“互聯(lián)網(wǎng)+”時(shí)代的出租車資源配置

陳博源　鄭亦斕

伴隨著國(guó)民經(jīng)濟(jì)的迅猛發(fā)展，人們的出行量及對(duì)交通的需求也日益增加。然而社會(huì)交通資源如出租車的配置仍具有極大的提升空問，信息與數(shù)據(jù)處理技術(shù)的發(fā)展為提高資源效率提供了前所未有的可能性。

首先利用Matlab對(duì)交通數(shù)據(jù)進(jìn)行多元線性回歸分析，比較各種交通工具所占權(quán)重，初步推測(cè)出租車供給整體存在短缺問題，其次運(yùn)用所得數(shù)據(jù)進(jìn)行多向比較，尤其是通過三維圖能看出打車軟件進(jìn)入市場(chǎng)后，不同時(shí)空的出租車供需比不均衡問題有了顯著的改善。最后我們建立了AHP層次分析模型，尤其是比例標(biāo)度法，對(duì)可能會(huì)對(duì)出租車運(yùn)營(yíng)產(chǎn)生影響的幾大因素進(jìn)行相關(guān)的計(jì)算，最后得出這幾大因素彼此之間的重要性比較，從而分析出對(duì)出租車運(yùn)營(yíng)產(chǎn)生影響的最大因素，并且針對(duì)不同重要性的因素設(shè)計(jì)不同的補(bǔ)貼方案，以滿足不同情況下出租車運(yùn)營(yíng)的需要。

短缺分析

回歸分析。我們假定出行需求與人口數(shù)直接相關(guān)，而交通工具數(shù)量又極大地為需求量所影響，因此我們將北京人口數(shù)（1999-2013）作為主變量，將民用汽車擁有量、公共汽（電）車運(yùn)營(yíng)數(shù)和出租車運(yùn)營(yíng)數(shù)作為自變量，分析出租車的供應(yīng)關(guān)系是否處于短缺。

v=0.989+288.241+x1+0*x2+99.911x3

v=北京人口數(shù)目、xl=民用汽車擁有量、x2=市轄區(qū)年末公共汽（電）車運(yùn)營(yíng)數(shù)、x3=市轄區(qū)年末出租汽車運(yùn)營(yíng)數(shù)。

可見，隨著人口增長(zhǎng)和經(jīng)濟(jì)發(fā)展，私家車數(shù)量的增幅遠(yuǎn)高于公用汽車和出租車。

可見私家車與出租車的長(zhǎng)期消費(fèi)都需要一定的經(jīng)濟(jì)條件，私家車的增長(zhǎng)遠(yuǎn)遠(yuǎn)超過出租車，可推測(cè)出出租車的增長(zhǎng)有一定的滯后。出租車與公共汽車的一大部分客流來源于外來人口，而公交汽車可通過密集班次或滿載有效解決需求量上升的問題，而出租車平均載客數(shù)較低，增幅度不明顯，有可能存在供給量不夠的問題。人均收入水平的增加可能致使出租車對(duì)公共汽車的替代性增強(qiáng)，進(jìn)而加重出租車供給短缺。

需求估計(jì)。分析供需問題先從北京市出租車需求量入手，以下是經(jīng)統(tǒng)計(jì)平均載客量和運(yùn)營(yíng)時(shí)間計(jì)算出的需求量公式：

平均運(yùn)營(yíng)速度v=34km/h，北京市的空載率基本維持在k=40%，出租車的運(yùn)營(yíng)比率取b=70%，居民一年的出行次數(shù)為3099萬人次，乘坐出租車的相對(duì)占比為6A%，每次乘坐的平均距離D=8kin，每車平均載客數(shù)為q=1.5。估算得北京市最佳出租車量即出租車需求量大約為N=74075輛。

可視化分析。通過蒼穹數(shù)據(jù)的可視化分析，將數(shù)據(jù)用MATLAB繪制成三維圖像，x軸代表時(shí)間，Y軸代表不同區(qū)域，z軸代表打車人數(shù)，可看出北京市各區(qū)域的出租車分布極為不均衡，城區(qū)的出租車供求比遠(yuǎn)大于其他區(qū)域，即意味著城區(qū)打車的難度在其他區(qū)域之上。究其原因，可能是由于城區(qū)道路過于擁堵，時(shí)長(zhǎng)費(fèi)用無法彌補(bǔ)出租車司機(jī)因?yàn)樾旭偮烦逃邢?，堵車等待時(shí)間過長(zhǎng)而受損失。

打車軟件的出現(xiàn)使出租車的資源配置問題有了極大的改善。一方面以互聯(lián)網(wǎng)為依托的打車軟件為信息交互提供了良好的平臺(tái)，有效的降低了空載率即資源的浪費(fèi)情況；另一方面打車軟件有強(qiáng)制接單的政策，極大地緩解了北京地區(qū)的“打車難”問題。

補(bǔ)貼設(shè)計(jì)

AHP分析。經(jīng)過對(duì)出租車運(yùn)營(yíng)情況的數(shù)據(jù)分析，我們發(fā)現(xiàn)有以下幾點(diǎn)因素對(duì)出租車運(yùn)營(yíng)影響較大，分別為：P1乘車人乘車距離、P2出租車工作時(shí)間的長(zhǎng)短、P3出租車司機(jī)工作的時(shí)間、P4出租車乘客的評(píng)價(jià)。我們利用相關(guān)運(yùn)籌學(xué)理論——AHP層次分析法，將與決策總是有關(guān)的元素進(jìn)行分解，并在此基礎(chǔ)之上進(jìn)行定性和定量分析。底層為P1、P2、P3、P4，上層是C1工作時(shí)間、C2載客路程、C3評(píng)價(jià)，頂層為最優(yōu)配置。

運(yùn)用AHP中常用的比例標(biāo)度法，根據(jù)網(wǎng)上的相關(guān)數(shù)據(jù)，我們可以得出結(jié)論：定義第i個(gè)因素和第1個(gè)因素的重要性之比為ail，在重要性方面C2是C1的3倍，C2是C3的9倍，C1是C3的5倍。根據(jù)比例標(biāo)度法的相關(guān)規(guī)定，我們可以得出結(jié)論：在重要性方面，C2因素比C1因素稍重要，C2因素比C3因素極端重要，C1因素比C3明顯重要。故，C2載客路程對(duì)于出租車運(yùn)營(yíng)情況的影響來最大。

經(jīng)過相關(guān)matlab的處理，可以得到以下結(jié)果：CR=0.0251，CI=0.0145滿足一致性。假設(shè)：WC1=[0 0.7 0.30]、WC2=[0.80，10.10]、WC3=[0.001]、W=[0.3662 0.9265 0.0868]

得到四個(gè)方面對(duì)目標(biāo)函數(shù)的影響權(quán)重分別為：0.7412、0V3490、0.2025、0.0860

通過以上相關(guān)數(shù)據(jù)可以了解到，P1按距離補(bǔ)貼對(duì)于打車影響程度最大，其次為P2按工作時(shí)間長(zhǎng)短補(bǔ)、P3按何時(shí)工作補(bǔ)貼，影響最小的因素為P4按客戶評(píng)價(jià)補(bǔ)貼。經(jīng)過以上分析，我們可以根據(jù)每個(gè)因素不同的重要程度，設(shè)計(jì)出一套多種補(bǔ)助方式結(jié)合、更加完善的補(bǔ)助方案。首先，根據(jù)上述的影響權(quán)重可以看出，對(duì)出租車運(yùn)營(yíng)情況影響最大是打車距離，其次是工作時(shí)間長(zhǎng)短以及何時(shí)工作，最小的是客戶評(píng)價(jià)。所以，在補(bǔ)貼方案之中，占據(jù)最重要地位的是用戶的打車距離因素，這要求我們區(qū)分用戶打車距離來進(jìn)行相應(yīng)補(bǔ)貼，并且該補(bǔ)貼應(yīng)該占整個(gè)補(bǔ)貼中最重要的部分。

最優(yōu)方案設(shè)計(jì)。根據(jù)相關(guān)數(shù)據(jù)表明，北京市出租車單程平均距離為8km。因此，若乘客的乘車距離低于平均距離，則只補(bǔ)貼給司機(jī)5元；若乘客的乘車距離在8-15km之間，則超出8km部分每公里補(bǔ)貼1元，8km內(nèi)里程按照原計(jì)劃補(bǔ)貼；若乘客的乘車距離在15km以上，則按照超過15km部分每公里補(bǔ)充2元（為超過單價(jià)，因?yàn)橛锌振傎M(fèi)），15km內(nèi)里程按照原計(jì)劃補(bǔ)貼，且最高單程補(bǔ)貼100元。

接下來需要制定根據(jù)出租車司機(jī)工作時(shí)長(zhǎng)進(jìn)行補(bǔ)貼的政策。為了鼓勵(lì)出租車司機(jī)每天工作更長(zhǎng)時(shí)間，緩解乘客打車難的問題，我們決定對(duì)工作時(shí)間較長(zhǎng)的出租車司機(jī)進(jìn)行補(bǔ)貼。若出租車司機(jī)工作超過3小時(shí)，則在超過3小時(shí)之后的每小時(shí)中，出租車司機(jī)都將獲得2元的補(bǔ)貼，而且每接一單出租車司機(jī)將獲得2元返現(xiàn)，該小時(shí)內(nèi)前3單乘客將獲得3元優(yōu)惠。

模型的評(píng)價(jià)

首先利用多元回歸模型分析出出租車增加相對(duì)于人口增長(zhǎng)滯后是一個(gè)突發(fā)奇想的創(chuàng)意。其次，AHP模型在處理因素相對(duì)重要性方面具有獨(dú)特的優(yōu)勢(shì)。具有系統(tǒng)性，推理邏輯嚴(yán)謹(jǐn)，可以通過對(duì)決策特性的分析較為全面地評(píng)價(jià)決策，適用于簡(jiǎn)潔的決策，所需的量化數(shù)據(jù)少。

AHP方法最大的缺點(diǎn)是只能計(jì)算出多個(gè)方案的相應(yīng)影響力權(quán)重的大小，而并不能量化計(jì)算出這個(gè)影響力的數(shù)值大小，需要與其他更多、更豐富的數(shù)學(xué)模型相結(jié)合，才能真正量化出“影響力”數(shù)值。endprint