【原创】“互联网+”时代的出租车资源配置分析报告附代码数据

“互联网+”时代的出租车资源配置
摘要
针对问题一，我们建立了关于供求匹配度的综合评价体系。

首先，设计了空满载次率、空满载时长率、空满载里程率共同描述供求匹配度；然后，利用MATLAB将数据按照时空分类并计算相应指标值（具体结果见附录五）；其次，对上述指标做基于AHP和三角模糊数的权重分析，利用MATLAB求解到权重分别为0.2758,0.3271,0.3971；最后，通过Excel加权计算不同时空出租车资源的供求匹配度（具体结果见附录七），作图分析得出结论：总体为供过于求，高峰期为7点至10点、11点至15点、17点至19点，南山区变化范围明显大于罗湖区和盐田区即南山区供给情况受时间段影响更为明显，同一时间段罗湖、南山、盐田区情况大体相同，盐田区略高即盐田区出租车供给更为充足。

针对问题二，问题二要求分析补贴方案是否对“缓解打车难”有帮助。

我们从出租车司机接收到一个想打车人的发单信息时，是否愿意接单的角度出发，认为对于单次发单，在其他条件相同时，没有补贴时司机不愿接单，有补贴后司机愿意接单，打车难就得到了缓解，否则没有；对于某段时间某个区域，打车难缓解程度等于对应时间区域内，打车难缓解了的发单数占总单数的比值。

对于一次发单司机是否愿意接单，如果不接单的预期利润小于等于接单的预期利润，则司机不愿接单；反之愿意接单。

预期利润函数组是无补贴接单、无补贴不接单、有补贴接单、有补贴不接单四种情况下，预期利润关于发单时出租车与打车人的距离、打车人与目的地的距离、补贴金额、每公里车费收入、每公里油价、一天中第k个小时内的平均载客概率、一天中第k小时内的平均满载里程和一天中第k小时内的平均总里程八个参数的函数。

后三个参数可由GPS出租车轨迹数据作统计分析得到。

最终，得到一次单车难问题是否缓解的模型和判断一定时段区域内打车难缓解程度的模型。

可知，只有当补贴金额在一定范围内，才能能缓解打车难。

该范围临界值是发单时出粗车与打车人的距离、打车人与目的地的距离的函数。

针对问题三，问题三要求提供作为打车平台的补贴方案，利用问题二得到的结果，我们建立关于以解决打车难为第一目的与最小费用化的双优化模型，利用MATLAB及Excel获得不同情况下的补贴，具体结果见附录九。

关键词：供求匹配度三角模糊数接单意愿双优化模型
一、问题重述
1.1问题背景
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。

1.2问题要求
搜集相关数据解决以下问题：
(1) 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。

二、模型假设
1.假设数据真实可信；
2.假设出租车无差别，满足计算要求的同一时刻不同出租车或同一出租车不同时刻都视为一个独立事件；
3.数据中80辆出租车是随机等概率抽取的样本，可以代表整个城市的情况；
4.出租车速度呈匀加速或匀减速变化；
5.打车补贴即打车软件给出租车司机的；
p=1.5元/公里。

6. 假设出租车收费按照最新的滴滴快车的收费方式，以单价乘以里程表示，价格为
1
三、符号说明
四、问题分析
4.1问题一分析
问题一要求我们建立合理的指标，并分析不同时空出租车资源的“供求匹配”程度。

首先，对于建立合理的指标，出租车可以按照是否被使用分为空载和载客，空载表示可提供的出租车供给，载客表示市民的出租车需求。

从数量角度上设计数量指标空满载次率，空满载次率=空载率/载客率=空载数/载客数，从时间角度上设计时间指标空满载时长率，空满载时长率=空载时长/载客时长，从距离角度上设计距离指标空满载里程率，空满载里程率=空载里程/载客里程，以上三个指标均为正向指标，视作一套指标，数值大分别表示空载车数量大、空载时间长、空载里程长，均表示出租车供给水平高，供大于求。

其次，对于不同时空的讨论，我们将深圳按行政划分为六个区域（编号为b至g区），每个区域对应着不同的经纬度范围，将研究时间划分为长度为一小时的二十四个时间段（编号为[0,1）至[23,24））。

根据出租车GPS数据中经纬度将所有样本出租车按照区域分类，若不同区域的出租车数据量差异很大，选择前三个数据量大的区域（用于求比率，数据量大小均能反映供求匹配度，但数据量大能有效减少误差）。

对每一个区域，以15分钟作为一个统计单元对指标涉及数据进行统计，在一天内的每个时间段均能得到一套指标值，最后共有（区域数个数×24个时间段）套指标，即得到相同区域下不同时间段的指标值。

对上述指标值数据重新按照时间段排序，每个区域也对应着一
套指标值，同理共有（24个时间段×区域数个数）套指标。

最后，综合三项指标得到不同时空的供求匹配度。

基于AHP和三角模糊数的权重分析法，对三项指标赋权，加权计算即可得到供求匹配度。

4.2问题二分析
问题二要求分析补贴方案是否对“缓解打车难”有帮助。

本文主要分析如下：第一，本题是在“互联网+”的背景下讨论打车软件公司的补贴政策。

本文不讨论传统出租车公司的情况。

第二，经过广泛搜集资料，总结可知补贴方案有很多种，对象是使用打车软件的出租车司机，方式主要为每单补贴。

本文中补贴皆为出租车司机的每单补贴。

第三，“缓解打车难”可以从一个人单次单车的角度来看，也可以从某个时段区域整体角度来看。

第四，从某个时段区域整体角度来看时，打车难的现象可以通过一些指标，例如空驶率，用户平均等待时间等进行刻画。

但由于商业公司信息保密，无法得到补贴不同时相关数据信息。

如果只根据有补贴政策出现前后，此类指标的变化，只能做定性分析。

本文建模分析补贴怎样缓解打车难，判断是否缓解的情况。

第五，影响打车难得原因有很多，包括社会宏观因素（车太少，无车可打；打车供需匹配程度），区域交通因素（堵车、道路规划），出租车公司因素（公司与司机的利益分配；换班方案），出租车行业因素（市场化程度、行业对手竞争、打车软件使用率）、司机个人因素（收入、拒载等）、其他因素（天气、节假日）等。

难以将补贴对所有因素的直接或间接影响进行衡量，但补贴直接影响的是司机收入；而对于个人来说，打车难最直接的体现就是发单之后没有司机接单。

本文从补贴能够影响司机收入，进而增加其在相同条件下的接单意愿出发建模。

用接单与不接单的预期利润大小比较刻画接单意愿。

第五，由于打车软件的收费政策不定，通常为少量（甚至没有）起步价，费用按每公里单价/每分钟单价计价。

本文不考虑起步价，用每公里单价作为打车软件的费用收取标准。

第六，对于一定时段区域内的缓解情况，由于不存在关于不用打车软件的打车人的具体数据，本文只考虑使用用打车软件的打车人。

通过对单次发单缓解情况作统计的处理，得到对应缓解比例，从而判断该时段区域的打车难缓解程度。

4.3问题三分析
问题三要求作为打车软件平台设计合理的补贴方案。

对于合理的补贴方案，我们将解决打车难作为第一目的，其次，作为打车软件平台，应要考虑的是减少补贴费用。

这样将合理补贴方案与问题二相联系，对于解决打车难，要求对于每一个顾客来说，都能够有司机愿意来接顾客。

即一种是不存在缓解问题，不需补贴费用，以及符合问题二得出的符合缓解的判断条件。

对于补贴费用，考虑到在不同的区域以及不同的时间范围内，满载概率差别较为明显，且对于打车软件可以定位顾客所在地与目的地，司机所在地，补贴可以根据三者的具体情况进行实时的变更，故分情况进行分析有必要且可行。