机场情景模式下出租车司机决策策略研究

孙自强 蒋 楠 贾惠宁 刘文欣

(天津外国语大学，天津 300270)

1 研究背景、现状和方法

1.1 研究背景

出租车是一种重要的交通工具，在城市公共交通体系中占据了十分重要的一环，其与公交、地铁等公共交通相比，在便捷度、舒适度等方面，更能满足人们的需求，同时出租车行业也为社会提供了大量的就业岗位。

然而，出租车行业的发展面临一系列问题。在能源环保方面，国家大力提倡绿色出行，并且为了缓解交通拥堵问题，鼓励多使用公共交通出行，这或多或少会对出租车发展产生一定的影响。在行业规范方面，因现存管理体制相对不完善，势必存在一些问题。在社会现象方面，存在“打车难”“黑车”“拒载”等乱象，这也不利于出租车行业的健康发展。在出租车自身运营体系方面，也存在有效运力不足、供需不平衡、信息不对称等一系列问题。

在上述一系列问题的影响下，出租车司机想要努力提高收益，就需要综合考虑各方面的影响因素，做出合理决策。机场是出租车一个重要的接送客地点，所以本文以机场作为考虑情景，研究了出租车司机决策因素的影响机理，通过构建出租车司机的收益模型，为出租车司机选择合适的运行方案提供决策帮助。

1.2 研究现状

出租车行业发展历史较长，就国外的出租车行业来说，从起步至今已有百余年历史，所以对出租车行业进行研究的相关文献较多。这些文献主要研究方向有三类：第一类是对出租车行业现状进行研究，针对出租车所处时代出现的相关热点问题，进行一系列的原因分析，给出相关的解决对策，比如网约车对传统出租车运营规律带来的直接冲击以及现在出租车行业普遍存在的“打车难”“空车率高”“供需不平衡”“有效运力不足”等问题；第二类是对出租车行业的相关行业规范进行研究，涉及到政策、法律、社会、生态等各个层面，比如出租车市场准入的政策限制；第三类是对经济层面进行研究，主要是对出租车价格、服务弹性、市场供需等相关问题进行的研究。

与此同时，已有很多针对出租车相关问题的数学模型。例如其中著名的出租车市场集合模型，该模型由著名的经济学家Douglas提出，体现了城市出租车总数、出租车空车数量、乘客等待时间等相关变量的关系。但是，上述相关模型研究的问题主要是在出租车定价、出租车资源配置、降低运营成本等方面进行研究，大多是针对社会整体，进行行业优化，提高整体效率，对个体的针对性研究较少，比如缺乏针对出租车司机个人收益方面的具体研究。

1.3 研究方法

本文运用了定性分析和定量分析的研究方法，将机场作为运行情景，建立出租车司机的收益模型，对出租车司机收益决策以及影响机理进行研究。首先，考虑相关影响因素，运用线性分析法明确变量之间的关系；然后用SPSS软件进行数据分析，建立了一个出租车司机收益决策的多元回归模型，得出出租车司机收益与各个影响因素的线性关系；最后对相关因素的依赖程度进行分析，从而为出租车司机运行决策提供参考。

2 模型假设及符号说明

2.1 前提假设

(1)假设机场送客(出发)与接客(到达)通道分开的。

(2)机场在某时间段抵达的航班数量和“蓄车池”里已有的车辆数是司机可观测到的确定信息。

(3)如果乘客在下飞机后想“打车”，就要到指定的“乘车区”排队，按先后顺序乘车。

(4)机场出租车管理人员负责“分批定量”放行出租车进入“乘车区”，同时安排一定数量的乘客上车。

(5)送客到机场的出租车司机都将会面临两个选择：前往到达区排队等待载客返回市区或者直接放空返回市区拉客。

(6)如果司机选择前往到达区排队等待载客返回市区，则出租车必须到指定的“蓄车池”排队等候，依“先来后到”排队进场载客，等待时间长短取决于排队出租车和乘客的数量多少，需要付出一定的时间成本。

(7)如果司机选择直接放空返回市区拉客，出租车司机将会付出空载费用和可能损失潜在的载客收益。

2.2 模型假设

(1)出租车司机是理性的工作者，即无条件选择收益最大的方案。

(2)出租车司机一旦在A、B方案中做出选择，不得更改。

(3)蓄车池的容量为无限大，即出租车司机不会因为蓄车池容量已满而不得不返回市区拉客。

(4)不考虑天气等其他影响因素。

(5)出租车司机收入按正常打表计算，不考虑消费者额外给的小费。

(6)不考虑现实生活中的拼车情况。

3 模型的建立与求解

3.1 收益决策模型的建立

3.1.1 模型假设

(1)选择B方案的司机回到市区内不再返回机场，即一直在市区范围内拉客。

(2)假设A、B两方案计算收益的时间段相同。

3.1.2 出租车司机选择A方案的收益

(1)计费标准。

表1 计费标准

(2)选择A方案时的收益。

(1)

3.1.3 出租车司机选择B方案的收益

出租车司机选择B方案在市区载客的时间为T-tc，用s表示出租车司机选择A方案的载客行驶里程，则出租车司机选择A方案的载客时间可以表示为s/v。

则出租车司机选择B方案的收益可由载客时间和每小时平均收益求得，公式为：

(2)

3.2 模型求解

μ与机场的旅客吞吐量成正比，通过研究相关资料，可知在机场选择以出租车为交通方式的乘客占总乘客人数的15%，每辆出租车的平均载客量为2.5人。利用北京首都国际的月旅客吞吐量，则：

即：

(3)

利用式(3)计算出μ，将μ代入Wq=N×1/u，可得出租车司机在蓄车池内等待时间Wq。利用MATLAB软件对出租车行驶里程s进行随机数模拟，得到出租车行驶里程s。最后得出收益TR。

4 收益对相关因素的依赖程度分析

使用SPSS软件建立多元线性回归模型，分析出租车司机的收益TR、航班数量AQ、旅客吞吐量PQ、行驶里程TL、蓄车池出租车数量TQ的线性关系。

4.1 结果分析

4.1.1 变量输入与移除的情况

表2 变量输入与移除结果表

a.应变量：出租车司机的收益。

表2给出了变量进入回归模型或者退出模型的情况。因为模型采取的是逐步法，所以本例中显示的是依次进入模型的变量以及变量进入与剔除的判别标准。

4.1.2 模型拟合情况

表3 模型拟合情况表

表3给出了随着变量进入依次形成的3个模型的拟合情况。可以发现3个模型的可决系数都为1，所以模型的拟合程度很好。

4.1.3 方差分析

表4 方差分析表

表4给出了随着变量进入依次形成的3个模型的方差分解结果。可以发现p都为0.000。所以模型是非常显著的。

4.1.4 回归方程的系数及系数检验结果

表5 回归方程的系数及系数检验结果表

表5给出了随着变量进入依次形成的3个模型的自变量的系数。可以发现最后成型的也就是第三个模型各个自变量系数是非常显著的。

4.2 模型综述

观察结果我们分析容易发现：模型采用逐步法进行多重线性回归，以出租车司机的收益(TR)为因变量，依次以蓄车池中车的数量(N)，蓄车池中车的数量(N)和出租车司机行驶里程(TL)，蓄车池中车的数量(N)、出租车司机行驶里程(TL)和机场旅客吞吐量(PQ)分别作为自变量，也就是把蓄车池中车的数量(N)、出租车司机行驶里程(TL)和机场旅客吞吐量(PQ)依次加入模型中，从而共形成了3个模型，最终的模型是模型3，也就是以出租车司机的收益(TR)为因变量，蓄车池中车的数量(N)、出租车司机行驶里程(TL)和机场旅客吞吐量(PQ)全部作为自变量。

(1)观察结果并分析，最终模型的表达式(即模型3)为：

TR=18.300+0.652TQ+1.091TL+3.522E-6PQ

(2)观察结果分析表4，最终模型的拟合优化很好，修正的决定系数超过0.9。

(3)观察结果分析表5，模型是显著的，模型整体的p值为0.000。

(4)观察结果分析表6，模型中，常数项和三个自变量系数的显著性都小于0.05，为显著。

(5)结论：经过以上多重线性回归分析，可以发现出租车司机的收益(TR)受蓄车池中车的数量(TQ)、出租车司机行驶里程(TL)和机场旅客吞吐量(PQ)影响，其中出租车司机行驶里程(TL)和蓄车池中车的数量(TQ)影响较大，机场旅客吞吐量(PQ)影响较小。

5 结论与建议

通过研究相关数据，我们可以得到客航班计划是影响旅客动向的主要因素，在航班降落之后，出租车候车区会比较容易汇聚较多的乘客。由于乘客下飞机后需要办理一系列的手续，所以造成乘客离开机场的时间要往后推迟近一个小时左右，即可以近似的认为机场出租车客流高峰是与到港航班数量的高峰相对应的。由多元线性回归方程可得，机场旅客吞吐量(PQ)对出租车司机的收益有正向的影响。因此出租车司机可以结合到港航班数量的情况，当客流量较多时，选择留在机场等待。

蓄车池中车的数量也会影响的司机的选择，由本文所建模型可知，当蓄车池中车的数量较多时，出租车司机的等待时间较长，时间成本较高，可以通过上述模型中公式(1)和(2)来计算出两种方案的收益，从而进行合理的选择。另外，季节和特殊时段也会影响乘客的数量，进而影响出租车司机的选择，如春运期间和学生往返程期间，乘客的数量也会增加，因此在这些时间段，司机可以倾向于选择留在机场等待。