虑，从司机利益收入方面因补贴对司机行为的影响，而针对不同补贴司机的行为变化从道路利用率，用软件人群与非用软件人群的不同比例确定一个补贴对道路的影响概率。

模型三：针对第二三问的补贴方案，我们针对打车困难的各种因素的影响做出模型评价其影响强度，并根据这些影响因素做出相应的鼓励机制，即为补贴机制的对应来源，补贴金钱数量根据相应的影响因素的强度来确定。

关键词：分层系统系统评价法聚类分析

问题重述：

“互联网+”时代的出租车资源配置

出租车是市民出行的重要交通工具之一，“打车难”是人们关注的一个社会

热点问题。随着“互联网+”时代的到来，有多家公司依托移动互联网建立了打车软件服务平台，实现了乘客与出租车司机之间的信息互通，同时推出了多种出租车的补贴方案。

请你们搜集相关数据，建立数学模型研究如下问题：

(1) 试建立合理的指标，并分析不同时空出租车资源的“供求匹配”程度。

(2) 分析各公司的出租车补贴方案是否对“缓解打车难”有帮助？

(3) 如果要创建一个新的打车软件服务平台，你们将设计什么样的补贴方案，并论证其合理性。

一问题分析：.

出租车行业的发展是是受到出租车司机，出租公司，乘客和司机多方面的利益影响的，出租公司需要增加公司的收入，希望达到市场的最大运力，乘客则希望尽可能的增加空载率，而政府的作用则是调节多方面的因素来调控社会的最大福利，这注定了出租车行业不能单纯的运用市场的作用来调节出租车数量，这是后面我们将出租车数量这些非可控因素排除的原因。

针对问题一，国际上通常评价出租车运行的因素包括空载率，里程利用率，万人拥有量，除此之外，道路的运行通行能力也在我们的评价因素中，乘客的方面有人均等待时间，候车地点数，万人拥有量在城市的短期时间内不会有太大的变化，是静态的宏观的评价，对一天之内的变化影响几乎没有，而候车地点数我们没法通过数据处理得到，否则太过主观。因此我们选取了空载率，里程利用率，道路占用情况，等车的平均时间四个因素作为指标的输入因素，运用层次模型得出每个指标的权重，运用权值均衡得出出租车的运行能力指数，即合理的指标来源，拥堵程度分别用数据分析的结果。

针对问题二，评价其对于‘打车难’是否有帮助，因没有搜集到深圳市2011年以后的出租车行车gps数据，没法以相关数据模拟对比的方法来直观的观察，我们搜集到打车软件服务对人车两方面的补贴主要在司机与乘客使用软件的价钱补贴，以及拉客数量上的奖励策略，综合来说，互联网公司补贴的目标是尽可能使乘客使用自己的打车软件，尽量占据新型的市场，这样的结果从感性上来分析必然导致司机大量的使用软件抢客源，结合问题一的分析结果，考虑在以抢客为目标的影响下对道路的影响，建立模型分析乘客与司机两方面的福利系统，利用搜集到的出租车行车陈本构成，在有交通拥堵时段情况下司机所为了拉客而消耗的成本是否能有补贴的金钱来抵消，以次来判定在不同的交通拥堵情况软件公司所作出的补贴对司机的“诱惑程度”，诱惑影响程度就是补贴对司机的行为影响程度，最后评价其对交通拥堵帮助。

针对问题三，我们在已经分析打车软件单纯拉客数量的基础上所造成的影响情况下，结合不同时空拥堵状况运用前面已建立模型针对每一个因素设计其补贴方案，分别针对司机，乘客设计符合社会总体利益的补贴方案

二模型的假设

1.假设每辆出租车具有完全无差别性，处理过程车牌号可以忽略掉。

2.假设在我们分析主要因素的其它因素不占据主要作用

三符号说明：

K:不同的时段

X ik :k时段的影响因素

A i：印象因素对应的指标

R k：打车难易的程度指标

四模型的建立

模型一：

处理的流程

Matlab Spss excel

注：因无法得到计算指标所用的条件数据，我们对已得到的gps行车数据做以下处理代替模型所需的数据：

某时刻的空载率＝某个时间车辆载客的出租车数量除以空车的数量

里程利用率：（对单个车辆分析），＝满载行车的时间/（满载时间+空载时间）我们不认为（满载时间+空载时间）＝一天的工作时间，gps是隔段时间取值的，为保证数据准确，以（满载时间+空载时间）作为行驶时间。

道路占用情况：拥堵情况我们考虑出租车的行车速度来表示。

乘客的平均等待时间：我们确定某个固定的点（经度与维度），以两次出租车（空车）的到来时间差作为乘客的平均等待时间。

评价指标模型

将道路占用情况，里程利用率，空载率，平均等待时间分别设为X ik (i＝1.2.3.4)相应的指标权重为A i,K代表不同时空段，R k即为打车难易的指标。根据第一问得出的因素影响范围我们设计出相应的出租车供求匹配程度系统：

6

R k=A i

X ik

i=1

根据功效系统评价法[2]，当R k为[0-0.6]我们认定评估对象较差，当位于[0.6-0.8]认定评定对象中等，当位于[0.8-1]我们认定评价对象较好。系统的具体系数见图1.1.

权重A的确定，我们用层次分析法：具体所得的比较矩阵为

1 1/

2 1/

3 1/4

2 1 2/

3 2/3

A ＝ 3 3/2 1 2/3

3 3/2 3/2 1

A的最大特征根（r）的特征向量作为权向量w,即Aw=Rw

Matlab运算得到的特征值为0.18： 0.4 ：0.54 ：0.71，考虑乘客的等待时间是反应打车困难程度最直接的指标，里程利用率，空载率是国际经典的评价标准。因此我们将其调整为1:2:2:3

道路的占用情况，里程利用率，空载率，乘客平均等待时间的比例分别为1:2:2:3

1.2处理数据

首先删除无用的数据，包括：

a.经纬度不在分析区内的，即超出所研究的深圳市的经纬度范围。

b.矛盾的数据（有车速，但经纬度不变化，长时间空载或者满载的出租车）

c.异常数据（1970年的，速度用v表示等等，空载或满载用其他字母表示）

其次我们利用过程删除出租车号，提取单一的日期，只留下当日的时间，可以较方便的对数据用matlab，spss的输入与操作。

1.2.1行车速度的处理

我们将清理后的数据分24个时段算出每个时段的出租车行车速度，如

图1.2.1

图1.2.1

1.2.2乘客的平均等待时间的处理

考虑到要取相同的经纬度太过苛刻，我们联系实际规定在十米的范围之内空车经过的时间差就为乘客的平均等车时间。

利用经纬的差来计算距离的公式为

为了简化模型的计算，在相同经度的情况下我们考虑只考虑维度的变化，得

出的结果与利用经纬度距离计算公式误差很小，这样去代替计算十米范围的平均时间。

为了计算10米的范围到底是经纬度多大的差，考虑用a2+b2计算的误差

来源，我们先将gps数据换算成时分秒，转换方法是将数据的小数位成60，得出的结果小数位在乘以60 ，每次得出的整数位即为下一个单位的数据，例如：22.73485将0.73485*60=44.091,44为分的单位，0.091*60=5.46，，5即为秒，最后转化成22度44分5秒。通过计算22.43486为22度44分5秒，相差不到一秒，一秒的差距是30.9米，0.00001度可作为0.036秒的差距，大约一米，我们用0.0001作为十米的差距。

下图是总体分析的乘客等车时间：

图1.2.2

对于不同时段乘客的等车时间我们鉴于符合数据的点较少，只分析了深圳市上下班交通高峰时间7:30-9:30，下午5:30-7：30时段与平常时段比较。以大于十分钟的比例为比较项。

表1.2.3

上下班时间出租车的乘客等待时间由>10分钟的比率明显增大。

1.2.3，空载率的处理

空载率的处理是较容易解决的部分，只需要提取每时段的空载数量与满载的数量，直接做出发即可。

图1.2.3

由图1.2.3看出在上下班高峰段空载率有明显的下降

1.2.4，里程利用率的处理

在做里程利用率的时候为了数据的准确性，计算结果用满载的时间/(空载+满载的时间)，表面上与空载率的计算相似，都用了满载率与空载率去拟合，但里程利用率的计算涉及时间的计算，如果用所有的数据计算耗费时间太长，算一我们与计算乘客等待时间的计算一样，分别选取高峰时段与平峰时段的部分数据来处理得到结果。

图1.2.4

1.2.5 利用经纬度分析不同地域的出租车数量

对于某些繁忙地段，出租车的数量密度应该有明显的差别，通过对不同经纬度的聚类分析，画出散点图，对应深圳市的商业行政划分，得出打车人群密集地区。筛选出出租车速度小于10的聚集图，对应的是道路拥堵图。

图1.2.5

与图1.2.6深圳市的经济发展规划图作比较，可以看出较好的耦合对应深圳的经纬度，可知出租车时速小于10的区域位于深圳的商业区居民区，与区域的经济发展情况成正比，越发达的地区约拥挤。

深圳经济发展规划图（来自新城市网）

图1.2.6

1.3利用已得到的数据处理结果运用建立的指标评价模型做出评价

因为个评价因素不全是以时间段得出的结果。通过经验，我们对于不同时空的分析主要是交通高峰阶段（上下班高峰）和平峰阶段，不同地域的分析由 1.2.5的分析可得出结果，具体的分析在后面的二三问。

综上所述，K的取值为两个，一个我们取（7:30-9:30）与（17:30-19:30）的平均值，一个我们取下午2:00-3:00的平峰阶段分别取为K1，K2.

分别将数据代入R k = A i 6 i=1X ik ，得到R1与R2的指标 R1=0.5*0.125+0.6*0.375+0.7*0.25+0.5*0.25=0.5875

结果：R1处在[0-0.6]阶段，即我们认定的评估对象较差，反应在交通高峰期打

车难的问题普遍突出。

R2处在[0.6-0.8]阶段，即我们认定的评估对象中等，反应在交通平风气打

车难问题较高峰期有所缓解。

模型二

关于各公司的补贴方案对“打车难”的状况是否有影响，因为模型一的建立

实在2011年的数据，当时没有打车软件的出行，如果用12-15年的数据做相应

的处理与深圳11年没有用打车软件的数据做比较处理，可以很容易的得出在拥

有打车软件补贴的情况下对缓解打车难的影响。鉴于我们没有搜集到相关数据，

我们从司机的角度，通过利益变化的角度在第一问相关结果的基础上理性分析对

打车难是否有缓解。

问题分析过程及思路：

要知补贴对打车的影响 补贴对司机行为的影响 行为受利益

的诱惑 诱惑程度决定影响程度 分析补贴后利益的变化

搜素司机行车成本，计算单位时间和单位公里的收入 计算在补贴状况

下司机那些改变的行为会增加收入 在这种行为下对交通状况的影响

具体处理：

我们搜集资料，得知各软件服务商的补贴主要是通过给司机和乘客的每单直

接补贴金钱，和司机抢单的数量给予相应的建立，总之，各公司是以占有市场率

为目的，在这中补贴的情况下，对司机的鼓励就是在有利润的情况下尽可能的多

去拉客户，有利润有影响的情况分为在两种：

一， 平常没有补贴司机可能对道路拥堵的地区客户不感兴趣，因为拥堵

时间的消耗让自己并不赚钱，而在有补贴的情况下可能会刺激司机

在交通拥堵时间仍然愿意前往交通堵塞地区，可能性要通过具体详

细的利益分析来评估。

二， 司机大量的运用软件来招揽客户，对于没用软件的用户空载率急剧

下降造成的影响

司机成本:

没有补贴前

y 油价/升 设油价一直稳定

v 乘客租车费用

L 辆数

s 路程 km

K 油费用与路程之间的比例系数

w 没有补贴前司机的净收入

Z 政府补贴

a 司机等候的时间，单位小时

g 与耗油无关的日耗油成本

经网上查阅资料知道，1.6的捷达加93号7.45元/升，一百公里综合路况油耗大约8-9升，一升能跑10km,设其0.6元一公里。

司机的日均净收入=日均营运收入+政府补贴-日均耗油成本-与耗油无关的日均营运成本(包括租车费用、维修保养费用等)

日净收入的情况：w’=1.8s+30a-g+2.4

公司的补贴方案一：没完成一单交易补贴5元

公司的补贴方案二：乘客没完成一单补贴10元

成本计算公式：

月成本（份子钱，油耗，保险，食宿）-月收入（平均行驶距离*路价）

＝单位时间收入

拥堵状况下拉客数*补贴*拉客距离—单位时间收入*堵车的时间-心理补贴

*100% 交通顺畅区拉客数* 拉客距离

＝司机的行为改变概率

价格与等待时间增加则会抑制乘客需求.等待时间可直接与出租车空驶里程相关：空驶里程越大，出租车空驶在道路上的概率越大，乘客越容易搭乘空驶出租车.柯布—道格拉斯函数形式来量化需求与价格及里程关系

D =（1）

t =（2）

式中D 为出租车出行需求，即实载里程，km；

P表示出租车价格，元；

t 表示乘客等待时间，min；

v 表示出租车空驶里程，km；

α为价格需求弹性；

β为等候时间需求弹性；

γ表示空驶里程需求弹性；

,表示需求弹性系数，由城市的经济水平、空间布局、路网特征等因素综合

确定.由于出租车的需求与价格及空驶里程均呈负相关性，有α、β、γ<0 分析乘客：

此外，从用户的角度讲，打车软件的补贴对于乘客的影响明显大于司机的影响，用户的使用有对司机使用软件有反作用，从感性上分析，必然造车出租车空驶率的降低，和里程利用率的提高，但这并不能说明市民会变得不方便，在这种情况下城市万人拥有量的计算变成（不用软件司机的概率+用软件司机降低后的行车空驶率）/（不用软件稳定乘客的概率）

经过相关数据的代入，万人拥有量反而比以前增加。

通过图1.2.3，在凌晨，下午等这样的时间，与高峰期相比空载率变化没有想象的大，而1.2.1的数据说明在高峰期造成打车难，道路的拥堵是一个大原因。单纯的只是完成订单补贴有可能造成道路的更加拥堵。

最后结论描述：

通过搜集到的数据，代入成本计算公式，发现现行的补贴政策如快的，嘀嘀等打车软件的单纯订单补贴在信息交流方面，不再是单纯的“车找人’和“人找车”状态，增加了公交车的里程利用率，对乘客的影响相对于出租车效率提高方面很小，我们的结论是软件的补贴确实对缓解打车难起到作用，但在交通高峰期影响不大。

模型三

在前两问的基础上，我们充分的挖掘已有的数据，结合深圳市的城市发展特点，通过多方面的分析提出相应的补贴政策。

关于补贴方案的改进：我们分别从乘客，司机，政府等方面来分析;首先运用一题的相关结论，在对地域的分析上，明显在城市经济发展区，即商业区，和小区的住宅区出租车数量最密集。

从时间段上分析，城市的交通明显的分为高峰和平峰，高峰一般在7:30-9:30，和下午的5:30-7：30，一般是市民的上下班高峰期。

除了在原有订单反面的补贴外，我们建议如下改进：

行人方面：

1.若可以提前预定，我们给与相应的补贴X1元补贴。（基于时间分析）

2.若在郊区交通稀疏地区打车，我们给与X2元的补贴（基于地域分析）

3.若在交通平峰时间段坐车，补贴X3元

4.若主动与他人（可以是软件好友）合租，补贴X4元。

司机方面 ;

1.鼓励在周末加班

2.鼓励在交通非拥堵时段到商业区

3.鼓励租车行为（在保证首个乘客利益下）

我们建议的每一方面都是基于在一问数据处理的结果下，做出的建议性改进，如对空载率的分析上夜间的空载率并不像我们想象的那样高，通过分析夜间时段出租车的数量得知是出租车量少的问题，随着人们夜

生活的丰富，这就是应该改进的容易被忽略的地方。

对于补贴数量X的确定，我们分析每个条件对城市缓解打车难的影响程度，通过模糊评价，和相关的数据来确定。

政府方面

影响市民行车方便与否最根本的还是硬件设施的改进，在互联网时代信

息交流如此发达透明的阶段下出租车仍然紧张的原因是在高峰期没办法

加入到分担客流量的行动中

五模型的优缺点分析

优点：首先本模型是完全建立在数据之上的，结果有一定的准确性和可参考性，在分析补贴方案的过程中，站在司机的角度以收益状况的改变对司机行为的改变的影响程度最后设计相应的补贴方案，充分利用前两问的成果，三个问题相互

缺点：本模型虽然有数据作为结论的依据，但是在前面因素权重建立的过程有较大的主观性，对于数据的处理因做了相关的筛选，存在一定的误差。

六引用文献资料

[1].曹伟.罗霞.打车软件的使用率对社会福利的影响.西南交通大学.2015 u491

[2]刘鸿婷.出租车运力规模评价与优化研究.大连海事大学.2011

[3]https://www.360docs.net/doc/9210960045.html,/newsinfo_84.html

[4]裴玉龙.徐大伟.基于模糊推理的公共交通分担率预测研究.2003.

[5]https://www.360docs.net/doc/9210960045.html,/html/2013-10/16/content_2918120.htm

七附录

所用matlab代码：

path = uigetdir('D:\','Pick a Directory');

files = dir([path, '\*.txt']);

for i = 1:length(files)

data(:, 2*i-1:2*i) = load( [path '\' files(i).name] ); end

A=input('A=');

[n,n]=size(A);

x=ones(n,100);

y=ones(n,100);

n=zeros(1,100);

n(1)=max(x(:,1));

y(:,1)=x(:,1);

x(:,2)=A*y(:,1);

n(2)=max(x(:,2));

y(:,2)=x(:,2)/m(2);

p=0.0001;i=2;p=abs(n(2)-n(1))