“互联网+”时代的出租车资源配置

陈博源　郑亦斓

伴随着国民经济的迅猛发展，人们的出行量及对交通的需求也日益增加。然而社会交通资源如出租车的配置仍具有极大的提升空问，信息与数据处理技术的发展为提高资源效率提供了前所未有的可能性。

首先利用Matlab对交通数据进行多元线性回归分析，比较各种交通工具所占权重，初步推测出租车供给整体存在短缺问题，其次运用所得数据进行多向比较，尤其是通过三维图能看出打车软件进入市场后，不同时空的出租车供需比不均衡问题有了显著的改善。最后我们建立了AHP层次分析模型，尤其是比例标度法，对可能会对出租车运营产生影响的几大因素进行相关的计算，最后得出这几大因素彼此之间的重要性比较，从而分析出对出租车运营产生影响的最大因素，并且针对不同重要性的因素设计不同的补贴方案，以满足不同情况下出租车运营的需要。

短缺分析

回归分析。我们假定出行需求与人口数直接相关，而交通工具数量又极大地为需求量所影响，因此我们将北京人口数（1999-2013）作为主变量，将民用汽车拥有量、公共汽（电）车运营数和出租车运营数作为自变量，分析出租车的供应关系是否处于短缺。

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

v=北京人口数目、xl=民用汽车拥有量、x2=市辖区年末公共汽（电）车运营数、x3=市辖区年末出租汽车运营数。

可见，随着人口增长和经济发展，私家车数量的增幅远高于公用汽车和出租车。

可见私家车与出租车的长期消费都需要一定的经济条件，私家车的增长远远超过出租车，可推测出出租车的增长有一定的滞后。出租车与公共汽车的一大部分客流来源于外来人口，而公交汽车可通过密集班次或满载有效解决需求量上升的问题，而出租车平均载客数较低，增幅度不明显，有可能存在供给量不够的问题。人均收入水平的增加可能致使出租车对公共汽车的替代性增强，进而加重出租车供给短缺。

需求估计。分析供需问题先从北京市出租车需求量入手，以下是经统计平均载客量和运营时间计算出的需求量公式：

平均运营速度v=34km/h，北京市的空载率基本维持在k=40%，出租车的运营比率取b=70%，居民一年的出行次数为3099万人次，乘坐出租车的相对占比为6A%，每次乘坐的平均距离D=8kin，每车平均载客数为q=1.5。估算得北京市最佳出租车量即出租车需求量大约为N=74075辆。

可视化分析。通过苍穹数据的可视化分析，将数据用MATLAB绘制成三维图像，x轴代表时间，Y轴代表不同区域，z轴代表打车人数，可看出北京市各区域的出租車分布极为不均衡，城区的出租车供求比远大于其他区域，即意味着城区打车的难度在其他区域之上。究其原因，可能是由于城区道路过于拥堵，时长费用无法弥补出租车司机因为行驶路程有限，堵车等待时间过长而受损失。

打车软件的出现使出租车的资源配置问题有了极大的改善。一方面以互联网为依托的打车软件为信息交互提供了良好的平台，有效的降低了空载率即资源的浪费情况；另一方面打车软件有强制接单的政策，极大地缓解了北京地区的“打车难”问题。

补贴设计

AHP分析。经过对出租车运营情况的数据分析，我们发现有以下几点因素对出租车运营影响较大，分别为：P1乘车人乘车距离、P2出租车工作时间的长短、P3出租车司机工作的时间、P4出租车乘客的评价。我们利用相关运筹学理论——AHP层次分析法，将与决策总是有关的元素进行分解，并在此基础之上进行定性和定量分析。底层为P1、P2、P3、P4，上层是C1工作时间、C2载客路程、C3评价，顶层为最优配置。

运用AHP中常用的比例标度法，根据网上的相关数据，我们可以得出结论：定义第i个因素和第1个因素的重要性之比为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。根据比例标度法的相关规定，我们可以得出结论：在重要性方面，C2因素比C1因素稍重要，C2因素比C3因素极端重要，C1因素比C3明显重要。故，C2载客路程对于出租车运营情况的影响来最大。

经过相关matlab的处理，可以得到以下结果：CR=0.0251，CI=0.0145满足一致性。假设：WC1=[0 0.7 0.30]、WC2=[0.80，10.10]、WC3=[0.001]、W=[0.3662 0.9265 0.0868]

得到四个方面对目标函数的影响权重分别为：0.7412、0V3490、0.2025、0.0860

通过以上相关数据可以了解到，P1按距离补贴对于打车影响程度最大，其次为P2按工作时间长短补、P3按何时工作补贴，影响最小的因素为P4按客户评价补贴。经过以上分析，我们可以根据每个因素不同的重要程度，设计出一套多种补助方式结合、更加完善的补助方案。首先，根据上述的影响权重可以看出，对出租车运营情况影响最大是打车距离，其次是工作时间长短以及何时工作，最小的是客户评价。所以，在补贴方案之中，占据最重要地位的是用户的打车距离因素，这要求我们区分用户打车距离来进行相应补贴，并且该补贴应该占整个补贴中最重要的部分。

最优方案设计。根据相关数据表明，北京市出租车单程平均距离为8km。因此，若乘客的乘车距离低于平均距离，则只补贴给司机5元；若乘客的乘车距离在8-15km之间，则超出8km部分每公里补贴1元，8km内里程按照原计划补贴；若乘客的乘车距离在15km以上，则按照超过15km部分每公里补充2元（为超过单价，因为有空驶费），15km内里程按照原计划补贴，且最高单程补贴100元。

接下来需要制定根据出租车司机工作时长进行补贴的政策。为了鼓励出租车司机每天工作更长时间，缓解乘客打车难的问题，我们决定对工作时间较长的出租车司机进行补贴。若出租车司机工作超过3小时，则在超过3小时之后的每小时中，出租车司机都将获得2元的补贴，而且每接一单出租车司机将获得2元返现，该小时内前3单乘客将获得3元优惠。

模型的评价

首先利用多元回归模型分析出出租车增加相对于人口增长滞后是一个突发奇想的创意。其次，AHP模型在处理因素相对重要性方面具有独特的优势。具有系统性，推理逻辑严谨，可以通过对决策特性的分析较为全面地评价决策，适用于简洁的决策，所需的量化数据少。

AHP方法最大的缺点是只能计算出多个方案的相应影响力权重的大小，而并不能量化计算出这个影响力的数值大小，需要与其他更多、更丰富的数学模型相结合，才能真正量化出“影响力”数值。endprint