基于Maple的网约车平台最优抽成比例研究

郑惠琼，董振宁，梁家鹏，李锦明

基于Maple的网约车平台最优抽成比例研究

郑惠琼，董振宁，梁家鹏，李锦明

（广东工业大学 管理学院，广东 广州 510520）

近年来，网约车平台通过不断提高自身抽成比例以获取更多收益，损害了驾驶员的利益。城市规模不同，驾驶员期望不同，如何设置合适的抽成比例让平台和驾驶员达到共赢是目前亟需解决的问题。文章利用Maple软件进行仿真实验，设计了驾驶员决策模型、平台收益模型，获取不同城市的订单数据模拟网约车平台派单、驾驶员接单的情景。通过不断改变抽成比例，探究平台收益的变化情况，得出结论：随着抽成比例变化网约车平台的总收益也不断变化，存在使得平台收益最高的最优抽成比例，且不同城市的最优抽成比例不同。

网约车；抽成比例；城市规模；Maple仿真

引言

随着当今社会信息化飞速发展，“互联网+”时代到来，打车软件在市场中倍受青睐，潜移默化地影响着城市居民的出行观念[1]。但随着市场逐渐饱和，网约车平台纷纷提高佣金抽取比例，致使驾驶员逐渐流走，平台亏损。而且网约车平台抽成比例也是根据当地城市经济水平和起步价来决定的。如苏州滴滴平台抽成25.5%，宜昌平台抽成18.5%。所以，对于网约车平台抽成比例设置以及针对不同的城市如何设置平台抽成比例仍存在疑虑。

目前对于网约车问题，前人已经有了广泛而深入的研究成果。陈睿、陈修素[2]分析了城市交通中乘车难的现状及主要原因，提出了基于打车软件服务平台的各种补贴方案解决乘车难问题。平怀君[3]提出网约车价格规制是市场及政府对市场产物的一种约束，能监管网约车，防止市场失灵。张英英[4]比较研究不同网约车平台企业的定价目标和定价策略，并以市场份额最大化和利润最大化的视角研究其定价行为。李豫姣[5]对网约车规制政策仿真与定价决策优化进行了研究。利用Vensim仿真软件构建规制政策的仿真模型，建立了网约车与出租车的Bertrand博弈定价模型。目前以上研究虽然都围绕着网约车市场现存问题、监管问题、定价问题及仿真实验等进行了研究，但都没有涉及到网约车平台定价方面具体的抽成比例问题、抽成比例下网约车平台利益最大化问题及不同城市网约车平台抽成策略问题。

本研究将以滴滴出行网约车平台的数据以及驾驶员工作习惯模式作为模型的基础，利用Maple软件进行仿真实验，模拟网约车平台派单以及驾驶员接单的过程，通过不断变化抽成比例研究驾驶员接单工作的规律及平台收益的变化，得出使网约车平台收益最大化地抽成比例，再通过不同城市规模的最优抽成比例对比，探究在不同城市规模对平台最优抽成比例的影响。希望能为网约车平台的抽成比例跨地域设置策略提供参考，为网约车其他问题的研究提供一定的基础，拓展一定的思路。

1 理论模型的构建

1.1 驾驶员决策理论模型构建

1.1.1影响驾驶员决策的因素

在驾驶员的工作决策过程中，驾驶员会考虑该笔订单价格、平台抽成比例、车辆燃油费用、维护费用等因素，这些因素会影响驾驶员的实际收益。通过将实际收益与驾驶员的期望收益进行比较，来决定第二天是否继续工作。据此原理，来构建驾驶员是否工作的决策理论模型。驾驶员决定是否工作的影响因素构成如表1所示。

表1 驾驶员决策因素

影响因素符号单位说明 当天接单数量n个设每个驾驶员每天工作6个小时，平均车速为40 km/h，可得出驾驶员一天可跑的里程数，当天的接单数量的总里程也应在240 km内 订单价格R元乘客每单支付的费用 抽成比例α 平台对于每个订单收入的佣金抽成比 车辆运营成本C1 +C2元/km平均公里燃油费用为C1，平均公里维护费用为C2 订单里程数Lkm乘客上车点到乘客下车点所需的里程数

1.1.2驾驶员决策理论模型

网约车平台市场需求具有双边市场特征，双边用户一方的驾驶员存在个人效用满足感受。在这里我们将当天所有订单产生的个人效用之和称为“当天效用”。当天效用是驾驶员决定是否继续工作的重要依据，当天效用能够满足驾驶员的预期效用时，驾驶员第二天会选择继续工作；若小于预期效用，则第二天会有一定几率放弃继续工作。

其中为驾驶员当天的总收益，R为第单的收入，α为第次实验的订单抽成比例，1为平均公里燃油费用，2为平均公里维护费用，L为第单里程数，为当天接单数量。

1.2 平台收益理论模型构建

1.2.1平台介绍

网约车平台是网络预约出租汽车经营服务的互联网平台，通过接入符合条件的车辆和驾驶员，整合供需信息，并为乘客提供非巡游的预约出租汽车服务，在经营活动的基础上，平台提供路线规划、客户评价以及预计到达时间、实时位置查询等功能。平台通过收取一定比例的订单佣金来达到盈利目的，通过拼车折扣或者优惠券红包等营销手段来吸引顾客，保障平台的订单流量。

平台运作流程简单来说就是平台派单、驾驶员决策、完成订单的一个循环过程。首先，顾客和驾驶员需要通过线上网约车平台进行注册，顾客在平台上发送出行需求，平台整理需求信息并形成订单。然后，平台统计附近车辆信息，根据驾驶员是否空车以及顾客上车点与驾驶员的距离就近分配订单，驾驶员自愿接受订单，并按照合理路线执行订单。期间，平台对交易中的订单进行实时监控与费用计算。最后，订单完成时平台向顾客收取订单费用，根据订单费用按一定比例进行佣金抽成，再将剩余费用结算给驾驶员。平台运作流程如图1所示。

图1 平台运作流程

1.2.2影响平台收益的因素

平台的收入主要来源为订单抽成，具体影响平台收益的因素如下表2所示。

表2 平台收益影响因素

影响因素符号单位说明 订单收费ri元平台单天第i单的收费 抽成比例α 平台每个订单收入的佣金抽成比 单天订单量m个平台单天全体驾驶员完成的订单总量 新增驾驶员数量Qd个单天新入驻平台的新驾驶员数量

1.2.3平台收益理论模型

在这里平台的收益取决于订单收入，同时平台订单抽成比例的设置也是影响各平台收益的重要因素，平台的收益模型如下所示。

其中为平台一天的收益。r为平台当天第单的收费，为订单抽成比例，为平台单天的订单量。

2 实验数据及参数准备

图2 各城市订单行程时间分布

本研究选择北京、成都、海口三个不同城市规模的城市进行实验。我们通过滴滴出行得到这三个城市的订单数据，并且对各城市的网约车订单行程时间进行了整理。通过应用实际生活中的订单数据，模拟真实的平台派单环境，减少因订单数据对实验所造成的影响。各城市的网约车订单行程时间分布如图2所示。

为了突出城市之间的差异性，方便实验的顺利进行，我们对三个城市的订单总量、驾驶员数量、驾驶员预期收益、订单价格系数进行设置，如表3所示。其中，订单总量为平台每天的接单量，订单价格系数为各城市与北京市的订单价格之比。

表3 订单参数设置

参数城市订单数量（个）驾驶员数量（个）驾驶员预期收益（元）订单价格系数 北京2 0001003001 成都1 500752500.9 海口1 000502000.8

3 Maple模型的构建

3.1 设置驾驶员

我们以500天为运行周期，建立一个足够大的驾驶员矩阵，以此记录这500天中每天的驾驶员数量，同时将第一天驾驶员的数量设置为100个。

图3 设置驾驶员

3.2 订单库的构建

先按照上述订单行程时间规律生成2 000个真实订单。同时，为了模拟实际情况中驾驶员所获订单数量不一的情形，我们再生成2 000个订单行程时间为0的虚拟订单，即空单。最后，我们将虚拟订单和真实订单打乱，形成订单库，如图4所示。

图4 订单库建立

3.3 分配订单

按照现实情况在模型中将驾驶员每天的工作时间设置为6个小时即360分钟。同时，再规定分配给司机的订单的总行程时间不得超过360分钟。

3.4 计算驾驶员收入

将抽成比例设置为0.275，车辆平均公里燃油费用1设置为0.55元/公里，平均公里维护费用2设置为0.2元/公里，车辆行驶速度设置为40 km/h，然后可以计算出每个订单的路程。接着我们按照网约车平台普遍的收费规律，即以1.8元/公里+0.5元/分钟计算出每个订单的价格，在这里我们根据不同的城市还需要乘以订单价格系数，即可求出每位驾驶员的收入。

图6 计算驾驶员收入

3.5 判断驾驶员是否工作

将驾驶员预期效用设置为300元，若低于300元则驾驶员第二天会放弃工作。

图7 判断驾驶员是否工作

3.6 计算驾驶员数量

由于第一天有部分驾驶员的收入没有达到预期效用，因此第二天会有部分驾驶员有一定概率不工作，我们将每个驾驶员第二天不工作的概率都设置为80%，即没有达到预期收益的驾驶员仍有20%的概率选择第二天继续工作。但是我们也假设每天都会新增0～6个驾驶员，由此可以计算总新增的驾驶员数量，也可以计算出第二天的驾驶员数量。

图8 计算驾驶员数量

3.7 计算平台收益

先算出每个驾驶员一天所负责订单的总金额，再求和得到平台一天所有订单的金额，最后乘以抽成比例即可求出平台一天的总收益。

图9 计算平台总收益

4 实验结果及分析

利用北京市的网约车订单数据按照第四章的模型构建方法进行实验。为了判断北京市网约车平台最优抽成比例所处的大概区间，以0.1为间隔，分别以0.1,0.2,0.3,…,0.8,0.9为抽成比例进行500天实验，并分别计算出平台的总收益，如图10所示。每个圆点代表网约车平台在该抽成比例下运营500天的总收益。可以看出，抽成比例在0到0.2之间逐渐递增，0.2后逐渐递减。网约车平台最优抽成比例在0.1到0.3之间，抽成比例大于0.3后平台收益接近于0，原因是驾驶员的流失，导致平台没有收入产生，具体如图11所示。

图10 北京市网约车平台收益变化情况（1）

图11 北京市司机数量变化情况

接着我们将0.1到0.3区间继续进行细分，以求出最优抽成比例所在点，发现最优抽成比例再0.15～0.25间，具体如图12所示。

图12 北京市网约车平台收益变化情况（2）

再以0.01为间隔在0.15～0.25进行实验，实验结果如图13所示。可以看到抽成比例为0.2时，网约车平台的总收益最大，为5 271 540.88元。

图13 北京市网约车平台收益变化情况（3）

表4 北京市网约车平台收益变化情况

抽成比例平台总收益/元 0.154 207 165.44 0.164 454 353.056 0.174 661 393.999 0.184 857 190.02 0.195 098 858.62 0.25 271 540.88 0.215 258 518.88 0.225 215 387.16 0.235 211 477.16 0.244 849 290.12 0.2533 106.225

按照相同的方法，对成都以及海口的平台最优比例进行了实验，结果如表所示。可以看出，成都的最优抽成比例为0.21，平台总收益为3 856 196.012元；海口的最优抽成比例为0.22，平台总收益为1 022 342.763元。

以北京、海口及成都三个不同规模的城市订单数据进行网约车平台运营实验，实验表明：三个城市的网约车平台都存在着最优的抽成比例，该抽成比例可以使驾驶员数量与订单总量达到平衡，平台的订单总收入最大化。而且，不同城市的网约车平台最优抽成比例存在差异。

表5 各城市最优抽成比例及平台总收益

北京成都海口 最优抽成比例0.20.210.22 平台总收益/元5 271 540.883 856 196.0121 022 342.763

抽成比例与平台总收益的关系如图14所示。

图14 抽成比例与平台总收益变化趋势

根据实验结果，不同城市的网约车平台最优抽成比例存在差异的主要原因是驾驶员期望收益不一样。较发达的城市生活节奏快，人均工资水平更高，对于出行更偏向于便利性更高的网约车，同时，驾驶员的接单数量也相应较多，导致平台总收益较高。

同时城市经济发达程度不一样，导致经济较为发达的城市，物价高，人工成本高，因此驾驶员对预期期望收益也相对较高，一旦平台的抽成比例设置过高，会减少驾驶员的收入，影响驾驶员的工作积极性，这也解释了为什么规模比较大的城市平台收入出现的拐点更早一点，原因就是驾驶员的预期收益较高，最终体现出来的就是网约车平台的最优抽成比例低。

5 对策建议

（1）网约车平台应针对驾驶员的期望收益以及订单金额分布情况，合理设置抽成比例。既能保证平台的收益，又能避免因抽成比例过高而使驾驶员大量流失，导致订单成交率降低，最终影响平台的总收益。

（2）网约车平台的抽成比例应针对不同城市规模而区分化。城市规模的不同，包括城市面积、经济水平、人口密度甚至消费心理皆有所差异，而这些差异因素会影响着消费者的下单意愿，亦影响着网约车驾驶员预期收入的高低。

如城市规模较大的城市相对而言驾驶员的预期收入也会较高，所以对于抽成比例的设置较为敏感，且消费者对于打车的需求更为频繁密集，网约车平台的订单数量较多，因此网约车平台应降低抽成比例以提高驾驶员收入，保证订单完成率，最终提高平台总收益；当城市规模较小时，消费者消费能力较弱，城市生活水平较低，驾驶员期望收入也相对较低，因此平台可适当提高抽成比例以保证收益。

6 总结

在网约车市场竞争激烈的环境下，网约车平台抽成比例设置成为影响驾驶员收入以及平台收益的一个重要因素。本文以网约车平台抽成比例为切入点，探究是否存在使网约车平台收益最大化的最优抽成比例，不同城市网约车平台的最优抽成比例是否存在差异。本文首先以0.1为抽成比例设置间隔，再将搜索范围缩为0.05，最后缩成0.01，模拟500天进行实验。实验结果表明，北京市的最优抽成比例为0.2，成都为0.21，海口为0.22。存在使网约车平台收益最大的抽成比例，但是不同规模城市大小网约车平台的最佳抽成比例不同。这一实验策略对于其他学者进行网约车仿真求解具有较大参考意义。

同样，本文也存在不足之处：只采取了三个城市作为对比；没有考虑订单开始与结束时间以及空间分布问题；没有从实际情况考虑司机接单时间、空载距离、等待时间等因素；抽成比例的设置不够细致，比例跨度仍然较大；没有考虑消费者对于订单的影响，与真实的打车环境差异仍然很大；各参数的设置依据不足；因此得出的结果只能作为参考，得出结论应用价值有限。

[1] 焦玉洁,李黄河,孟春生,等.网约车对城市居民出行行为的影响分析[J].汽车实用技术,2017(10):248-251.

[2] 陈睿,陈修素.基于打车软件服务平台的出租车补贴的最佳方案[J].重庆工商大学学报（自然科学版）,2016,33(01):33-36.

[3] 平怀君.网约车价格规制研究[J].公路与汽运,2018(3):30-32+ 36.

[4] 张英英.网约车市场结构、差异化定价目标与平台企业定价策略的选择[D].天津:天津财经大学,2017.

[5] 李豫姣.网约车规制政策仿真与定价决策优化研究[D].天津:天津理工大学,2018.

Research on Optimal Proportion of Online Car-hailing Platform Based on Maple

ZHENG Huiqiong, DONG Zhenning, LIANG Jiapeng, LI Jinming

( School of management, Guangdong University of Technology, Guangdong Guangzhou 510520 )

In recent years, the online car-hailing platform gains more profits by continuously increasing its commission, it damages the interests of drivers. With different city sizes and different drivers' expectations, how to set the appropriate proportion of commission and consider the city size to make the platform and drivers achieve a win-win situation is an urgent problem to be solved. In this research, Maple is used to carry out the experiment, and the driver decision model and platform revenue model are designed. The order data of different cities is obtained to simulate the situation of online car-hailing platform sending orders and driver receiving orders. By constantly changing the draw proportion and exploring the changes of platform revenue, we come to the conclusion that with the change of the proportion of commission, the total revenue of the online car-hailing platform is also changing, and there is an optimal proportion of commission that makes the platform revenue the highest, and the optimal proportion of commission is different in different cities.

Online car-hailing;Commission;City size;Maple simulation

F572; F724.6

A

1671-7988(2021)24-152-06

F572；F724.6

A

1671-7988(2021)24-152-06

10.16638/j.cnki.1671-7988.2021.024.036

郑惠琼（1997—），女，就读于广东工业大学，专业：物流管理。董振宁，男，（1977—），副教授，主要研究方向：供应链管理、供应链金融。

广东工业大学大学生创新创业训练计划项目（S202011845148）。