出租车供求匹配度_范文大全

出租车供求匹配度

【范文精选】出租车供求匹配度

【范文大全】出租车供求匹配度

【专家解析】出租车供求匹配度

【优秀范文】出租车供求匹配度

范文一:数模论文出租车供求匹配 投稿:胡荎荏

“互联网+”时代的出租车资源配置

摘要

“互联网+”时代的到来不断冲击着我们原有的生活方式,身在茅庐中却晓天下事已不再独属圣人风姿,而就是在这样一个信息高速流通的时代,我们的现实生活却步履难行,打车难成为市民出门遇到的普遍问题。在这样的背景下,“互联网+”又将于出行打车映射出怎样的情景?本文就此问题进行简要讨论。 对于问题一,如何确定合理的指标,首先根据相关资料提出不同假设找寻各种指标,然后运用变量聚类法对我们提出的不同指标进行分析匹配,进而建立合理指标。并根据此指标对不同时空出租车资源的供求匹配进行认定。

对于问题二,分析各公司的补贴方案所能产生的结果,根据实际情况对打车群体进行分类讨论。传统打车群体依然采用问题一的分析思路进行判别,具体数据重新整理;对于网络打车群体则采用新指标单独讨论。但主体思路都为对比分析。

对于问题三,通过对已有公司相关补贴方案与打车难易度的匹配分析,得出补贴方案的与打车难易度呈线性相关,据此确定三套不同的补贴周期方案。对于方案的最优选择,主要考虑成本以及收效,次收效并非直观利益,而是用户消费群体以及最热路线,人流集散点等潜在价值。通过对这几项因素的分析最终确定最优方案。

关键词:相关分析变量聚类法 优化分析 对比分析 分类讨论 线性相关

一、 问题重述

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。

请同学们搜集相关数据,建立数学模型研究如下问题:

(1) 试建立合理的指标,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、 问题分析

(一)

针对问题一

第一步:要建立合理的指标,首先查阅相关资料提出各种可能的指标,并通过网络查询所需指标的相关数据。

第二步:首先对所搜集的指标数据进行归一化消除量纲所带来的影响,然后利用SPSS对其进行聚类,通过变量聚类分析法确定出主要指标,此及合理指标,通过因子分析法对各个指标确定权重系数。

第三步:然后对搜集的不同时空的相关指标数据加权求和,此值即代表该地区该年限出租车资源的“供求匹配”程度。 (二)

针对问题二

分析各公司的出租车补贴方案是否对“缓解打车难”有帮助?

即可转化为对补贴方案实施的前后相关地区出租车资源“供求匹配”情况的对比。因受补贴方案的影响外出打车呈现出两种形态,传统打车和网络打车。对于两种不同的打车群体采取分类讨论的形式:

对于传统打车采取问题一的处理方式及:确定指标,确定权重,加权分析。 但因补贴法案的介入,故对指标和数据进行重新整合认定与未有补贴方案前形成对比组,依此产生论据。

而对与网络打车群体则确定新一项直观指标:下单至接单时差。对于该指标的选取下文有详细阐述。对于此指标通过网络平台搜寻大量数据,对此数据进行

时间轴分析依此进行判别。 (三)

针对问题三

对于创建一个新的打车服务平台,该设计什么样的补贴方案问题。首先查询行业前辈的相关经历,根据对前辈行业的分析得出所需的参考点,再结合自身的需求,进而确定方案。

在此主要对快的打车进行分析,进而确定三套以不同时间周期为基准的补贴方案。

对于从不同方案中选取最优方案,主要考虑成本因素以及客户群体吸引度,

三、 模型假设

1.假设网上所收集数据均真实可靠; 2.假设不存在拒载和乱收费情况;

3.假设不考虑因城区建设而导致的道路拥堵情况;

四、定义符号与说明

𝑋𝑖„„„„„„„„„„„„„„„„„„„„„„„表示不同城市的代码 𝑌𝑗„„„„„„„„„„„„„„„„„„„„„„„„„„表示不同指标 𝑍𝑖𝑗„„„„„„„„„„„„„„„„„„„„„表示某一城市的某一指标 𝑊𝑖„„„„„„„„„„„„„„„„„„„„„表示该成市打车难度系数 𝐻𝑖„„„„„„„„„„„„„„„„表示某一城市的出租车供求匹配程度值 ℎ𝑖„„„„„„„„„„„„„表示某一城市的出租车供求匹配程度值的变化 𝐺𝑗„„„„„„„„„„„„„„„„„„„„„„„„表示某一指标的权重 𝑓𝑖𝑗„„„„„„„„„„„„„„„„„„„„表示某地某时下单接单时间差

五、模型的建立与求解

(一)

针对问题一

1) 模型建立的准备 1.1变量聚类分析法的引入

在系统分析或参考指标的确立过程中,为避免重要因素的遗漏,通常在最初的指标选取时,就尽可能多的考虑相关因素。如此而来就不可避免的造成变量

过多变量关系不明确等多种不便。而变量聚类分析法就是将按照各变量之间的相似度对其进行聚类,进而找到影像系统的主要因素。

1.2变量聚类法介绍

2.1对变量的聚类分析首先要确定变量的相似性度量,常用的变量相似性度量有两种。 相关系数

记变量𝑥𝑗的取值(𝑥1𝑗,𝑥2𝑗,„,𝑥𝑛𝑗)𝑇∈𝑅𝑛(j=1,2,„,m)。则可以用变量𝑥𝑗与𝑥𝑘的样本相关系数作为它们的相似性度量 𝑟𝑗𝑘=

𝑛𝑛 𝑥𝑖𝑗−𝑥 𝑗 𝑥𝑖𝑘−𝑥 𝑘

2

2 𝑥𝑖𝑗−𝑥 𝑗 𝑛𝑖=1𝑥𝑖𝑘 𝑖=1

夹角余弦

或直接利用两变量x与k的夹角余弦来定义它们的相似性度量,有 𝑟𝑗𝑘=

𝑛

𝑛𝑥𝑖𝑗𝑥𝑖𝑘

𝑛

2 𝑥𝑖𝑗𝑥2 𝑖=1𝑖𝑘𝑖=1

定义的相似度量均需具有以下两个性质:

a)|𝑟𝑗𝑘|≤1对于一切j,k;b)𝑟𝑗𝑘=𝑟𝑘𝑗,对于一切j,k。

|r𝒋𝒌|越接近1,𝑥𝑗与𝑥𝑘越相关或越相似。|𝑟𝑗𝑘|越接近0。𝑥𝑗与𝑥𝑘的相似性越弱。

2.2在变量聚类问题中,常用的有最长距离法、最短距离发等。 最长距离法

在最长距离法中,定义两类变量的距离为 R 𝐺1,𝐺2 =max𝑥𝑗∈𝐺1{𝑑𝑗𝑘},

𝑥𝑘∈𝐺2

22

其中𝑑𝑗𝑘=1−|𝑟𝑗𝑘|或𝑑𝑗𝑘=1−𝑟𝑗𝑘,这时R(𝐺1,𝐺2)与两类中相似性最小的两

变量间的相似性度量值有关。

最短距离法

在最短距离法中,定义两类变量的距离为 R 𝐺1,𝐺2 =min𝑥𝑗∈𝐺1{𝑑𝑗𝑘},

𝑥𝑘∈𝐺2

22

其中𝑑𝑗𝑘=1−|𝑟𝑗𝑘|或𝑑𝑗𝑘=1−𝑟𝑗𝑘,这时R(𝐺1,𝐺2)与两类中相似性最大的两

变量间的相似性度量值有关。

2.1因子分析法的引入

因子分析的功能是将原始多个指标综合成较少的指标,这些较少的指标能够反映原始指标的绝大部分信息,综合后的指标之间没有显著相关性。在此我们并不采用综合后的因子,而只选取构成主因子的指标系数作为权重。

2.2因子分析的数学模型

数学模型(xi为标准化的原始变量;𝐹𝑖为因子变量;k

x1a11f1a12f2a13f3a1kfk1

x2a21f1a22f2a23f3a2kfk2

x3a31f1a32f2a33f3a3kfk3xpap1f1ap2f2ap3f3apkfkp

也可以用矩阵的形式表示为:X=AF+

F:因子变量; A:因子载荷阵; 𝑎𝑖𝑗:因子载荷; :特殊因子 对于原有变量是否适合作因子分析,计算原有变量的相关系数矩阵,一般小于0.3就不适合作因子分析。

确定因子变量——主成分分析 主成分分析法的数学模型

y111x112x213x31pxp

y221x122x223x32pxp

y331x132x223x33pxp

ypp1x1p2x2p3x3ppxp

将原有的P个相关变量𝑋𝑖作线性变换后转成另一组不相关的变量𝑌𝑖,该方程组要求:

222i2(i1,2,3p)1i2i3ip1

,系数𝑈ij依照两个原则来确定;

yi与yj(ij,i,j=1,2,3,,p)互不相关;

y1是与x1,x2,x3,,xp的一切线性组合(系数满足上述方程组)中方差最大

yx,x,x,,xp

的;y2是与y1不相关的123的一切线性组合中方差次大的;p是与y1,y2,y3,yp都不相关的的x1,x2,x3,,xp的一切线性组合中方差最小的;y1在总方差中所占比例最大,它综合原有变量的能力最强,其余变量在总方差中所占比例依次递减,即其余变量综合原有变量的能力依次减弱。

确定K个因子变量

根据特征值𝜆𝑖确定:取特征值大于1的特征根;从累计贡献率来判断一般累计贡献率应在90%以上;

因子得分是因子变量构成的核心成分。即将因子变量表述为原有变量的线性组合。而因子得分也可看作各变量值的权数表示方程为:

𝐹𝑖𝑗=𝑤𝑗1𝑥1𝑖+𝑤𝑗2𝑥2𝑖+𝑤𝑗3𝑥3𝑖+⋯+𝑤𝑗𝑝𝑥𝑝𝑖(𝑗=1,2,3,…𝑘) 2) 指标的建立和数据的处理

通过网络查询相关资料,对出租车资源的供求匹配有三大指标分别为:里程利用率,车辆满载率,万人拥有量(1)。而根据其他线索我们列举的指标还有出租车城区密度,十公里费用,人均收入,公交车总量,出租车总量,城市GDP总量。

针对选取各指标的简要概述:

里程利用率(w):指营业里程(k)与行驶里程(t)之比,一般以一辆车为单位,情况需要也可对某一集群集中分析。公式为:w=k/t*100%。这一指标反映车辆载客效率,如果比较高,说明车辆行驶中载客比例高,对于要车的乘客来说可共租用的车辆不多,乘客等待时间增长,说明供求关系紧张。反之则乘车方便但经营者经济效益低。

车辆满载率(r):通过在几个客流较为集中的地点进行长期观测,对单位时间通过道路的载有乘客的出租车数量(g)占总通过出租车数量(s)比。公式为:r=g/s*100%。

万人拥有量:是人均设备普指标,用来描述一定城市规模内车辆占有量。公式为:万人拥有量=车数(辆)/人口规模(万人)

以上三项指标为官方认证指标,对出租车供求匹配情况的认定有普遍价值和意义,在此不进行深入阐述。而以下指标为商讨认定,会对此简要说明。

出租车城区密度:指某一地区(城区)单位平方公里内拥有出租车数量。

此为动态数据取长期稳态值。

十公里费用:单次出行乘坐出租车十公里所需费用。乘车成本的高低从某种程度上直接决定了乘车群体的数量,如果成本过高则乘车群体将会下降,则车辆满载率和里程利用率将下降。

人均收入:人均收入的高低,决定了消费者的消费方式。人均收入高则打车人群增加则加剧供求比配紧张度,反之则降低难度。

公交车总量:该指标的高低意味着乘车人群有更多的选择其他交通方式的机会。

3) 数据收集与分析

我们搜集到同一年不同地区的各类指标如下(详情见附件):

„„

为消除数据量纲所存在的影响,将数据进行归一化处理,通过SPSS对处理后的数据进行变量聚类分析如下:

从树状图分类情况以及个各变量间近似度分析最终选取以下七种指标,分别为:出租车总量,出租车万人拥有量,里程利用率,人均月收入,出租车10公里运行成本,公交车数,城区出租车密度。运用SPSS对此七项指标进一步进行因子分析得:

旋转成份矩阵a

成份

1

出租车总量 出租车万人拥有量 里程利用率

人均月收入

2

3

出租车10公里运行 成本 公交车数 城区出租车密度 提取方法 :主成份。

该所得数值即为出租车供求匹配值,越大意味着打车越方便,由此可以对不同时空的出租车供求匹配程度进行判别。 (二) 针对问题二

1)问题的详细分析

要分析各公司出租车补贴方案是否对缓解打车难有帮助,及需对补贴方案出现的前后打车情况进行分析,而针对互联网打车市场的调查我们发现在2014年一月至12月市场分配如下:

2014年3月5

2014

5月

由图不难发现该市场的主要支配者为滴滴打车和快的打车两家公司所占据, 因此我们对补贴方案的分析主要集中于这两家公司,

由表可以看出各公司的补贴方案主要为对单次乘车费用的减免,也即打车成本的下降,打车成本的下降间接地意味着打车群体的升高。下表为2014年1月10日至3月5日快的打车和滴滴打车的下载总量:

由图表可以看出互联网打车用户在不到两个月的时间内急剧攀升至近五千万的总量,因此我们对打车群体分类看待一类为传统打车群体,另一类为网络打车群体。

2)模型的建立

1、对于针对传统打车群体的分析模型

对于传统群体采取传统方法进行分析,即问题一的解决方案,总体思路依然为确定指标,确定指标权重,对数据加权,分析。因主体指标已确立故无需再次运用变量聚类分析法确立指标,但依然需要因子分析模型对指标进行重新加权认

定。因子分析模型的模型原理在问题一中已声明在此不再重述。而对于本问题的解决需要引入新的理论,及类比分析,对补贴方案植入的前后进行类比。

2、针对互联网打车用户的模型建立

针对互联网打车用户的分析上述指标已不再存在普遍意义,及需搜寻新的指标建立新的评价体系但无论哪种类型都需要对补贴方案实施的前后进行对比,也即对比分析模型

3)数据的采集与分析 1、针对传统打车群体

对数据的采集因补贴方案的介入主要影响为单次打车十公里成本,因此需对此指标数据进行处理:现单次打车十公里成本=原单次打车十公里成本—12*网络用户总量/全国城市居民总数。(14为对各公司补贴方案的折中取值,2014年全国城镇居民总数为73111万)

则处理后的数据为(其余指标见附录):

对各指标数据归一化,然后运用SPSS进行因子分析得:

旋转成份矩阵a

城区出租车密度 公交车数 人均月收入 里程利用率 出租车万人拥有量 出租车总量

成份 1

2

3

单次打车十公里成本

求出权重为

由公式𝐻𝑖= 7𝑗=1𝑍𝑖𝑗𝐺𝑗求出不同城市的出租车供求匹配值

由 1 𝑛=15

ℎ=15 𝑖=1(𝑍𝑖2−𝑍𝑖1)对表中数据进行处理 ℎ𝑖=𝑍𝑖2−𝑍𝑖1

由表中数据可以发现看出城市的该出租车供求匹配度指标与没有补贴方案时的指标相比整体下滑了,及对于传统打车群体而言打车难度上升。

2、针对互联网打车群体

打车难以与否有一直观参数为等车时间但该数据无法有效搜集而且波动性大,数据过少则误差过大无法进行有效分析。因此需要其他通过其他途径来间接反应等车时间的长短,例如里程利用率即为一间接反应指标。而本文对此的处理措施则是以网上下单接单时间差为参考指标。

选取该指标原因:

该指标尽管不能直接反应顾客等车时间,但通过该时差可以得到整个出租车群体对顾客需求的反应效率,效率越高则顾客等待时间也将随之减少。除此之外因供求双方都与网络连接,因此该数据资源也更加的完善,可信度更高。

对于此指标与出租车供求匹配度的相互关系我们初步认定为 𝐻𝑖=𝑘 𝑓𝑖𝑗,k为一正值常数

以下为全国八个城市近两年半的不同时间段里下单接单时间差的平均值:

将此数据进行简单matlab做图处理如下:

图表一

不难发现大部分城市整体呈下降走势,及下单时间在缩短,顾客等车时间减少。为进一步使数据直观理性化,对此八组数据进行拟合,拟合图像如下:

图表二

拟合函数为

f10.0144x40.3742x33.2525x28.3923x64.8111 f20.0327x40.6518x33.8568x24.1087x61.9278

f30.0125x40.2136x30.8374x22.5162x56.9556 f40.0025x40.0764x30.8266x24.3611x45.9278

f

50.0304x40.5804x33.4048x27.2677x72.5389

f60.0162x4-0.2733x31.5024x23.7081x63.5278 f70.0150x40.3650x32.7749x26.9784x39.3833 f80.0306x40.9350x38.6887x225.9791x36.3889

依据此八组函数的相关图形,以及函数关系式𝐻𝑖=𝑘 𝑓𝑖𝑗我们可以认定随着补贴方案的实施互联网打车群体的打车难度系数下降。

4)结果分析

总和此两种情况分析,得出结果为:随着补贴方案的实施传统打车方式的打车群体打车难度上升,而网络打车群体则随着补贴方案的实施打车难度下降。 (三) 针对问题三

1)模型的建立 1、模型引用

线性规划模型是一种特殊形式的数学规划模型,其目标函数和约束条件都是以待求变量的线性函数、线性等式或线性不等式的形式存在的数学规划模型。它可用于解决各种领域内的极值问题。它所解决的主要问题是怎样以有限的资源以最优的方式在各项活动中间进行分配。

2、模型介绍

数学模型的目标函数为线性函数,约束函数为线性等式或不等式时称此数学模型为线性规划模型。

1.根据影响所要达到目的的因素找到待求变量; 2.由待求变量和期望目标之间的函数关系确定目标函数;

3.由待求变量所受的限制条件确定待求变量所要满足的约束函数。 模型具有以下特点:

1、每个模型都有多个待求变量(x1,x2,x3,„„,xn)。待求变量的每一组数据都表示一种不同的方案,同时待求变量一般是非负的。

2、目标函数是决策变量的线性函数,根据问题需要可以是最大化或最小化,二者统称为最优化。

3、约束条件也是待求变量的线性函数。 2)方案的确定

首先对前辈公司进行分析。在对快的打车的相关数据以及补贴方案进行匹配分析发现,补贴方案的影响与时间呈线性相关,可参照问题二中的部分函数方程:

f10.0144x40.3742x33.2525x28.3923x64.8111 f20.0327x40.6518x33.8568x24.1087x61.9278

因补贴方案的影响与时间并非呈单一线性相关性,及关系比较复杂,因此我们将补贴方案进行拆分,划分出集中单一情况分析,对每种方案的优缺进行分析,以此为据再重组出一套新更为合理的方案。

据此分析路线确定出以下三套以不同时间周期为基的补贴方案,分别为: 第一套:每周随机发放五天,当日首单补贴金在20元左右; 第二套:每周周末发放,当日首单补贴金在20元左右; 第三套:持续发放三个月,当日首单补贴金在10元左右。

注:每一套方案代表一种模式,具体补贴金与发放周期可以有更合理安排。 3)验证方案的优越性 1.确定方案的目的

由打车软件的发展史来看,2012年3月摇摇招车上线,随后一年里有近40款打车软件诞生。而在嘀嘀打车与快的打车展开补贴大战后,打车市场快速被此两家公司占领。而在市场基本占领完毕后,两家公司不约而同的取消了补贴方案。因此可以这样认为,补贴方案的实施是为了抢占打车市场。我们可以将此指标转化为打车软件下载量。而市场持续占有率则可以通过每日下单量反应。

2对方案进行分析

首先对每套方案的成本进行分析,在此以一人一天打车一次,不同时期成本为例对单人成本进行统计,结果为:

上文提到嘀嘀打车与快的打车通过补贴大战迅速抢占市场,再次引用到问题二的分析里曾引用到的数据,2014.1~3年嘀嘀打车与快的打车的下载总量(万)为:

在此期间滴滴打车与快的打车持续补贴

有两组数据可以看出在补贴方案持续前期,用户量显著增加,但当补贴方案持续一段时间后用户增长率下降。

由此可以看出长期持续补贴并不能取得高效益,且在后期执行时成本过大。可从三种方案的五个月成本变化看出。但持续补贴却可以在短时间内吸引大量顾客,是一种开拓市场的利器。

一个方案的上市是否能够对市场持续占有也是一个分案优劣与否的评价,而对市场的持续占有则可通过每日下单量反应,以下为收集的滴滴打车与快的打车的部分数据(该数据为当月某一天的):

利用matlab对数据进行拟合处理并做图所得结果如下:

y1105(0.057x2-0.0801x1.8018)52

]y210[(0.0027)x0.0568x3.4585

52

]y310[(0.0157)x0.1095x2.0155

y105(0.0223x2-0.5838x4.0703)4

而通过网络查询相同时间域里滴滴打车和快的打车的补贴方案为:嘀嘀打车间断性补贴,而快的打车已基本停止补贴,而两者间的市场份额也由曾经的势均力敌变为3:7分成,嘀嘀七分,快的三分。由此我们可以判定间断性补贴有利于稳固市场并在此基础上进一步开拓市场。

据此分析将划分的三种简单方案进行综合处理,设计出一套新的方案为: 在平台上市初期进行一段时间的持续补贴,快速扩充市场,当市场额达到一定程度后转变补贴方案为间断随机性补贴,依此激发顾客新奇度,以达到对顾客的持续粘性。

六、模型的评价与推广

模型的评价 (一)模型的优点

问题一模型的优点:在指标的选取中尽可能使指标理性化,客观化,

从而减

少主观因素的影响,另外该模型的原理比较简单便于嫁接。

问题二模型的优点:对于一新事物的介入对原有体系的影响进行不同群体分类讨论。此方法避免了将所有事物混为一滩而在某些理论的分析时造成的矛盾现象。

问题三模型的优点:先根据不同的模型设计几套简单方案,在从中选取优异点进而组合出一套更为合理的方案。优点即为将复杂因素简单化,之后再重组。 (二)模型的缺点

问题一的模型缺点:对城市的分析只是一个模糊的整体,因城市自身交通系统,上下班高峰等而产生的影响都不曾考虑进去,因此一定程度上使判据失真。

问题二的模型缺点:对互联网打车群体的评价指标过于单一

问题三的模型缺点:模型的建立初衷挺好,但在模型的理论运算上很不完善,因此对事物的分析欠少说服力。

七、参考文献

[1] 司守奎,《数学建模算法与程序》,海军航空工程学院; [2] 姜启源,《数学建模》,北京,高等教育出版社,2003年; [3] 《运输经理世界》,运输经理世界杂志编辑部,2007年第05期;

[4] 韩中庚,《数学模型方法及其应用》,高等教育出版社,2005年9月; [5] 杨成慧,《 MATLA基础及实验教程》,北京大学出版社,2014年1月; [6]滴滴快的智能出行平台号;

八、附录

图表一 x=1:9; y1=[70.3 71.5 y2=[62.6 59.9

69.4 66.3 64.2 60.2 56.9 57.6 54.4 49.7 46.9 46.1 48.3 46.5

55.2]; 47.8];

y3=[53.5 51 46.3 43.3 42.9 43.5 41.6 42.9 42.4]; y4=[42.6 38.5 y5=[68.4 66.5

40.7 37.3 34.4 37 38.3 32.9 35.2]; 69.7 66.4 70.4 64.8 60.5 61.7

58.8];

y6=[61.7 58.3

y7=[43.5 46.6

y8=[54.7 60.3 60.7 61.5 57 55.8 57.7 56.3 58.5]; 41.8 43.5 40.3 42.7 39.6 43.7 58.7 54.9 43.5 46.4 35.6 43.8 45]; 47]; plot(x,y1,x,y2,x,y3,x,y4,x,y5,x,y6,x,y7,x,y8)

legend('y1','y2','y3','y4','y5','y6','y7','y8')

title('全国八大城市2013至2015下单接单时间差');

grid on

图表二

clear

clc

x=1:9;

%y=[70.3 71.5

%y=[62.6 59.9 69.4 66.3 64.2 60.2 56.9 57.6 54.4 49.7 46.9 46.1 48.3 46.5 55.2]; 47.8]; %y=[53.5 51 46.3 43.3 42.9 43.5 41.6 42.9 42.4]; %y=[42.6 38.5

%y=[68.4 66.5

%y=[61.7 58.3

%y=[43.5 46.6

y=[54.7

figure(8)

plot(x,y)

f=polyfit(x,y,4)

21

40.7 37.3 34.4 37 38.3 32.9 35.2]; 69.7 66.4 70.4 64.8 60.5 61.7 58.8]; 60.7 61.5 57 55.8 57.7 56.3 58.5]; 41.8 43.5 40.3 42.7 39.6 43.7 58.7 54.9 43.5 46.4 35.6 43.8 45]; 47]; 60.3

xx=1:9;

yy=polyval(f,xx);

plot(xx,yy,x,y,'o')

title('成都2013至2015下单接单时间差'); grid on

hold on

22

范文二:出租车供求匹配系数 投稿:夏燮燯

指标 道路网密度 (KM/KM)

权重

0.1

出租车万人拥有 量(辆/万人)

0.1

出租车公交出行 结构比重

0.1

里程利用率

0.2

出租车空载率

0.2

乘客等车时间 (min)

0.3

指标值 7-9 6-7 5-6 4-5 0-4 0-10 10-20 20-30 30-40 >40 0.0-0.05 0.05-0.1 0.1-0.2 0.2-0.3 0.3-0.8 >0.8 0.7-0.8 10

功效系数 1.0 0.8 0.7 0.6 0.5 0.5 0.7 1.0 0.7 0.5 0.5 0.7 1.0 0.7 0.5 1 0.7 0.5 0.5 0.4 1.0 0.7 0.5 1 0.8 0.7 0.6 0.5

范文三:互联网+-时代出租车供求匹配程度的评价 投稿:邓毪毫

第38卷 第2期2016年04月

河北联合大学学报(自然科学版)

JournalofHebeiUnitedUniversity(NaturalScienceEdition)

Vol38 No2Apr.2016

文章编号:2095-2716(2016)02-0117-04

“互联网+”时代出租车供求匹配程度的评价

周勇君1,蒋迪1,祝源1,杜丽萍2

(华北理工大学数学建模创新实验室,河北唐山063009;华北理工大学理学院,河北唐山063009)1.2.

关键词:打车软件;供求匹配;运营规模;遗传算法

摘 要:针对“互联网+”时代出租车资源“供求匹配”程度问题,基于空载和实载2个指标的特

征,建立了不同时空出租车运营平衡模型。针对运营平衡模型的结构特点,将其转化为最优化问题,利用遗传算法进行求解,反映出了出租车规模、出租车在各交通区域的平均搜索时间和各交通区乘客的等待时间的关系。最后,以北京市为例,对模型进行检验,分析结果表明,该模型与算法具有有效性和可行性,有效地分析了北京市出租车的供求匹配程度。

+中图分类号:U492.434 文献标识码:A

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,多家公司依托移动互联网建立了打车软件服务平台,乘客只需在安装了打车软件的移动端上发布打车信息,出租车通过该软件可查看到区域内所有具有打车需求乘客的位置及打车信息,实现了乘客与出租车司机之间的信息互通,这完全区别于传统出租车驾驶人凭个人经验来搜索乘客的行为。打车软件使得乘客的需求与出租车的供给相对透明,提高乘客打车成功率,降低驾驶人空驶距离,因而对公共交通具有十分重要意义,也有利于提高出租车与乘客的供求匹配度。本文通过调查出租车叫车状况及消费者的满意程度,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。

1打车软件对搜索行为的影响分析

打车软件使驾驶人能明确区域内需求分布,不再凭借主观意识搜索乘客,选择方式改变。为此,本文基其出行起终点服从于打车软件对搜索行为的改变建立模型。对出租车行驶形式分为载客与空驶2种状态,

1]

于乘客的OD出行需求[。由于明确乘客需求的分布情况,根据调查,驾驶人不在试图“最短时间内到最有可能存在最大需求的地方”,而是遵循“最短时间内到达有需求的地方”的原则。如图1所示,空载出租车在

假设距离较近的B区有1名乘客,A地决定前往某个地区进行搜索行为,C、D、E处分别有10、20、30名乘客,此时驾驶人为了降低空驶距离,较可能选择距离较近且存在乘客的B区,并与该乘客达成意向,通过最

短路径直接驶往该乘客处,该搜索路线为A→B

图1出租车搜索路径选择

收稿日期:2015-12-04 修回日期:2016-03-18

不考虑驾驶人选择继续在j区选择乘客,即i≠j。为了量化这一选择  假设驾驶人在j区完成服务后,

假设驾驶人选择行为的随机性满足二重指数分布,在j区的空驶出租车选择存在需求的i区的概率行为,

Pji为

ejiωi               Pji=-t+

ejkωk)∑k∈I

-(t+)

(1)

式中ωi为在i区内部达到乘客处所需的平均时间,即出租车的平均搜索时间。

2供求匹配模型的建立

2.1 供求关系守恒分析

假设路网G(,其中V为交通区域集,V,A)A为有向路段集,i和j分别为乘客出发区域集和到达区域集。i,载客车辆从除区外的i区到达j区,以满足目的地为j区的需求,并在jjV。在供需平衡状态下,区转变为空驶状态,即

               i∑IDij=Dj

(2)

式中Dij为从i区出发到达j区产生的载客需求量;Dj为j区产生的空驶交通量。

载客车辆在j区完成运输转变为空驶,再从j区通过打车软件搜索到乘客,在空驶状态下,以概率Pji驶向下一个i区并接到乘客,则出租车从j区到i区的空驶交通量qvji为

               qji=DjPji=i∑IDijPji

(3)

不考虑出租车在一个区域停留的情况,达到某区后随即进行下一轮搜索并离去,某区域对出租车的吸引量等于该区域出行的产生量,即出租车以最短路径从j区以空驶状态达到i区,并在该i区转变为载客状即态。从j区到达i区的空驶车辆之和为i区出行总量,

              Oi=∑∑DijPjiqji=∑JJiI

j∈

j∈

(4)

2.2 运营时间守恒分析

出租车总运营时间为总载客时间及总空驶时间,总载客时间q0可表示为              q=∑∑Dijtji

iIJ

∈j∈

(5)(6)(7)(8)

总空驶时间可表示为

vv

              q=∑∑(ωi)qjitji+iIJ

∈j∈

因此出租车的总运用时间可表示为

0vv           q+q=q=∑∑Dijtij+∑∑(ωi)qjitji+iIJiIJ

∈j∈

∈j∈

在固定时间内,如以1h为统计时间,根据运营时间守恒,则有                 q=N式中N为出租车规模,即研究范围内出租车总运营车辆数。2.3 供求匹配模型的建立

联立式(与式(得到平衡状态下使用打车软件进行搜索乘客的出租车运营匹配平衡模型,即4)8)∑DijPji=Oi∑qji=∑

j∈Jj∈Ji∈I

             v

=N∑∑Dijtij+∑∑(ωi)qjitji+i∈Ij∈Ji∈Ij∈J并且数量等于出发区域数。

(9)

由式(可知,在既定的路网条件及出租车需求下,该模型变量为出租车在各区域的平均搜索时间ωi,9)

2.4 乘客平均等待时间的确定

乘客的等待时间应从与驾驶人约定开始直到出租车抵达乘客处结束。对出租车而言,从j区到达i区的平均行程时间以及在i区的平均搜索时间之和构成了乘客的等待时间。因此i区的乘客平均等待时间为

Wi

∑tji

                  Wi=ωi+

n1-1

其中n1为交通区域数。

(10)

3供求匹配模型的求解

方程组(是一个典型多元非线性方程组,且方程组包含n1+1个方程,变量数为n1个,故该模型不存9)在唯一精确解,利用遗传算法求其解析解,将式(转化为9)

∑qji-Oi=0j∈J

           v

Dijtij+∑∑(-N=0∑∑ωi)jitji+qiIJiIJ∈j∈∈j∈设err为绝对误差值,有

(-N|          err=α|∑|∑∑Dijtij+i∑I∑ωi)qji-Oi|+qjitji+βi∈Ij∈J∈j∈Jj∈J

(11)

(12)

式中α、和式(绝对误差对总体误差的待定权重。于是模型从守恒方程组转换为伍约束4)7)β分别为式(

最优化问题,即

Dijtij+∑∑(-N|         minerr=α|∑|∑∑ωi)qji-Oi|+qjitji+βJiIJiIJ

j∈

∈j∈

∈j∈

(13)

4模型的求解与检验

以北京西城区、东城区、海淀区、丰台区、朝阳区5个区域出租车数据为基准,根据打车软件出租车实时分布统计出5个城区出租车出行需求的OD矩阵如表1所示,OD最短行程时间如表2所示。

表1 北京市的OD矩阵

区域海淀区丰台区东城区西城区朝阳区

120162170110562

168175189667

188254818

134683

677

海淀区

丰台区135

东城区155221

西城区182202165

朝阳区145177199156

Oi

6177206946896873407

Di

可确定最短行程时间,结果如表2所示。  假设驾驶人在交通区之间的路径为最短行程时间的路径,

表2 OD间最短行程时间

区域海淀区丰台区东城区西城区朝阳区

15301754

254030

4828

63

海淀区

丰台区15

东城区3025

西城区174048

朝阳区54302863

通过设定不同的出租车规模N得到不同区域的平均搜索时间,利用遗传算  根据上述5个城区的数据,

珔,法求得全局最优解,确定了每个交通区域的平均搜索时间以及5个区域的总体平均搜索时间ω其中

计算结果如表3所示。5,α=β=0.

表3 各区域平均搜索时间

7008009001000

ω1

0.48980.44350.38890.3345

ω2

0.64630.62230.56470.4189

ω3

0.75470.73210.72120.6998

ω4

0.70940.68890.65540.6324

ω5

0.44560.43320.41180.3655

珔ω

0.60910.58400.54840.4902

随着出租车规模的增加,各区域平均搜索时间呈下降趋势。利用式(计算出10)  通过对表3的分析可知,

乘客的平均等待时间,如表4所示。通过对表4的分析可知,随着出租车规模的增长,乘客的平均等待时间逐渐缩短,但降低幅度不明显,这主要是由于交通区间行程时间较长造成的。在既有路网结构下,可通过增加出租车规模来缩短乘客等待时间。

表4 各区域乘客平均等待时间

7008009001000

ω1

8.76948.25617.98547.3542

ω2

8.95328.77568.23227.4546

ω3

10.327010.11459.89779.5523

ω4

10.743010.321010.10129.8897

ω5

7.36907.11416.95686.2144

由于采用打车软件的方式,在乘客下订单后,其等待出租车接单并且最终坐上  对于供求匹配程度来说,

车的这一段等待时间就成了衡量出租车资源供求关系匹配程度的重要标准。而本文建立的出租车运营平衡模型能够很好地分析这一匹配程度。

5结论

(据供求关系守恒和运营时间守恒,结合遗传算法求解出租车平均搜索时间和乘客平均等待时间。1)(以北京西城区、东城区、海淀区、丰台区、朝阳区5个区域出租车数据为例,检验结果表明,该模型基2)

本上达到了预期的效果,提高了出租车接单率,缩短了乘客的等待时间。参考文献:

[出租车运营影响的城市混合交通网络均衡分析[长沙:中南大学,1] 罗端高.D].2009.[张艺娜,王超.信息不对称角度下的出租车空载率成因分析[高等函授学报(自然科学版),2] 孙伟杰,J].2013,02:15-17.[滴滴快的智能出行平台[/OL]//v./,3] 苍穹.EB.http:kuaidadi.com2015-09-12.

EvaluationofTaxiSupplyandDemandMatchingDegreeinInternetPlusEra

ZHOUYong--jun,JIANGDi,ZHUYuan,DULiping

(1.InnovationLaboratoryofMathematicalModeling,NorthChinaUniversityofScienceandTechnology,TangshanHebei063009,China;

2.CollegeofScience,NorthChinaUniversityofScienceandTechnology,TangshanHebei063009,China)

Keywords:softwareforhailingtaxi;supplyanddemandmatching;operatingscale;geneticalgorithmAbstract:AimingattheproblemofsupplyanddemandmatchingintheInternetplusera,establishedthemodeloftaxioperatorsindifferenttimeandspacebasedonthecharacteristicsofthetwoindexesofidleloadandactualload.Accordingtothestructurecharacteristics,themodelistransformedintotheoptimi-zationproblem.Thenusinggeneticalgorithmtosolvetheproblem,whichreflectstherelationshipbetweenthesizeofthetaxi,theaveragesearchtimeandthewaitingtimeofthepassengers.Finally,takingBeijingCityasanexampletobetested.Theanalysisshowsthatthemodelandalgorithmareeffectiveandfeasi-ble,anditalsoeffectivelyanalyzedthedegreeofthematchingofsupplyanddemandofBeijingtaxi.

范文四:我国城市出租车资源供求匹配程度研究 投稿:秦峝峞

社会科学版)           M016年3月            河北科技大学学报(ar.2016  2

()6卷第1期   JournalofHebeiUniversitofScienceandTechnoloSocialSciencesol.16No.1  第1          V ygy 

()文章编号:10067165320160100171---

我国城市出租车资源供求匹配程度研究

马 跃2,李泊宁2,李 昆3费 威1,

(东北财经大学经济学院,辽宁大连 11.16025;东北财经大学数学学院,辽宁大连 12.16025;

)东北财经大学管理科学与工程学院,辽宁大连 13.16025

通过选取出租车资源供给和需求水平指标,计算我国出租车资源“供求匹配”程  摘 要:

度,分析了2供求匹配”程度,并以大连市为例分析了013年我国主要城市的出租车资源“供求匹配”程度。结果表明:大连市出租车资源“供求004~2013年不同时期的出租车资源“2

供求匹配”其余年份匹配”程度最高,北京市最低;大连市除了2程度最低且低于7004年“0%,“供求匹配”程度均高于80%。为地方政府出租车资源优化配置提供了政策启示。

出租车;供求匹配;优化配置  关键词:

/1203  文献标识码:OI10.3969.issn.1671653.2016.01.001FA  D-   中图分类号:j

esearchonMatchinDereeofCitTaxiResourceR     ggy  

SulandDemandinChina   ppy 

1223

,LLFnEIWeiYueIBoinIKun-  ,MA   g,

,;,(SchoolofEconomicsDonbeiUniversitofFinance&EconomicsDalian116025,China1.      gy ,;,ofFinance&EconomicsDalian116025,China2.SchoolofMathematicsDonbeiUniversit      gy 

,,)DonbeiUniversitofFinance&EconomicsDalian116025,China3.SchoolofManaementScienceandEnineerin         gyggg 

:,AbstractThesulanddemandindiceswerechosenandthematchindereeoftaxiresource          ppygg  sulanddemandwascomuted.Thematchindereeoftaxiresourcesulanddemandformain           ppypggppy   ,citiesin2013wasanalzedandthematchindereeoftaxiresourcesulanddemandforDalian             yggppy  from2004to2013wasanalzed.Themainresultsshowedthatthematchindereeoftaxiresource             ygg ,sulanddemandforDalianwasthehihestandthatofBeiinwasthelowestandthematchin              ppygjgg  dereeofsulanddemandin2004forDalianwasthelowestandlowerthan70%,andthematchin             gppyg dereeofsulanddemandwasallhiherthan80%inotherears.Theolicimlicationsofthe             gppygypyp  otimalallocationoftaxiresourcewereroosedforthelocalovernments.          pppg

:;m;timalallocationKewordstaxiatchinofsulanddemando   gppypy   

收稿日期:20152012--

);基金项目:国家社会科学基金项目(辽宁省社科联2124CGL040016年度辽宁经济社会发展立项课题(016lslktx-jj

);;大连市社科联2东北财经大学优秀科研创新人才项目08015~2016年度重点课题(2015dlskzd054)()DUFE2015R01

,费 威(女,辽宁鞍山人,东北财经大学经济学院副教授,博士,硕士生导师,主要从事经济优化、作者简介:1982-)

食品安全管理研究。

2河北科技大学学报(社会科学版)016年               2

[12]

群体时的剩余价值及其影响因素。

  随着人民生活水平的日益提高与生活节奏普遍加快,选择乘坐出租车出行方式的人越来越多。出租车已经成为城市公共交通的重要组成部分。然而在我国多地,尤其是一二线城市,普遍存在打车难等供求不匹配现象。出租车供不应求,具体表现为供给不足和需求量大。供给不足不仅表现在出租车总体数量不足,更直接表现在出租车运力没有得到充分利用方面。对出租车需求量大使打车需求大幅增加,尤其在上下班高峰时段和部分“热门”地区的高需求。而城市出租车既不能无限制地供给,也不能供给过度短缺。为使我国出租车资源实行合理调配,实现出租车总量供给与市民出行需求的基本平衡,使之既能保证出租车经营企业的合理经济收益,又能满足市民方便出行的需求,明确我国主要城市出租车资源的供给与需求匹配程度现状至关重要。

有关我国出租车市场的主要研究有出租车供求影响因素、价格管制等经营管理模式以及打车软件的应用和问题等方面。张宪春以北京市为例、王宇以西安市为例,分别分析了出租车周转缓慢等实际供给率低的问题。城市发展带来出租车绝对需求不断上升,出租车价格上升、实际利用率低等导致出租车有效供给下降,这种供求的反向作用成为当前出租车市场供求失衡的根本原因。

[1~2]

已有研究为深入探讨我国出租车市场供求提供了参考,然而针对我国主要城市的出租车资源供求匹配程度的度量与评价较为缺乏。因此,本文首先从供给与需求两方面分别筛选出租车资源供求的主要影响因素,建立我国出租车资源供求的指标体系。其次,通过搜集到的我国主要城市上述指标数据,利用因子分析方法提取出租车资源供给与需求两方面的典型因子,并计算相应城市的因子得分及综合得分。借鉴隶属度概念定义匹配度的方法,基于不同城市出租车供求典型因子得分对应的数值,计算出不同城市出租车资源的“供求匹配”程度,并进行比较分析。最后,以大连市为例,分析了不同时期的出租车资源“供求匹配”程度。从城市的横向与时间的纵向的时空双重角度分析了我国出租车资源的供求匹配程度,据此总结归纳出租车资源优化配置的对策。

出租车资源供给与需求的指标  一、

选取

  出租车资源的供给水平与需求水平都有各自的影响因素,两者之间还存在复杂的内部关系。本研究试图从供给与需求两方面分别筛选我国出租车资源供求的主要影响因素,建立出租车资源供求的指标体系。选取指标主要遵循以下原则。一是有效性原则。供给水平与需求水平都是一个综合性系统,相应指标的选取要具有足够的涵盖面,包含充分的信息量,能够客观反映供求的影响因素及其内在联系。二是可行性原则。由于相关数据来源的有限性,在选取指标时应考虑到指标数据的可得性;三是科学性原则。借鉴经典文献和专家学者已有研究成果,选取的指标需满足以下几点:概念明确并有一定科学内涵,能够度量和反映我国出租车资源供给水平与需求水平的现状和发展趋势;四是实用性原则。去掉关联性相对较弱的影响因素简化指标体系,为指标数据获取提供实际可操作的依据。基于上述原则,本文选取了我国出租车资源供求指标。

(一)出租车资源供给水平的指标选取通过参考影响出租车资源供给因素的相关文

13~14]

,选择以下6个指标度量我国献和研究成果[

孙辉泰、张文全分析了我国“打车难”的原

因,借鉴国内外缓解“打车难”的先进做法,提出应放开数量管制增加绝对供给、提高出租车利用率、运用价格杠杆与发展可替代交通工具使乘客出行方式选择多样化。

[3~4]

周小梅和田定远认为市场

竞争是实现资源最优配置、社会福利最大化的最佳途径,应通过出租车价格联动机制的确立完善

[5]

王智斌、引导出租车市场资源配置。张凤林和王

利比较分析了国内外对出租车经营管理的模式。

[6~7]

邵燕斐和王小斌分析了我国出租车运价

制定中相关利益主体的利益关系,认为合理的价格管制是经济效率和社会福利达到最大化的必要

[8]

李艳梅和杨涛、条件。宗刚分别对北京市出租车

市场管制模式决定着消费者、司机、出租车公司、“黑车”从业者和政府等5个主体间的利益分配关系,利用出租车市场供求模型分析了北京市出租

9~10]

。车市场“价格管制+社会管制”管制模式[

桂虹和杨剑分析了出租车打车软件发挥的作用及存在的问题,提出政府应在出租车管理中进行角

[1]1

曹祎等在打车软件背景下,色的重新定位。定

出租车供给水平,各指标名称及选取理由见表1。

(二)出租车资源需求水平的指标选取类似地,选择以下8个指标度量我国出租车需求水平,各指标名称及选取理由见表2。

量分析了以出租车与乘客两类群体作为社会福利

等:马 跃,李泊宁,我国城市出租车资源供求匹配程度研究 第1期        费 威,3

表1 出租车资源供给水平的指标

指标元)X1起步价(

选取理由

起步价的高低会对当地出租车数量有一定影响。一般而言,起步价越高,当地出租车运营者赚取的利润越高,在某种程度上会促进当地出租行业发展。

X2城市面积

(平方公里)

如果城市面积较大,相对的出租车营业规模则较大,从而该城市出租车行业的发展水平就较高。

X3市辖区生产总值

(万元)

成正比,城市出租车行业的发展与城市的国内生产总值(其经济通常越发达,出DP)DP越高的城市,GG租车的供给数量就越多。

由于公共汽车与出租车是具有一定替代性的交通工具,因此一个地区公共汽车的数量与出租车的供给量在某种程度成反比,即公共汽车的数量越多,则出租车的供给数量相对越少。

出租车公司的月营业额能够反映一个地区出租车的营业规模及营业状况。出租车公司的月营业额越多,说明当地出租车的运营状况越好,相应的出租车资源供给水平越高。

出租车的运营数量是反映一个地区出租车资源供给的最直接指标。出租车的运营数量越多,表明该地区的出租业较为发达,出租车资源供给水平越高。

X4市辖区公共汽车

的运营数量(辆)

X5出租车公司的

月营业额(万元)

X6市辖区出租车的

运营数量(辆)

表2 出租车资源需求水平的指标

指标

选取理由

起步价主要反映当地出租车资源的价格情况。根据需求定律,当价格上升时,人们可能会选择可替代的出行方式,如公交、自驾和步行等更加省钱的出行方式。

城市面积直接影响该地区人民的出行及交通状况。如果一个城市面积较大,人们在出行时相对更需要搭乘出租车等资源,对其需求量更大。

某地区的G经济越发达的地区,人民收入DP一定程度上反映了当地人民的收入水平。因此,DP越高,G水平越高,在出行时对出租车的需求量越大。

由于公共汽车与出租车是具有一定替代性的交通工具,因此一个地区公共汽车的数量与出租车的需求量在某种程度成反比,即公共汽车的数量越多,则出租车资源的需求量相对越少。

一个地区的私家车数量越多,相对的出租车需求会减少,私家车数量对出租车资源的需求量影响为负。

X1起步价

(元)

X2城市面积

(平方公里)

X3市辖区生产总值

(万元)

X4市辖区公共汽车的

运营数量(辆)

X7私家车数量

(万辆)

X8年恶劣天气概率例如雷雨雪天某地区的平均天气状况对出租车资源的需求水平有一定影响。当天气状况普遍较差时,气,人们会增加对出租车资源的需求。

X9城市人口数量

(万人)

城市人口数量能够代表潜在需求出租车资源的人口总量,该数量越大,潜在需求量越大,同等条件下的实际需求量更大。

如果城市道路面积较大,说明基础道路设施等健全,城市基本发展良好,同等条件下该城市的出租车资源可以得到有效配置,进而拉动对出租车资源的需求。

X10市辖区道路面积

(万平方米)

三)出租车资源供求匹配程度分析  (

因子分析法能够以最少的信息丢失为前提,将众多的原始变量综合成有代表性的指标,即因子,用它们来概括和解释具有错综复杂关系的大量观测事实,揭示出事物之间的本质联系。因此,本文通过因子分析法将出租车资源的供求指标进

行处理,将具有相关关系的因素综合为公共因子,并利用主要城市出租车资源的供求数据进行比较分析。

本文利用模糊数学中的隶属度概念与借鉴向

15]

对两系统状态协量夹角的几何意义,基于文献[

调度函数的定义,对出租车资源的供给与需求匹

4河北科技大学学报(社会科学版)016年               2

配程度进行计算。用S和D分别表示出租车资源的供给水平和需求水平,建立相应的匹配程度函数如下:

(s)/u(DS)=exp-2

sD

累积方差贡献率分别为54.868%和27.719%,方差贡献率达到了8选取这两2.587%。因此,个因子作为供给水平的公共因子。根据因子分析结果及因子载荷,将我国主要城市的出租车资源供给水平的公共因子S1定义为出租车资源供给收益因子,将S2定义为出租车资源供给要见表3)素因子。(

表3 我国主要城市出租车资源

供给水平的因子得分

城市

公共因子得分

综合得分

[](SS)/u(SD)=ex-p[]s

()1()2

其中,Sd为出租车资源供给水平对需求水平的匹配值,Ds为出租车资源需求水平对供给水平的匹配值。因为实际中这两个变量不可能达到完全匹配,所以在计算时将SDD和.8d、s分别取0

[6]22

。0S1ss.8D和s分别表示出租车资源需求水平

/为需求水平对供给和供给水平的方差。u(DS)

S1

北京天津石家庄太原沈阳

145321.2  521280.3  378-0. 16429-0.  515860.0  03622-0.  28159-0.  25112-0.  413741.2  421050.1  1684-0. 112480.7 36485-0. 086610.9 02765-0. 

S2

0.607957  0.265533  0.148328 0.006402 0.092985  0.049322 0.257522 0.764885  0.204439  0.274837  -0.01172 -0.26638  -0.20935 -0.21632  -0.09615 

01.25205 0.3251 -0.21372 -0.11101 0.064507 -0.00952 -0.11332 0.065999 0.917722 0.183534 -0.1195 0.406106 -0.31632 0.557527 0-0.4903 

/为出租车资源供给水平水平的匹配程度,u(SD)对需求水平的匹配程度。因此,本文利用相关统计指标计算将出租车资源供求匹配程度定义为C(,具体如下计算:S,D)

//{,}()()C(S,D)=uDSuSDaxm

()3

大连长春哈尔滨上海杭州厦门广州汕头深圳长沙

我国出租车资源“供求匹配”程度  二、的实证分析

  通过分析我国主要城市在相同年份的出租车资源“供求匹配”程度与以大连市为例分析同一城市在不同年份的出租车资源“供求匹配”程度,从地域和时间两个维度对我国出租车资源利用及优化配置情况进行实证分析与比较说明。

(一)我国主要城市的出租车资源“供求匹配”程度分析

根据选取的我国出租车资源供给水平和需求水平的指标,基于数据可得性与不同规模城市的代表性,根据中国国家统计局和中国天气网等收集整理了我国15个主要城市2013年的出租车资源供给水平与需求水平的指标数据,运用PSS18.0软件进行因子分析。S

首先对供给水平的指标数据进行标准化后,利)和用巴特利特球度检验(artlettTestofSericitB   py得到巴特利特球度KMO检验进行适合度检验,

说明检验值为59.566,KMO统计量值为0.646,数据适合做因子分析。用方差最大旋转法进行正交旋转,将特征值大于1的主成分提取出来作为公共因子。结果表明:因子1和2的特征值均大于1,并且经方差极大值旋转以后,它们的

类似地,对需求水平的指标数据进行标准化后,利用巴特利特球度检验和KMO检验进行

适合度检验,得到巴特利特球度检验值为说明数据适合做因9.470,KMO值为0.645,7

子分析。用方差最大旋转法进行正交旋转,将特征值大于1的主成分提取出来作为公共因子。结果表明:因子1和2的特征值均大于1,并且经方差极大值旋转以后,它们的方差贡献累积方差贡献率分别为55.544%和19.444%,率达到了7选取这两个因子作1.960%。因此,为需求水平的公共因子。根据因子分析结果及因子载荷,将我国主要城市的出租车资源需求水平的公共因子D1定义为出租车资源需求收益因子,将D2定义为出租车资源需求要素因见表4)子,以及综合得分D。(

等:马 跃,李泊宁,我国城市出租车资源供求匹配程度研究 第1期        费 威,5

表4 我国主要城市出租车资源

需求水平的因子得分

城市

公共因子得分

综合得分

结果表明:在调查的2013年我国主要城市中,除北京市出租车资源“供求匹配”程度最低约远不足5其它城市出租车资源为0.2159,0%, “供求匹配”程度相对较高,高于50%。并且大连长市出租车资源“供求匹配”程度最高为0.9728, 沙、杭州仅次于大连的出租车资源“供求匹配”程厦门、且都高于9度,排名第2和第3,沈阳、0%;长春、太原和广州、上海、哈尔滨的出租车资源“供但高于8汕头、深圳、求匹配”程度低于90%,0%;天津、石家庄的出租车资源“供求匹配”程度介于0%和80%。这说明基于本文的我国出租车资7

源“供求匹配”程度指标分析的我国北上广深一线城市出租车资源的“供求匹配”程度,除了北京与其现状体现的一致,而广州和上海出租车资源“供求匹配”程度相近但比实际中体现的要好些,深圳稍差。

(二)不同时期的出租车资源“供求匹配”程度——以大连市为例分析—

根据大连市统计年鉴和统计公报收集整理了004~2013年大连市出租车资源供给与需求水2

平的指标数据。并且由于本文调查期间大连市出租车起步价没有变化,所以对于时间纵向维度大连市出租车资源“供求匹配”程度比较没有较大影响,而不同年份的价格指数对出租车资源供求具有显著影响,所以此处将起步价从供求匹配程度指标中剔除,用城市居民消费价格指数(978年1为基础年份)代替。该指标能够代表随着时间变化,人们生活收入水平以及对商品价格的可接受度,对于时间纵向维度的分析更具合理性。本文运用SPSS18.0软件进行因子分析。

首先对供给水平的指标数据进行标准化后,利)用巴特利特球度检验(artlettTestofShericitB   py和KMO检验进行适合度检验,得到巴特利特球说度检验值为58.627,KMO统计量值为0.769,明数据适合做因子分析。用方差最大旋转法进行正交旋转,将特征值大于1的主成分提取出来作为公共因子。结果表明:因子1和2的特征值均大于1,并且经方差极大值旋转以后,它们的方差累积方差贡贡献率分别为71.016%和4.508%,献率达到了7选取这两个因子作5.524%。因此,为供给水平的公共因子。根据因子分析结果及因子载荷,将2004~2013年大连市的出租车资源供给水平的公共因子S1定义为出租车资源供给收益因子,将S2定义为出租车资源供给要素因子,

D1

北京天津石家庄太原沈阳大连长春哈尔滨上海杭州厦门广州汕头深圳长沙

998350.8 148730.1 95617-0. 88499-0.  48767-0.  74628-0.  55841-0. 73179-0. 268140.9  11352-0.  77225-0.  125780.2  90245-0.  603840.4  72232-0.  

D2

-0.25998  -0.06463  -0.02726 0.294335 0.191026 0.203812 -0.21795 -0.0375 0.709112  0.688172  0.729744 0.484026  0.667918 0.416642  0.493951 

60.35316 0.073933 -0.74431 -0.61602 -0.33288 -0.52959 -0.48076 -0.57345 0.877162 0.069322 -0.42969 0.274487 -0.5443 0.450408 4-0.4492 

根据主要城市的出租车资源供给与需求水平的因子得分,按照公式(计算可得我国主1)3)~(要城市出租车资源“供求匹配”程度,并且按照该)见表5匹配程度进行排名。(

表5 我国主要城市出租车资源“供求匹配”

程度及其排名

城市大连长沙杭州厦门沈阳长春太原广州上海哈尔滨汕头深圳天津石家庄北京

“程度供求匹配”7278790.  9588810.  9238840.  8931140.  88970.  8844340.  8575850.  8131550.  8086930.  8049730.  7902090.  7850780.  7349310.  706270.  2159050.  

排名123456789101112131415

)以及综合得分S。(见表6

河北科技大学学报(社会科学版)016年               2

根据大连市出租车资源供给与需求水平的因子得分,按照公式(计算可得大连市出租1)3)~(车资源“供求匹配”程度,并且按照该匹配程度进)见表8行排序。(

表8 2004~2013年大连市出租车资源

“供求匹配”程度及其排序

年份0042 2005 2006 2007 2008 2009 2010 2011 2012 2013 

“程度供求匹配”0.671016  0.848905  0.959215  0.818442  0.983533  0.92942  0.971081  0.977836  0.993344  4268980.  

排序10759264318

表6 2004~2013年大连市出租车资源供给

水平的因子得分

年份

公共因子得分

综合得分

S1

20042005200620072008 20092010 2011 2012 2013 

-1.08544  -1.30993 -0.94241 -0.5707 0.01931 -0.12131 0.23613 1.0526  1.29294  1.42882  

S2

2.49623 -0.30219 -0.54841 -0.76369 -0.86389 -0.63272 -0.44409  0.13462  0.41457  0.50957  

3-0.5047 -1.10313 -0.86155 -0.6103 -0.16192 -0.22625 0.096547 0.864222 1.112688 1.240178 

类似地,对需求水平的指标数据进行标准化后,利用巴特利特球度检验和KMO检验进行

适合度检验,得到巴特利特球度检验值为说明数据适合做因42.085,KMO值为0.660,1

子分析。用方差最大旋转法进行正交旋转,将特征值大于1的主成分提取出来作为公共因子。结果表明:因子1的特征值均大于1,并且经方差极大值旋转以后,它的方差贡献率分别为7选取这一个因子作为需求6.948%。因此,水平的公共因子。根据因子分析结果及因子载荷,将2004~2013年大连市的出租车资源需求见表7)因子得分D。(

表7 2004~2013年大连市出租车资源

需求水平的因子得分

年份004220052006200720082009 2010 2011 2012 2013 

公共因子得分(D)

4-1.7248 -1.29535 -0.9355 -0.23538 -0.04332 0.18041 0.39367 0.8537 1.13044 423811. 

结果表明:根据本文分析的2004~2013年大连市出租车资源“供求匹配”程度及其排序可见,随着时间变迁,大连市出租车资源“供求匹配”程度呈现相对较为平稳的波动性变化。除了2004年“供求匹配”其余年份的程度最低且低于70%,“供求匹配”程度均高于8供0%。2012年出租车“求匹配”程度最高,高于99%。2004年至2006年、供求匹配”程度2009年至2013年两个期间“持续提高,007年和2013年均呈现显著下降。2出现这些变化特征的主要原因是随着我国经济的飞速发展,人们的收入水平与消费观念都在发生变化,同时城市交通状况也随之改变。在较早年份,乘坐公交车是人们的主要出行方式,该方式经济便利符合人们的收入水平与消费习惯,对出租车资源的需求相对较低,体现的是供过于求;随着人们生活水平的提高,乘坐出租车出行已经不再是个别行为,尤其在早晚高峰期乘坐公交车拥挤时段或者周末购物休闲时段,人们更倾向于选择乘坐出租车,对出租车资源需求的急剧增加,体现的是供不应求;供求013年大连市出租车资源“2匹配”程度的下降,主要是由于近年来在收入提高、对生活品质要求提升以及汽车市场商品多样化、价格日益低端化的大趋势下,大连市私家车数量增加显著,从而导致出租车需求不足,供给过剩。

等:马 跃,李泊宁,我国城市出租车资源供求匹配程度研究 第1期        费 威,7

政策启示  三、

本文通过选取出租车资源供给与需求水平的主要指标,研究了我国主要城市出租车资源“供求匹配”程度,并以大连市为例对不同时期出租车资源的“供求匹配”程度进行了比较分析,依据分析所得的主要结论给出如下政策启示:

首先,根据我国主要城市的出租车资源“供求匹配”程度的差异,不同城市应结合自身出租车市场的特征以及出租车市场运作规律制定不同的地方政府管控措施,以协调该地的出租车资源“供求匹配”程度。我国一、二线主要城市由于发展水平、产业结构、人口构成、城市规模、交通设施等差异较大,部分城市出租车资源“供求匹配”程度差异较大。对此,地方政府对出租车市场的管控措施应结合城市自身的客观条件、发展趋势和市场供需匹配等方面进行制定与实施。而不能一味地参照其它城市,尤其是大城市出租车市场采取数量和价格为主的管控措施。

其次,充分利用新兴的信息化手段,加强出租车资源供求信息的对称性。例如,随着“互联

参考文献:

[]张宪春.出租车供求失衡不能靠涨价解决[中华工商时1N].

()报,0134301.200--

[]——基于西安市出租车市王 宇.对城市打的难现象的剖析—2

场供求失衡问题的分析[011,J].价格理论与实践,2():115~16.1

[]孙辉泰,贺亦军,邹普尚,等.基于供求关系的缓解“打车难”策3

)(:]略研究[交通企业管理,014,011~3.J.2

[]]张文全.影响城市出租车供求关系的因素分析[河北交通4J.

():职业技术学院学报,2011,1~52,72.15

[]——周小梅,田定远.对我国城市出租车行业管制问题的思考—5

]从出租车司机和乘客利益变化角度的分析[价格理论与实J.():践,2011,9~30.82

[]——以数量管王智斌.国内外出租车经营管理模式比较研究—6

(:]金融法律评论,制和经营者准入资格为核心[014,1)J.2217~229.

[]]张凤林,现代城王 利.我国城市出租汽车行业管理研究[7J.

)(:市研究,012,09~104.192

[]邵燕斐,王小斌.基于博弈论视角的出租车价格管制困境破8

():]开发研究,解[014,39~143.21J.2

战略与交通产业的日益融合,打车软件已经网+”

逐渐被出租车供求双方主体所接受和应用。借助于打车软件发布与接收出租车出行信息,减小了信息不对称,优化了出租车资源的供求匹配。但与此同时,出租车资源供给资质的合法化、正规化与认证程序的合理化等诸多争议性问题随之而来。因此,针对滴滴、ber等打车软件应用过程U中的一些问题,制定具体对策,使软件应用实现双赢目标也是有关政府部门亟需解决的问题。最后,根据2004~2013年大连市出租车资源

“供求匹配”程度的分析结果可见,不同时期的出租车资源供求变化并不一定遵循时间呈现固定规律。各级地方政府针对当地的出租车市场实施的管控协调措施也要定期依据出租车资源“供求匹配”程度更新调整,更新或者调整周期应为每年一次。这样才能够适应出租车市场实时变化的特征,出台真正适合当期实情的有力措施。对此,建立科学和适当的出租车资源“供求匹配”程度指标体系,有效度量当地的出租车资源配置现状是前提。

[]]李艳梅,杨 涛.北京市出租车市场管制模式的福利分析[9J.

,():北京交通大学学报(社会科学版)008,6~42.233[]]宗 刚.出租车市场的利益分配格局及对策[综合运输,10J.

():009,8~30,48.422

[]——基桂 虹,杨 剑.出租车行业管理中的政府角色义务—11

])(:于打车软件的分析[企业导报,J.014,41~62.162[]曹 祎,陶竑宇,罗 霞.打车软件使用率对出租车社会福利12

():]的影响[交通运输系统工程与信息,015,4.61~6,2J.2[]王一帆.基于打车软件的出租车服务模式优化研究[上13D].

海:上海交通大学,014.27~29.2

[]张新锐,贾 英,周 磊,等.石家庄市城郊公共交通客流特14

]征分析及运营对策研究[河北科技大学学报(社会科学J.,():版)008,5~38.233

[]秦 钟,章家恩,骆世明,等.151996~2008年广东省城市化进

程与生态环境的协调性分析[012,J].生态科学,2():12~47.4

[]]刘耀彬.江西省城市化与生态环境关系的动态计量分析[16J.

():资源科学,2008,29~836.68

范文五:“互联网+”时代出租车资源“供求匹配”程度的合理性 投稿:彭惿愀

  【摘要】 “互联网+”时代的出租车资源配置影响巨大,本文通过时间段因素模型、熵权模型、出租车数量最优化的模型的建立,深刻分析了出租车资源配置在不同时空的供求匹配程度。本文根据杭州市连续四年最佳出租车供应数量和“资源配置”优良程度,利用函数关系求得该市的配备程度为0.61,即供应小于需求,从而得到了出租车资源供求匹配程度不合理。

  【关键字】 互联网+ 供求匹配

  一、时间段因素模型

  为了解决不同时刻出租车资源的“供求匹配”程度,本文建立了时间段因素模型。由于不同时间的客流量是不同的,凌晨0点之后到早上6点,这段时间内出行极少,对出租车的需求量也很低;另外,晚上8时到10时这个黄金时间段,虽然就要进入休息时间段,由于现代化的生活模式,该段时间外出的乘客居多,因此对出租车的需求量也比较大。按照客观实际生活模式,将一天的时间段合理地划分为6段,虽然每段时间是不均匀的,但是能非常合理地描述居民生活状态,符合客观实际。

  采集2014年6月该城市需要打车的人数随着时间变化的曲线图,为了方便研究,将离散数据连续化,利用Matlab软件将数据进行差值拟合,得到该城市某天的出租车需求与时间的关系图,如图1:

  接着根据调查得到数据,得到公司不同时间段运营出租车数量,利用差值拟合,求出公司工作车辆与时间之间的变化函数,并得到一天中公司不同时间段投入运营车辆特征图如图2所示:

  由于不同时间段居民出行人数与公司运排的出租车数量有较大的差异,引入打车困难度Y:

  接着,对打车困难度进行相应的等级划分,

  一级:75%-100%,顺利打车程度:困难;供求匹配程度:供不应求;

  二级:50%-75%;顺利打车程度:不易;供求匹配程度:供应稍紧张;

  三级:25%-50%;顺利打车程度:较易;供求匹配程度:较合适阶段;

  四级:0-25%; 顺利打车程度:容易;供求匹配程度:供大于求。

  分别带入各时间段数据,求出该城市分时间段出租车“供求匹配”程度。

  分析:用Matlab对杭州市的运营车辆和出行人数各个分段函数分别求相应的积分带入模型求得杭州市的打车困难度Y=0.3681,根据上述等级划分可以判断出该城市处于第三等级,顺利打车程度较易,供求匹配程度较适合阶段。

  2.熵权模型

  城市规划中按照不同功能将城市化分为区,每区的人群不同导致直接选择交通工具、出行频率等均不相同。将出租车需求区域化因素加入,对该城市展开不同地区的划分。

  由数据经验分析可知:替代商品(主要考虑公交车)、出行强度、平均每两出租车里程利用率、平均等候时间、出租车空载率为影响出租车供求的主要因素,以上述5个影响因素为主要指标,对不同区域出租车供求建立熵权模型。

  公交车(辆):25.64% ;出行强度(平均每天次数):2.71%;里程利用率:1.87%;平均等候时间(分钟):53.58% ;空载率:16.2%

  根据以上指标分析,可以分别求出各个地区的综合考评值,综合考评值如下所示:

  分析:根据上述表格,利用熵权法能够得到不同地区的出租车数量安排比重,根据上表得到地区安排出租车数量多少为生活区〉行政商业区>高校科研区>生产工业区>对外交通运输区>郊区。由于行政商业区,消费者较多,所以安排的出租车数量最多,而郊区由于去的人相对较少,安排的出租车数量最少,也合实际情况。

  三、基于出租车数量最优化的模型

  其中,Z为第i年的前一年末该地区总人口。

  资料查找及收集得到:出租车的客流量有90%分布在每天的5时至21时,该城市第i年出租车最佳数量即城市出租车需求量Ki应该为:

  其中HH为每辆出租车的平均运载量、x为某个公司出租车的出勤率。

  分析:通过查询数据,得到浙江省杭州市2011―2014年每年城市出租车需求量。得到这几年实际的出租车平均数量为59858,根据上述模型带入数据求得最佳平均数量为98199,得到均衡程度为0.61,比较得到在该市顾客需求的出租车数量和出租车公司实际提供的出租车数量不能达到相对均衡,即:供应  总结分析:通过三种模型的对比分析,进一步的,为了求得供求匹配程度,建立出租车数量最优化模型并与实际数据比较,得到供求匹配程度为0.61,供应  结语:通过本文分析,我们发现“互联网+”时代的出租车,资源的“供求匹配”程度为0.61,匹配程度不佳。本文为了简单,选取杭州市不同时间、空间进行划分,具有一定的局限性。然而将这些模型调整不同的弹性参数,模型能够广泛地推广应用于不同城市资源分配问题,对资源利用、规划等问题都提供一个详细的标准。

  参 考 文 献

  [1] 百度百科:http://baike.baidu.com/

  [2] 陈宁宁,徐伟嘉,宁洪涛《城市交通管理中的出租车规划》[J] 数学的实践与认识 2006年7月,Vol.36 No.7,Page113-120

  [3] http://www.google.cn/maps/@

  [4] 谢赤,钟赞,《熵权法在银行经营绩效综合评价中的应用》[J] 中国软科学 2002年 第9期,Page107-110

范文六:城市出租车供求匹配问题分析 投稿:吕脖脗

【摘要】本文研究的是城市出租车资源供求匹配问题。在“打车难”这一社会热点问题上,通过建立相应的数学模型,对出租车的供求匹配情况进行探讨。首先确定出影响出租车供求关系的因素有哪些,然后通过主成分分析确定几个关键变量展开研究。在确定一个较为合理的匹配度之后,通过建立模型,进行数据训练,使得输出量与目标逼近,做出误差图以及预测曲线,建立RBF神经网络模型,衡量不同时空的出租车供求匹配程度,从而对现实的供求匹配程度进行衡量。

  【关键词】供求匹配 神经网络 数据训练

  四、模型检验

  模型是RBF网络模型,其要素在于网络训练的精度,步数,神经元数目的设置和spread的设置。在本题中,初始设置spread=1.2,goal=0.0001,mn=20,得到performance=3.515*10^-19。

  Spread在网络的训练中占有很大的比重,Spread在网络中越大,则训练速度越快,而spread越小,则遍历性更好,可以更好地画出均方差的图像曲线。在画出训练方差与训练步数图之后,对网络进行测试,将网络输出和期望值随输入变化的曲线绘制在同一张图,以检验网络设置是否能够做到函数逼近。通过这种方法可确定模型建立是合理的。

  五、模型评价及推广

  RBF神经网络结构简单,有较快的速度,可以按照方差精度需求来设计,也可以实现任何复杂非线性映射,特别适合于求解内部机制复杂的问题。但RBF神经网络训练也有不足的地方,它有一个极限,到达极限的时候随训练能力的提高预测能力反而下降,即出现“过拟合”现象。但该模型在衡量与优化出租车供求匹配问题具有很高的可行性,模型体现了“互联网”时代的信息沟通优势,对于优化出租车资源配置、解决出租车供求匹配问题具有一定积极作用。

  参考文献:

  [1]冯晓梅.供需平衡下的出租车发展规模研究.[D].西南交通大学.2010.

  [2]神经网络理论与MATLAB7实现.[Z].飞思科技产品研发中心.

  [3]姜启源,谢金星,叶俊.数学模型.[M].北京:高等教育出版社.2011.

范文七:层次分析法在出租车供求匹配模型中的应用研究 投稿:周積穎

【摘要】层次分析法(APH)作为一种定性与定量分析相结合的综合性评价方法,在许多领域得到了广泛应用.基于层次分析法,给出城市出租车供求匹配模型,将层次分析应用于“互联网+”时代出租车资源配置的研究中.

  【关键词】层次分析法(APH);出租车供求匹配程度

  【中图分类号】0213.2 【文献标识码】A

  一、层次分析法简介

  APH基本思想是通过分析复杂问题包含的各种因素及其相互关系,将问题所研究的全部元素按不同的层次进行分类,标出上一层与下层元素之间的联系,形成多层次结构.在每一层次,均按某一准则对该层元素进行重要性判断,构造判断矩阵,并通过解矩阵特征值问题,确定元素的排序权重,最后再进一步计算各层次元素对总目标的组合权重,为决策问题提供数量化的决策依据.

  二、层次分析法在出租车供求匹配模型的具体应用

  选定北京作为研究对象,首先利用层次分析法,确定道路网密度、万人拥有量、里程利用率等七个因素对北京出租车供求匹配程度的影响权重.然后根据给定的功效系数确定供求指标,评价北京市出租车在不同时空(高峰期、非高峰期、主干道路区和非主干道路区)的“供求匹配”程度.

  1.构造判断矩阵

  方案层有7个因素对上一层准则层中司机的满意度和乘客的满意度分别构成影响,将所有因素进行两两比较,构造成比较矩阵.分别用A1,A2表示.其中aij的值分别有1~9尺度的数字及其倒数构成,各数字表示的含义见表1.

  三、运用层次分析法建模结果分析

  结论:北京市内高峰期供求匹配程度低于非高峰期;同一时间主干道路区供求匹配程度低于非主干道路区.由上结果可知,层次分析法具有将定性和定量相结合的优点,将复杂问题分解为各个因素,运用科学方法确定权重,为决策层面对纷繁复杂的形势作出正确决策提供依据.因此层次分析法评价和决策方面的应用有着美好前景.

  课题来源:华北理工大学以升大学生创新实验中心

  【参考文献】

  [1] 2013中国统计年鉴.

  [2]刘鸿婷.出租车运力规模评价与优化研究[D].大连海事大学,2011.

  [3]郭金玉,张忠彬,孙庆云.层次分析法的研究与应用[J].中国安全科学学报,2008,05:148-153.

范文八:互联网时代出租车供需匹配及补贴方案确定 投稿:段筛筜

  摘要通过建立出租车供求匹配的长期和短期模型给出了打车软件平台上优化的补贴方案.长期模型中,建立出租车需求量的多元线性回归模型和供应量公式.短期模型中,应用BP神经网络预测每天高、中、低峰的出租车需求量,建立高、中、低峰供应量多元线性自回归模型.以西安市为例,在模型的基础上,通过分析实时数据得出分时段的适用于网络平台的平衡供需的补贴方案.互联网时代的补贴方案依赖于实时更新,广泛全面的大数据,更及时,多样,具有针对性,不仅有效实现了软件平台公司的盈利,也最大可能地满足了乘客,政府,由司机代表的出租车公司的需求,充分发挥了互联网在优化出租车运营方式方面的作用.

  关键词应用数学;出租车供需匹配;补贴方案;神经网络;多元回归

  中图分类号O29,O213,F572文献标识码A

  AbstractBy building long and short term models of matching degree of taxi supply and demand, an optimization of the subsidy scheme on a taxi software platform was determined. In the long term model, a multiple linear regression model of taxi demand and a formula measuring supply were given. In the short term model, BP Neural Network and the multiple regression model were used to measure taxi demand and supply respectively for high, medium and low peak. Taking Xi'an as an example, through the analysis of realtime data, a timedivision taxi optimization subsidy scheme on Internet platform was determined. Based on timely updated, extensive and comprehensive big data, subsidy schemes in the Internet age are more timely varied and specific. Making full use of the Internet in optimizing taxi operation mode, these schemes not only realize profit making of software platform companies, but also meet the needs of passengers, the government and taxi companies to the greatest extent.

  Key wordsapplied mathematics; matching degree of taxi supply and demand; subsidy schemes; Neural Network; multiple regression model

  1引言

  近年来,作为城市客运交通的重要组成部分,出租车业发展迅速,但“打车难”问题也越来越突出.步入“互联网时代”,多家公司依托互联网建立打车软件服务平台,在使乘客与出租车司机之间信息互通的同时推出了比传统补贴方案更及时,更灵活,更有针对性的出租车补贴方案,以期实现出租车需求与供应的调整,获得更大盈利并解决“打车难”问题,因此在了解出租车供求匹配程度的基础上制定最优的补贴方案就具有重要的现实意义.

  传统的对出租车行业的研究主要集中于对城市出租车需求和拥有量的预测.在预测出租车需求方面,以Douglas为代表的国外学者利用较为复杂的数学模型,Douglas(1972)提出出租车的需求是其平均出行费用和平均等候时间的减函数[1],J.Enrique等运用经济学的方法,将出租车客运需求定义为价格的广义函数[2].国内学者提出了一些计算较简单的预测方法并应用于实例分析,黄仕进,杨海等在1999年的改进模型中建立非线性方程和神经网络的模型来表述需求并应用于香港出租车汽车市场[3] [4],徐炜运用多元线性回归方法预测深圳市出租车运力投放[5],卢毅使用神经网络BP算法仿真模拟[6].在预测出租车拥有量方面,陆建(2004)根据城市居民和流动人口出行特征[7],李智宏使用供需平衡法[8],车岚(2006)在大量数据的基础上应用统计回归方法[9].由于数据的限制,这些研究在一定情况下成功地预测了供应量和需求量,适合于较长时间较广范围内对供需状态大致趋势的预测,但不能及时为出租车运营提出有效的有针对的平衡供需措施.

  步入互联网时代,学者又将目光转向了如何利用互联网平衡供需,优化出租车运营方式.李伟丽等(2015)[10],刘佳倩等(2015)[11]分析了北京市不同经济分区和一天不同时段的出租车资源配置,研究的时空范围更加精确并提出了比较粗糙的平衡供需的补贴方案.戚蓓蓓等[12],陈丽贞[13]等分析了打车软件上推出的补贴方案对平衡供需的作用.但同时,互联网时代的到来也对出租车行业发展提出了新的挑战,张朝霞(2015)[14]指出了原有的出租车行业管理体制在互联网时代的不足,肖沛然(2015)[15]指出互联网专车服务在打破出租车行业垄断的同时将促进整个行业的深层次改革.这些研究填补了传统供需平衡研究的空白,打车软件的出现使得实时数据的获取成为可能,据此可以得到具有高实效性的供需状态预测,进而对不同区域在不同时刻借助提出多样的补贴措施以平衡供需.但这些研究只分析了互联网和已有的补贴措施在平衡供需方面的效用,没有提出如何制定不同情况下的适用于网络平台的补贴方案,未能最大发挥互联网在优化出租车运营方式方面的作用.   建立长期和短期的供需平衡模型,以西安市为例,应用长期模型从总体上把握西安市出租车供需平衡状态,然后根据短期模型定量分析西安市出租车实时的供需状态,在此基础上,应用神经网络方法给出适用于打车软件平台上的随时更新的出租车优化“补贴”方案,希望能对出租车运营管理和城市交通管理提出有效的建议方案.

  2出租车供需模型

  2.1相关定义

  根据数据特点,对应长期和短期供需关系模型,分别采用长期和短期两种方式定义需求量、供应量及供求匹配程度.长期定义以年为单位变化,主要体现宏观经济指标对供需平衡的影响,短期定义针对每一时刻,主要体现每时每刻交通状况对供需平衡的影响.

  2.1.1长期定义

  长期模型是通过城市宏观经济特征和居民出行特征来预测出租车供需状态,进而给出相应变量定义及单位.

  需求量:每年出租车承担的出租车乘客人数和尚未被满足的潜在出租车乘客人数之和,单位“万人次”.

  供应量:当年运营出租车可以承担的出租车乘客数量,单位“万人次”.

  供求匹配程度:选择出租车供应量和需求量之比适应度M作为衡量较长时间内供求匹配程度的指标.T为出租车客运供应量(万人次),D为出租车客运需求量(万人次)[16],则适应度为

  M=DT.(1)

  一般的,认为当1.25≤M≤1.40时,出租汽车客运需求与供应量基本达到平衡;当M 1.40时,出租车供应量过大,超过需求,造成资源浪费.[17]

  2.1.2短期定义

  需求量:某时刻出租车订单量,包括已成功提交和未成功提交的.认为一辆出租车完成一份订单,因此确定需求量单位为“车次”.

  供应量:某时刻运营出租车量,单位“车次”.

  供求匹配程度:选择出租车需求量和供应量之比需供比γ作为衡量某一时刻供求匹配程度的指标.不同于出租车实载率,此处定义的γ包括了想打车但未打上车的乘客.

  Q,T分别代表出租车需求量和供给量,需求量与供应量之比γ为

  γ=QT.

  供求匹配关系:当出租车供应量略大于需求量时,出租车资源流动顺畅,因此认为γ在65%~80%之间取值时,出租汽车客运需求与供给基本达到平衡.

  2.2供需模型建立

  以西安市为例,建立出租车供需匹配程度的长期和短期模型.长期模型旨在分析较长时间内(年)出租车资源的大致供求关系,在长期定义下,分别建立需求量和供应量计算模型,采用适应度作为供求匹配关系的衡量指标.短期模型旨在分析不同时刻出租车资源的供求匹配程度,将一天划分为四个时间板块,分别对应于居民出行量的高峰,中峰,高峰,低峰.在短期定义下,分别建立需求量和供应量计算模型,采用需供比作为供求匹配关系的衡量指标.

  2.2.1长期模型

  (1)需求量多元线性回归模型

  首先选取与需求量有显著关系的空间影响因素.需求量影响因素分为经济因素,公共交通因素和社会因素三类.经济因素包括国内生产总值(GDP),人均可支配收入和居民消费水平,公共交通因素包括出租车客运量和公交车数量,社会因素包括常住人口数和社会从业人数.将出租车客运需求量分别与这些因素进行相关性分析,选择显著相关的影响因素.然后将出租车客运需求量作为因变量,显著影响因素作为自变量,建立多元回归线性模型如式(2).

  D=a0+∑aixi+ε.(2)

  其中,D为出租车客运需求量,xi为需求量显著影响因素,ε为残差,ai为待定的回归系数.

  (2)供应量计算模型

  考虑到出租车供应量乘以载客率可大致反映出租车实际日均客运量[7],供应量T由下列公式近似确定:

  T=α1-ρ,(3)

  其中,α为城市出租车日均客运量,ρ为出租车空载率.

  2.2.2短期模型

  (1)需求量人工神经网络模型

  出租车需求量的影响因素很多,通过建立函数关系进行准确预测是不现实的.而人工神经网络能从数据样本中学习以前的经验并自动逼近那些最佳刻画了样本数据规律的函数,因此可以对城市公共交通需求进行较好的预测.

  采用人工神经BP网络(Backpropagation NN),网络除输入输出节点外,还有一层或多层的隐层节点,同层节点中无耦合.输入信号从输入层节点,依次穿过各隐层节点,传到输出节点,每一层节点的输出只能影响下一层节点.进行人工神经网络预测时,首先确定输入、输出参数,输入层共三个输入信号,打车难易度d,订单平均被抢时间t,平均车费c,输出层为出租车真实需求量,选择隐含层节点数为2.然后,确定初始条件,将已有数据分为训练样本和检验样本.最后对输入、输出数据进行“归一化”,使得网络输入变量的值域为[0 ,1].根据已有的打车难易度,订单平均被抢时间,平均车费和出租车真实需求量数据,使用SPSS对数据进行训练,得到城市出租车需求量的神经网络模型估计值 [6] .

  (2)供应量多元自回归模型

  考虑高、中、低峰之间的互相影响和实时收入对出租车运营量的影响,建立三个方程的供应量多元线性模型.类似空间的需求量模型,供应量的影响因素也可分为经济因素,交通因素和社会因素.以天为时间单位,一些经济政治因素如GDP,人均收入水平等不会有明显变化,但是交通通畅状况,司机收入是供应量周期性变化的主要影响因素.交通通畅状况可以用人口出行量来刻画,体现在高、中、低峰之间的相互关系.从早上6点开始,将一天看作高―中―高―低峰的循环,建立多元回归模型时,高峰供应量是中、低峰供应量的影响因素,中、低峰供应量是高峰供应量的影响因素.可以用车费直接刻画出租车司机的收入.进行相关性检验后建立多元线性回归模型如下:   3实例分析

  以西安市为例,使用SPSS软件分别建立西安市出租车供需匹配程度的长期和短期模型.长期模型采用《西安市统计年鉴》2000-2009年GDP,人均可支配收入,人均消费支出,公交车数量,常住人口,从业人口,出租车客运需求量数据,进行显著性检验之后,根据长期模型计算西安市出租车适应度,作为西安市供需匹配程度的长期总体刻画.短期模型采用滴滴快的智能出行平台“苍穹”上2015年9月6日-11日出租车分布,打车难易度,打车需求量,被抢单时间,车费的实时变化数据,根据短期模型得到西安市出租车高,中,低峰需供比,作为西安市实时供需匹配程度的刻画.

  3.1长期模型

  首先,使用SPSS进行GDP,城镇居民人均可支配收入,城镇居民人均消费支出,公交车数量,常住人口数,社会从业人口数和出租车客运量的相关性分析.在显著性水平0.01下,选择西安市GDP、人均可支配收入、人均消费量、公交车数量、常住人口数量和就业人口数量这些与出租车客运需求量高度正相关的空间影响因素作为自变量,西安市出租车客运需求量作为因变量,构建需求量多元线性回归模型.

  供应量多元自回归模型中,2014年西安市出租车日均客运量α为120万人次,空载率ρ为50%,由公式(3)得西安市2014年出租车供应量

  T=1200.5=240(万人次).

  根据公式(1)得西安市出租车资源适应度

  M=QT=240169。718=1.41.

  因此2014年西安市出租车客运适应度略偏离最佳范围,供求匹配不平衡.

  可以看出,以西安为代表的西北内陆地区的出租车资源配置整体上“供过于求”,这与我国中西部地区人口密度较为稀疏、经济发展水平较为落后的实情有关,然而这种对资源配置的描述是粗糙的,只体现了出租车资源配置在较长时间内的平均状况.事实上,虽然一天的大部分时间内出租车客运供应量多于需求量,但在出租车行业获利的黄金时段“早高峰”和“晚高峰”,“打车难”仍然普遍存在,因此需要进一步建立短期模型得到出租车资源配置的实时定量刻画.

  3.2短期模型

  西安市以钟楼为中心的四条大街是交通动脉,东北,西北,西南,东南四块地区地区内部发展水平大致相当,构成高速发展的二环.采集数据时,以位于东南西北四条大街和东北,西北,西南,东南的八个点代表西安的整体交通状况.选择17∶00-19∶00的数据代表高峰交通状况,13∶00-15∶00的数据代表中峰,凌晨2∶00-4∶00的数据代表低峰.得到西安市2015年9月6-11日八个方位软件平台上,高中低峰出租车分布和打车难易度,打车需求量,被抢单时间,车费的实时变化数据,据此估算真实供应量.再根据图1,高,中,低峰时打车软件上的打车需求量分别占总需求量的49.4%,37.5%,15.0%,可以由“苍穹数据”估算出西安9月6-11日每日随时间变化的真实供应量.

  需求量人工神经网络模型中,使用SPSS对数据进行训练,待网络训练稳定后,得到如下的模型汇总和9月11日出租车需求量实际值和预测值校验结果(见表1).

  供应量多元自回归模型中,先对选择出的供应量影响因素进行相关性检验.分别画出高、中、低峰西安9月6日-11日供应量与车费之间关系图可以看到车费和供应量的变化趋势近似相同,再使用SPSS进行相关性检验,得到在显著性水平小于0.01时,西安市出租车供应量和车费之间存在显著的相关关系,因此用车费对供应量的影响来体现实时收入对出租车运营量的影响是合理且可以接受的.

  根据西安9月6日-11日的数据,通过Matlab拟合,得到参数的最小二乘估计即公式(4).短期模型下,高、中、低峰出租车供应量多元线性回归模型结果如下:

  T1=-395.1-0.095T2-0.44T3+28.92c1+ε1,

  T2=2763.7-4.97T1+4.86c2+ε2,

  T3=13415-25.37T1+82.65c3+ε3.

  用SPSS分别对模型中T1、T2、T3进行显著性检验,得到显著性水平分别为0.445、0.929、0.147,均大于0.05,故接受原假设,即上述建立的多元回归模型是合理的.

  4互联网时代的“补贴”方案确定

  长期模型给出了西安市出租车资源配置的整体状况,短期模型定量刻画了西安市出租车供需的实时变化.和传统出租车运营方式相比,互联网时代实时数据的获得和公布成为可能,从而可以采用补贴的方式及时平衡供需.本节将给出利用打车软件上的出租车运营实时数据来制定可以公布在互联网平台上的实时补贴方案的方法,从而实现在低峰时段增加需求量减少供应量,在高峰时段增加供应量适当减少需求量,最大发挥互联网在优化出租车运营方式方面的作用.

  4.1方案确定

  以“快的”和“滴滴”两家较大出租车公司打车软件补贴方案为例,目前已实施过的补贴形式有三种:1.间接给乘客补贴,多采用向新用户提供购物券的方式;2.直接给乘客补贴,减少车费金额,多有订单数目封顶;3.直接给司机一定金额奖励,多有订单封顶.间接补贴方式收效甚微,不予考虑.扩展“补贴”的含义,认为给司机“补贴”为增加司机的每单收入,给乘客“补贴”包括减少和提高乘客的每单支出两方面,创造性的将后两种直接补贴方案结合起来,将一

  天划分为高,中,低峰,应用BP神经网络得到为使供需匹配,即需供比

  计算过程如下.以收集的西安市9月6日-11日的实时数据为训练样本,通过神经网络得到在不同补贴额下的供应量和需求量数据,从中挑选22组,其中20组作为训练样本,2组作为考核本系统的检验样本.取上述数据里高、中、低峰9月6日-11日打车难易度d,订单平均被抢时间t的平均值,为使出租车供需平衡,将出租车需求量与供应量之比

范文九:互联网时代出租车供需匹配及补贴方案确定_刘嘉琪 投稿:杜宒宓

第33卷 第2期2016年6月   经 济 数 学

JOURNALOFQUANTITATIVEECONOMICS   Vol.33,No.2

Jun.2016   

互联网时代出租车供需匹配

及补贴方案确定

刘嘉琪,邹泞憶,周梓楠,王颖喆

()北京师范大学数学科学学院,北京 100875

长期  摘 要 通过建立出租车供求匹配的长期和短期模型给出了打车软件平台上优化的补贴方案.建立出租车需求量的多元线性回归模型和供应量公式.短期模型中,应用B模型中,P神经网络预测每天高、中、低峰的出租车需求量,建立高、中、低峰供应量多元线性自回归模型.以西安市为例,在模型的基础上,通过分析实时数据得出分时段的适用于网络平台的平衡供需的补贴方案.互联网时代的补贴方案依赖广泛全面的大数据,更及时,多样,具有针对性,不仅有效实现了软件平台公司的盈利,也最大于实时更新,

可能地满足了乘客,政府,由司机代表的出租车公司的需求,充分发挥了互联网在优化出租车运营方式方面的作用.

关键词 应用数学;出租车供需匹配;补贴方案;神经网络;多元回归中图分类号 O29,O213,F572          文献标识码 A

DOI:10.16339/j.cnki.hdjjsx.2016.02.017

MatchinDereeofTaxiSulandDemand    ggppy  

andDeterminationofSubsidSchemesintheInternetAe       yg 

LIUJiai,ZOU Nini,ZHOUZinan,WANGYinzhe -q- - -gyg

(,)SchooloMathematicalSciencesoBeiinNormalUniversitHaidian,Beiin100875China    f f jg y,jg 

,bstractbuildinlonandshortterm modelsofmatchindereeoftaxisulanddemandanotimizationofthe  A B           yggggppyp     ,subsidschemeonataxisoftwarelatform wasdetermined.Inthelonterm modelamultilelinearreressionmodeloftaxi              ypgpg  ,demandiven.Inandaformulameasurinsulweretheshortterm modelBPNeuralNetworkandthemultilereression              ggppypg  ,wereusedtomeasuretaxidemandandsulresectivelforhih,mediumandlowXi'anasanexamleeak.Takinmodel               ppypygppg   ,latform throuhtheanalsisofrealtimedataatimedivisiontaxiotimizationsubsidschemeonInternetwasdetermined.    -  -       pgypy ,,BasedontimeludatedextensiveandcomrehensivebidatasubsidschemesintheInternetaearemoretimelvariedand             yppgygy    ,secific.MakinfulluseoftheInternetinotimizintaxioerationmodetheseschemesnotonlrealizerofitmakinofsoft              -pgpgpypg    ,,latformassenersovernmentreatestwarecomaniesbutalsomeettheneedsoftheandtaxicomaniestotheextent.                ppgggpp

;;;;KewordsliedmathematicsmatchindereeoftaxisulanddemandsubsidschemesNeuralNetworkmul a      -ppggppyyy    tilereressionmodel  pg

收稿日期:20160326--

:基金项目9北京师范大学本科生科研训练与创新创业(国家级)项目85项目资助,:(—),,女陕西富平人作者简介刘嘉琪1995:E-mailliuiaiail.bnu.edu.cn@mjq

—104—

经 济 数 学第33卷

互联网专车服务在打破出租车行业垄断的同时将促

1 引 言

近年来,作为城市客运交通的重要组成部分,出但“打车难”问题也越来越突出.步租车业发展迅速,

,入“互联网时代”多家公司依托互联网建立打车软在使乘客与出租车司机之间信息互通件服务平台,

的同时推出了比传统补贴方案更及时,更灵活,更有以期实现出租车需求与针对性的出租车补贴方案,

供应的调整,获得更大盈利并解决“打车难”问题,因此在了解出租车供求匹配程度的基础上制定最优的补贴方案就具有重要的现实意义.

传统的对出租车行业的研究主要集中于对城市出租车需求和拥有量的预测.在预测出租车需求方面,以Doulas为代表的国外学者利用较为复杂的g()数学模型,提出出租车的需求是其平Doulas1972g

1]

,均出行费用和平均等候时间的减函数[J.Enriueq

进整个行业的深层次改革.这些研究填补了传统供需平衡研究的空白,打车软件的出现使得实时数据的获取成为可能,据此可以得到具有高实效性的供需状态预测,进而对不同区域在不同时刻借助提出多样的补贴措施以平衡供需.但这些研究只分析了互联网和已有的补贴措施在平衡供需方面的效用,没有提出如何制定不同情况下的适用于网络平台的未能最大发挥互联网在优化出租车运营补贴方案,方式方面的作用.

建立长期和短期的供需平衡模型,以西安市为例,应用长期模型从总体上把握西安市出租车供需平衡状态,然后根据短期模型定量分析西安市出租在此基础上,应用神经网络方法车实时的供需状态,

给出适用于打车软件平台上的随时更新的出租车优化“补贴”方案,希望能对出租车运营管理和城市交通管理提出有效的建议方案.

等运用经济学的方法,将出租车客运需求定义为价

2]

国内学者提出了一些计算较简单格的广义函数[.

黄仕进,杨海等在的预测方法并应用于实例分析,

1999年的改进模型中建立非线性方程和神经网络的模型来表述需求并应用于香港出租车汽车市

3][4]

,场[徐炜运用多元线性回归方法预测深圳市出5]

,卢毅使用神经网络B租车运力投放[P算法仿真

2 出租车供需模型

2.1 相关定义

根据数据特点,对应长期和短期供需关系模型,分别采用长期和短期两种方式定义需求量、供应量及供求匹配程度.长期定义以年为单位变化,主要体短期定义针对现宏观经济指标对供需平衡的影响,

每一时刻,主要体现每时每刻交通状况对供需平衡的影响.

2.1.1 长期定义

长期模型是通过城市宏观经济特征和居民出行特征来预测出租车供需状态,进而给出相应变量定义及单位.

需求量:每年出租车承担的出租车乘客人数和尚未被满足的潜在出租车乘客人数之和,单位“万人次”.

供应量:当年运营出租车可以承担的出租车乘客数量,单位“万人次”.

供求匹配程度:选择出租车供应量和需求量之比适应度M作为衡量较长时间内供求匹配程度的,指标.万人次)T为出租车客运供应量(D为出租车

[16] 

,客运需求量(万人次)则适应度为

模拟

[6]

在预测出租车拥有量方面,陆建(根.2004)

7]

,李智宏使用供据城市居民和流动人口出行特征[

8]

,)需平衡法[车岚(在大量数据的基础上应用2006

统计回归方法

[9]

由于数据的限制,这些研究在一.

适合于较定情况下成功地预测了供应量和需求量,长时间较广范围内对供需状态大致趋势的预测,但不能及时为出租车运营提出有效的有针对的平衡供需措施.

步入互联网时代,学者又将目光转向了如何利用互联网平衡供需,优化出租车运营方式.李伟丽等()2015

[10] 

,刘佳倩等(2015)

[11] 

分析了北京市不同

经济分区和一天不同时段的出租车资源配置,研究的时空范围更加精确并提出了比较粗糙的平衡供需戚蓓蓓等的补贴方案.

[12] 

,陈丽贞

[13] 

等分析了打车

软件上推出的补贴方案对平衡供需的作用.但同时,互联网时代的到来也对出租车行业发展提出了新的

[14] 

)挑战,张朝霞(指出了原有的出租车行业管2015

)理体制在互联网时代的不足,肖沛然(2015

[15] 

指出

M=

.T

()1

第2期刘嘉琪等:互联网时代出租车供需匹配及补贴方案确定

—105—

一般的,认为当1.出租汽车25≤M≤1.40时,客运需求与供应量基本达到平衡;当M<1.25时,出租车供应量较小,不能很好地满足乘客需求;当出租车供应量过大,超过需求,造成资M>1.40时,源浪费.

[17]

)型如式(2.

D=axε.0+ii+∑a

因素,aε为残差,i为待定的回归系数.

()供应量计算模型2

()2

其中,D为出租车客运需求量,xi为需求量显著影响

2.1.2 短期定义

需求量:某时刻出租车订单量,包括已成功提交和未成功提交的.认为一辆出租车完成一份订单,因车次”此确定需求量单位为“.

供应量:某时刻运营出租车量,单位“车次”.供求匹配程度:选择出租车需求量和供应量之比需供比γ作为衡量某一时刻供求匹配程度的指标.不同于出租车实载率,此处定义的γ包括了想打车但未打上车的乘客.

需求量Q,T分别代表出租车需求量和供给量,与供应量之比γ为

考虑到出租车供应量乘以载客率可大致反映出

7]

,供应量T由下列公式近似租车实际日均客运量[

确定:

()T=,3

1-ρ

其中,α为城市出租车日均客运量,ρ为出租车空载率.

2.2.2 短期模型

()需求量人工神经网络模型1

出租车需求量的影响因素很多,通过建立函数关系进行准确预测是不现实的.而人工神经网络能从数据样本中学习以前的经验并自动逼近那些最佳因此可以对城市公共刻画了样本数据规律的函数,交通需求进行较好的预测.

,采用人工神经B网P网络(BackroaationNN) ppg还有一层或多层的隐层节点,同络除输入输出节点外,

输入信号从输入层节点,依次穿过各层节点中无耦合.

隐层节点,传到输出节点,每一层节点的输出只能影进行人工神经网络预测时,首先确定响下一层节点.

输入、输出参数,输入层共三个输入信号,打车难易,订单平均被抢时间t平均车费c,输出层为出度d,

选择隐含层节点数为2.然后,确租车真实需求量,

定初始条件,将已有数据分为训练样本和检验样本.,最后对输入、输出数据进行“归一化”使得网络输入]根据已有的打车难易度,订单变量的值域为[0,1.平均被抢时间,平均车费和出租车真实需求量数据,使用S得到城市出租车需求PSS对数据进行训练,

6]量的神经网络模型估计值[.

γ=

.T

供求匹配关系:当出租车供应量略大于需求量时,出租车资源流动顺畅,因此认为γ在65%~80%之间取值时,出租汽车客运需求与供给基本达到平衡.

2.2 供需模型建立

以西安市为例,建立出租车供需匹配程度的长期和短期模型.长期模型旨在分析较长时间内(年)出租车资源的大致供求关系,在长期定义下,分别建立需求量和供应量计算模型,采用适应度作为供求短期模型旨在分析不同时刻匹配关系的衡量指标.

出租车资源的供求匹配程度,将一天划分为四个时间板块,分别对应于居民出行量的高峰,中峰,高峰,低峰.在短期定义下,分别建立需求量和供应量计算模型,采用需供比作为供求匹配关系的衡量指标.

2.2.1 长期模型

()需求量多元线性回归模型1

首先选取与需求量有显著关系的空间影响因素.需求量影响因素分为经济因素,公共交通因素和社会因素三类.经济因素包括国内生产总值(,人均可支配收入和居民消费水平,公共交GDP)通因素包括出租车客运量和公交车数量,社会因素包括常住人口数和社会从业人数.将出租车客运需求量分别与这些因素进行相关性分析,选择显著相关的影响因素.然后将出租车客运需求量作为因变量,显著影响因素作为自变量,建立多元回归线性模

()供应量多元自回归模型2

考虑高、中、低峰之间的互相影响和实时收入对出租车运营量的影响,建立三个方程的供应量多元线性模型.类似空间的需求量模型,供应量的影响因交通因素和社会因素.以天为素也可分为经济因素,

时间单位,一些经济政治因素如G人均收入水DP,平等不会有明显变化,但是交通通畅状况,司机收入是供应量周期性变化的主要影响因素.交通通畅状况可以用人口出行量来刻画,体现在高、中、低峰之从早上6点开始,将一天看作高—间的相互关系.

—106—

经 济 数 学第33卷

中—高—低峰的循环,建立多元回归模型时,高峰供应量是中、低峰供应量的影响因素,中、低峰供应量是高峰供应量的影响因素.可以用车费直接刻画出租车司机的收入.进行相关性检验后建立多元线性回归模型如下:

11

T1=αT2+αT3+∑xααε0+12ii+122T2=βT1+∑xε0+1ii+2ββ)根据公式(得西安市出租车资源适应度1

M=

41.==1.1697T18

因此2014年西安市出租车客运适应度略偏离最佳范围,供求匹配不平衡.

可以看出,以西安为代表的西北内陆地区的出,供过于求”这与我国中西部租车资源配置整体上“

()4

地区人口密度较为稀疏、经济发展水平较为落后的实情有关,然而这种对资源配置的描述是粗糙的,只体现了出租车资源配置在较长时间内的平均状况.事实上,虽然一天的大部分时间内出租车客运供应量多于需求量,但在出租车行业获利的黄金时段“早,“高峰”和“晚高峰”打车难”仍然普遍存在,因此需要进一步建立短期模型得到出租车资源配置的实时定量刻画.

3.2 短期模型

西安市以钟楼为中心的四条大街是交通动脉,东北,西北,西南,东南四块地区地区内部发展水平大致相当,构成高速发展的二环.采集数据时,以位于东南西北四条大街和东北,西北,西南,东南的八个点代表西安的整体交通状况.选择17∶00-19∶13∶00-15∶00的数00的数据代表高峰交通状况,

据代表中峰,凌晨2∶00-4∶00的数据代表低峰.得到西安市2015年9月6-11日八个方位软件平台上,高中低峰出租车分布和打车难易度,打车需求量,被抢单时间,车费的实时变化数据,据此估算真再根据图1,高,中,低峰时打车软件上的实供应量.

打车需求量分别占总需求量的49.4%,37.5%,15.可以由“苍穹数据”估算出西安9月6-10%,1日每日随时间变化的真实供应量.

需求量人工神经网络模型中,使用SPSS对数据进行训练,待网络训练稳定后,得到如下的模型汇总和9月11日出租车需求量实际值和预测值校验)结果(见表1.

供应量多元自回归模型中,先对选择出的供应量影响因素进行相关性检验.分别画出高、中、低峰西安9月6日-11日供应量与车费之间关系图可以看到车费和供应量的变化趋势近似相同,再使用得到在显著性水平小于0.SPSS进行相关性检验,西安市出租车供应量和车费之间存在显著的01时,

相关关系,因此用车费对供应量的影响来体现实时收入对出租车运营量的影响是合理且可以接受的.

33

T3=γT1+∑xγγε0+1ii+3其中T1,中、低峰出租车供应T2,T3分别代表高、123

中、低峰出租车供应量的量,xxxi,i,i分别代表高、

显著影响因素,)为误差项.α,γ为待估参数,β,

3 实例分析

以西安市为例,使用SPSS软件分别建立西安市出租车供需匹配程度的长期和短期模型.长期模西安市统计年鉴》人均型采用《2000-2009年GDP,可支配收入,人均消费支出,公交车数量,常住人口,从业人口,出租车客运需求量数据,进行显著性检验之后,根据长期模型计算西安市出租车适应度,作为西安市供需匹配程度的长期总体刻画.短期模型采苍穹”上2用滴滴快的智能出行平台“015年9月6日-1打车难易度,打车需求量,被1日出租车分布,车费的实时变化数据,根据短期模型得到抢单时间,

西安市出租车高,中,低峰需供比,作为西安市实时供需匹配程度的刻画.

3.1 长期模型

首先,使用S城镇居民人均可支PSS进行GDP,城镇居民人均消费支出,公交车数量,常住配收入,

人口数,社会从业人口数和出租车客运量的相关性分析.在显著性水平0.选择西安市G人01下,DP、均可支配收入、人均消费量、公交车数量、常住人口数量和就业人口数量这些与出租车客运需求量高度西安市出租车正相关的空间影响因素作为自变量,

客运需求量作为因变量,构建需求量多元线性回归模型.

供应量多元自回归模型中,2014年西安市出租车日均客运量α为1空载率ρ为5由20万人次,0%,)公式(得西安市23014年出租车供应量

(万人次)T=40.=2

50.

2期刘嘉琪等:互联网时代出租车供需匹配及补贴方案确定

—107—

时段/时

图1 不同时段用户使用手机打车占总打车需求量的比例表1 模型汇总和9月11日出租车需求量实际值和预测值校验结果

时间平方和错误相对错误终止使用的规则

培训时间实际值预测值

高峰0.64 0.026 

中峰0.33 0.13 

低峰0.0010.000

)实现的培训错误标准(中的相对变化.00010:00:00.00410.93 440.26 

0:00:00.00297.87 248.77 

0:00:00.0062.2263.30

日期

()a

日期

()b

图2 高、中、低峰供应量和车费相关关系图

日期

()c

—108—

经 济 数 学第33卷

通过M1日的数据,atlab  根据西安9月6日-1拟合,得到参数的最小二乘估计即公式(短期模4).型下,高、中、低峰出租车供应量多元线性回归模型结果如下:

天划分为高,中,低峰,应用BP神经网络得到为使

即需供比*达到7不同时段给司机和供需匹配,0%,乘客的补贴金额如表2,进行结果检验和灵敏度分

析之后,发现补贴方案确实提高了出租车供需匹配程度且参数*的取值对补贴金额的影响是不灵敏的.

表2 优化乘客补贴和司机补贴

乘客补贴高峰中峰低峰

司机补贴21.10 3.41 22.70 

41.5545.4434.76

T1=-395.1-0.095T2-0.44T3+28.92cε1+1,T2=2763.7-4.97T1+4.86cε2+2,T3=13415-25.37T1+82.65cε3+3.用SPSS分别对模型中T1、T2、T3进行显著性检验,得到显著性水平分别为0.445、0.929、0.147,均大于0.故接受原假设,即上述建立的多元回05,归模型是合理的.

补贴”方案确定4 互联网时代的“

长期模型给出了西安市出租车资源配置的整体状况,短期模型定量刻画了西安市出租车供需的实时变化.和传统出租车运营方式相比,互联网时代实时数据的获得和公布成为可能,从而可以采用补贴的方式及时平衡供需.本节将给出利用打车软件上的出租车运营实时数据来制定可以公布在互联网平

从而实现在低峰时段台上的实时补贴方案的方法,

增加需求量减少供应量,在高峰时段增加供应量适

当减少需求量,最大发挥互联网在优化出租车运营方式方面的作用.

4.1 方案确定

以“快的”和“滴滴”两家较大出租车公司打车软目前已实施过的补贴形式有三种:件补贴方案为例,间接给乘客补贴,多采用向新用户提供购物券的1.

直接给乘客补贴,减少车费金额,多有订单方式;2.

直接给司机一定金额奖励,多有订单封数目封顶;3.顶.间接补贴方式收效甚微,不予考虑.扩展“补贴”

的含义,认为给司机“补贴”为增加司机的每单收入,给乘客“补贴”包括减少和提高乘客的每单支出两方面,创造性的将后两种直接补贴方案结合起来,将一

计算过程如下.以收集的西安市9月6日-11日的实时数据为训练样本,通过神经网络得到在不从中挑选2同补贴额下的供应量和需求量数据,2组,其中20组作为训练样本,2组作为考核本系统取上述数据里高、中、低峰9月6日-的检验样本.

订单平均被抢时间t的平均值,11日打车难易度d,

为使出租车供需平衡,将出租车需求量与供应量之得到高、中、低峰最优平均车费p比*设定为70%,和最优平均每单收入s,根据公式bbd=sp=c-p,

计算得到最优乘客补贴和司机补贴,其中bc,b-dp,分别为乘客补贴额和司机补贴额.

然后将上述补贴方案应用于西安市9月7日-11日的数据中,得到如表3补贴方案实施前后,需求量与补贴前的数据是根据苍穹数据和B供应量之比对比.P神经网络训练得到的需供比的真实值,补贴后的数据是在采取上述补贴方案之后,改变神经网络的“平均车参数得到的需供比的短期模型预测值.可以看到,费”

补贴方案高峰的模拟结果最好,其次是低峰,总体而言,补贴政策使一天的出租车需求量与供应量之比更加接近7即接近供求平衡.0%,

表3 最优补贴方案实施前后需供比变化

日期7 8 9 10 11 均值

高峰17∶00-19∶00前0.91 1.01 0.20 1.53 0.82 0.89 

后0.98 0.61 0.57 0.67 0.65 0.70 

中峰13∶00-15∶00前0.83 0.55 0.60 0.68 0.55 0.64 

后0.83 0.52 0.69 0.64 0.56 0.65 

低峰2∶00-4∶00前0.49 0.57 0.59 0.68 0.77 0.56 

后0.360.570.500.650.720.62

2期刘嘉琪等:互联网时代出租车供需匹配及补贴方案确定

[17] 

对性的方案:

—109—

中,低峰补贴方案实施前1日高,  绘制7日-1

后需求量与供应量变化图,其中星号,三角形标注的点分别是方案使用前后需求量与供应量之比,可以高、中、低峰需求量与直观的看到补贴政策实施后,供应量之比更加接近70%.

()由于数据收集的局限,传统时代的补贴方案1

平衡的其实是几周前或几月前的出租车资源配置情况,而互联网平台上数据的实时性使得补贴方案的实时性成为可能,可以为出租车司机提供最新的信息指导.

()传统出租车补贴方案为每月支付固定的补2

而互联网时代的补贴方案考虑司机业绩,方式贴金,

更加多样且快捷.

()软件平台实现了司机与乘客信息的实时互3通,双向的资源调配更有针对性,对出租车司机可以大幅降低空驶率,增加收入,对乘客可以有效降低候车时间.

表4 参数*的取值对高、中、低峰乘客

和司机补贴金额的影响

γ乘客补贴

高峰中峰低峰

65%25.90 2.96 15.58 65%41.55 45.44 34.76 

70%21.10 3.41 22.70 70%37.44 45.39 39.73 

75%23.76 4.14 24.60 75%39.40 45.46 41.74 

80%23.824.7724.5180%39.4545.6241.65

日期

()a



γ司机补贴

高峰中峰低峰

日期()b

模型得到的补贴方案基于一辆车在一个时刻只且主要优化目的为平衡供需,除能完成一单的假设,

此之外还可以有其他方式和其他因素主导的补贴方案:

()在司机和乘客同意的基础上,鼓励合理拼车1

()对没有发生事故或违章的司机额外补贴2

()根据行驶路况进行补贴,如对行驶边远市区3进行额外补贴

日期

()c

()给出租车分发积分卡或好评返现4

()根据使用打车软件次数给乘客进行补贴5

图3 最优补贴方案实施前后需供比变化图

5 结 论

以西安市为例,建立了长期和短期出租车供需关系模型,进而得出分时段出租车优化的“补贴”方案,为“滴滴快的”等出租车软件平台提供了一种实时补贴的思路和补贴金额的确定方法.根据实时的交通状况,可以在软件平台上及时发布给司机和乘客的“补贴”额,随时调整出租车资源的供需匹配程

最后对参数γ进行灵敏度检验,分别令γ取值得到高,中,低峰乘客和司机65%,70%,75%,80%,

发现参数γ的取值对补贴金额的补贴金额如表4,

影响是不灵敏的即表3的补贴方案是适用的.

4.2 方案评价与展望

和传统出租车补贴方案对比,互联网时代的补贴方案利用大数据,给出了更及时,更灵活,更有针

—110—

经 济 数 学第33卷

度.高峰段,需求量过高且为硬性需求,因此增加乘客车费进而给司机更高的补贴,使供应量增加,需求量适当减少,不仅使供需关系更加平衡,还增加了出中峰段,道路状况租车公司和打车软件公司的收益.良好,给乘客补贴使那些本没有打车计划的出行人口选择出租车方式,给司机补贴使更多的司机愿意出车为将要到来的高峰段做准备.低峰段,需求量明显减少,给乘客高的补贴使更多的出行人口选择出租车,给司机较高的补贴使司机愿意跑夜车,这样可以减少晚上或凌晨打车的乘客的候车时间.在这样补贴”政策下,充分发挥了互联网的作用,不仅实的“

现了软件平台公司的盈利,也最大可能地满足了乘客,政府,由司机代表的出租车公司的需求,使得供需关系匹配程度得以提高.

():ofTransortationEninerrin1999125213-216.Jorunal   pgg []吉林大学商学院,5D]. 徐炜.深圳市出租小汽车运力投放研究[

2005.

[]]6J. 卢毅,王礼志,卢旭.城市出租车需求仿真预测模型研究[

():长沙交通学院学报,2007423-27.

[]]王炜.城市出租车拥有量确定方法[7J.交通运输工程学 陆建,

():报.2004392-95.

[]成都市28005、2010年中心城区出租汽车发展规划调研 李智宏.

报告[成都市出租汽车管理处,R].2002.

[]]城市出租车发展现状及需求预测[山西科技.9J.2006 车岚.

():689-91.

[]李伟丽,杨鹏辉,孙漩,蒋文安.互联网+时代下出租车资源配10

],:自然科学版)置研究[J.海南师范大学学报(2015,28(4)367-374.

[]刘佳倩,朱家明,李之好,李金玲.“互联网+”时代出租车供需11

]匹配测度及补贴方案效应分析[J.上海工程技术大学学报,():2015,294378-382.

[]戚蓓蓓,朱家明,秦欢,从雨佳.“互联网+”时代的出租车资源12

]():配置[J.交通企业管理,2015,3281244-47.

[]陈丽贞,“陈丽珊.互联网+”时代出租车补贴效果实证研究13

[],():自然科学版)J.赤峰学院学报(2015,3112109-111.[]张朝霞,秦青松,张勇.“互联网+”时代客运出租车管理改革14

]():方向探讨[J.价格理论与实践,2015,373717-20.[]肖沛然.]互联网专车服务对出租车行业垄断的影响[15J.经济

():数学,2015,32421-26.

[]范合君,杜博.特大城市出租车合理数量估计及实现路径:以北16

]():京市为例[J.经济与研究管理,2015,36891-95.[]安晓丹,赵杰,章林枫,王济荣.“互联网+”时代的出租车资源17

]():配置[J.运城学院学报,2015634-37.

参考文献

[]1W.Doulas.Pricereulationandotimalservicestand G.     -ggp

:TardshetaxicabindustrJ].JournalofTransortEco     -y[p():nomicsandPolic.1972,20116-127.  y

[]2anielFlores-guri.Aneconomicanalsisofreulatedtaxicab D      yg

[],():marketJ.ReviewofIndustrialOranization200393594   g15.~6

[],3anS.C.Won.Anetworkeuilibrium modelofurban H.Y    ggq

]():taxiservices[J.TransortationResearch32B,1998,324   p235-246.

[],,H.Y,4.M.XuS.C.WonanC.O.Ton.Modelinthe Jgggg 

[]ofurbantaxiservicesusinaneuralnetworkJ.ASCElevel       g

范文十:论服务供给与需求的匹配 投稿:金芵芶

作者:薛小军

决策借鉴 1995年03期

  服务业与制造业的明显不同之处在于服务的及时性。汉堡包须是热的,汽车旅馆要恰好能在困倦的旅客需要休息时向他们提供房间,航空公司班机座位要在乘客想去乘坐时空着。平衡一种服务的供给与需求是服务企业经营成功的关键,而做到这一点则很不容易。本文主要探讨了服务能力管理上易犯的错误及用以改变需求控制供给的几种方法,以期对服务业经理们有所启示。

  一、服务能力管理的误区

  物品的消费是在生产之后,而服务的生产与消费则几乎是同步进行。这种差异使服务业经理必须考虑一套不同于制造业经理所考虑的因素。如果对现实中的服务业作一番考察就会发现,成功的服务企业经理是在成功地管理着企业的服务能力,而失败的经理则没有做到这一点。服务能力管理的差异造成胜败两种截然不同的局面。

  下面是服务企业经理们容易陷入从而导致失败的几个误区:

  1.增加错误类别的服务能力

  在争夺航空客运市场份额的战争中,有航空公司发现:某一特定航线上航班座位数占较小份额的航空公司获得的乘客份额常常小于其投入该航线的航班座位份额。相反,那些拥有很大航班座位份额的航空公司则获得了比其航班座位份额更大的乘客份额。于是得出结论:投入更多的航班座位,就能获得更多的乘客。为增加航班座位数,有的航空公司购买了超大型喷气客机。然而当其他竞争者开始在该航线上投入小型客机增加航班频率而获得大量乘客时,那些航空公司这才发现一个痛苦的事实:不是航班座位拥有量而是航班飞离频率才是获得更大市场份额的关键。结果他们只得封存或变卖已经购买的超大型客机。

  2.没有增加全方位服务能力

  为了增加营业额,某旅游胜地的一家旅馆老板决定增加出租房间数而不相应扩大为新增顾客所需的配套服务能力。原来,房间租金高达营业总额的90%。而网球场、会议室、停车场等配套服务设施对总营业额的贡献几乎为零。这样的事实促使旅馆老板打破了出租房间与其他配套设施之间既有的平衡状态。但是,顾客数量不是取决于可供出租的房间数,而是取决于配套服务设施所能支持的房间数,那些超过配套服务设施服务能力的房间只能闲置了。

  3.没有考虑竞争反应

  佛罗里达奥兰多房屋出租业界对迪斯尼世界在该地宣布设立迪斯尼乐园的反应是这种错误的典型例子。迪斯尼公司在加利福尼亚奥兰吉县的迪斯尼乐园上的营业收入仅限于乐园景点的娱乐、食品和纪念品收入,而乐园周围的住宿、餐饮和娱乐上的大量利润则为别的企业获得。为避免同样的情形可能在奥兰多再次出现,迪斯尼吸取了教训,在奥兰多购买了多达2000英亩的土地,包括即将建立的迪斯尼世界周围两英里以内的所有土地。但是,奥兰多每家旅馆或汽车旅馆在得知迪斯尼将在当地建立时,纷纷筹划建立分店,以在迪斯尼世界周围获得好处,而丝毫没有考虑到迪斯尼公司早已采取的行动。随后的过度建筑很明显,为服务一个估计只需1900间房屋的市场共建造了多达30000间的房屋。结果许多旅馆的租房率仅有33%。

  4.削价抢自已生意

  一家新加入连夜投递空运业的公司发现,通过增加现有飞机和分支办事处可以获得市场份额,但成本比收入增长得更快。由于依然想扩大市场份额,该公司就以低费率提供第二天送达和第三天送达服务,但是因为拥有过多的服务能力,这家公司总是在次天就把包裹送到收件人手中。当顾客发现这个事实之后,该公司的业务组合戏剧性地转向低费率服务项目。尽管业务量有所增加,但是低费率服务项目的低毛利率却使盈亏平衡业务量也大大提高了。

  上述“陷阱”是经常出现的,而成功的服务企业经理则避免了这些陷阱。从许多管理良好的服务企业的例子中可以归纳出多种管理服务需求与供给的方法,以达两者的最佳匹配。

  二、需求管理

  服务业经理可以借助定价策略、非峰期促销、互补服务及预定制度来达到管理需求的目的。

  1.订价策略

  经理们可用以将需求从高峰期转至非峰期的一种方法就是采用差别订价策略,即高峰期实行高价,非峰期实行低价。这种策略的另一种作用就是增加非峰期的基本需求。这方面的例子包括电影院的日场与夜场价格,酒吧的快乐时段价格,长途电话服务的周末及夜晚费率,还有公用公司的使用高峰期收费,等等。

  2.开发非峰期需求

  大部分服务企业的经理们经常苦想着怎样才能增加淡季里的需求,特别是那些拥有高固定费用低可变费用结构的服务设施的企业更是如此,因为营业增加额对这些企业的盈利性有着巨大的影响。这方面的例子也很多,比如汉堡包连锁店增加了早餐服务;咖啡馆增设了晚餐服务;城里的旅馆在周日为商务旅行者服务,在周末则开发出称为“微型假期”的服务项目以吸引郊区居民。

  然而在准备增设新的服务项目以增加淡季的需求时要保持警惕。许多企业因推出新的服务项目而没看到它们对已有服务的冲击而付出了代价。因为新的服务构想常常需要现有服务系统中没有的设备与技术,而增添新的技术与设备则可能需要新型的劳动力、新设计及更多的监管工作。

  3.开发互补服务

  经理们用以把需求从高峰期移开的另一种方法是开发互补服务。这就是在需求高峰期间把消费者从服务瓶颈环节吸引开或在他们排队等候受能力限制的服务环节时向他们提供替代性服务。例如,饭店老板发现,在生意繁忙的晚上让老主顾们坐在休息室里喝着饮料等待餐桌空出来比让他们在就餐区排队站着等待抱怨少多了。而且设有酒吧的饭店的盈利率也成倍增加。一家旅馆的经理在每一楼层的大厅里都安装了镜子,这样房客等待电梯时可以检视自己的容貌,从而分散了注意力,等待也变得轻松了。以邮件或自动柜台机办理银行业务则是减少顾客等候时间的又一种办法。

  4.设立预定制度

  预定制度是服务企业经理用以管理需求的有效工具。这种制度实质上是预售本企业的服务能力。当某一特定服务设施在特定时间内被预定掉时,经理经常能够将过量的需求转向同一服务设施的别的时间或安排在本企业的其他服务设施上,从而大大减少了顾客等候时间,保证了顾客服务。例如,在全国范围设立了预定制度的汽车旅馆连锁店,在顾客首选汽车旅馆客满时,就可以在最近的连锁内的另一所汽车旅馆为顾客安排一个房间。

  预定制度也有缺点,主要问题是顾客没有兑现预定。考虑到这种情况,一些服务企业就超其服务能力向服务预定而甘冒有可能激怒顾客的风险。另有许多企业则规定,若预定人不能兑现预定又未在某约定时刻之间取消预定的要承担一定经济责任。

  三、供给管理

  服务企业经理对服务供给面的影响要比对需求面的影响更为直接。为调整服务能力适应波动的需求,服务企业经理同样有多种加以选取的策略。

  1.使用兼职雇员

  服务企业的营业高峰随服务类型而各异:或一天中某几个小时,或一周中某几天,或一月中某几周,或一年中某几个月。服务企业通常保持着一定基数的专职雇员以在非高峰时期为顾客服务,在营业高峰期则雇用兼职雇员作为专职雇员的帮手,从而增大服务能力满足高峰需求。兼职雇员的来源包括高中与大学在校生,在孩子上学这段时间里想出去工作的家庭主妇,还有希望补充基本收入的寻求第二职业的在职人员。

  2.增加效率

  为寻求需求高峰期从现有服务系统中获得最大产出的方法,有必要对本企业的服务过程进行分析。分析的结果通常能给经理们许多启示,使他们能够以很小的成本就可以扩大高峰期的服务能力。让雇员在高峰期仅完成重要的服务操作,在淡季做些辅助性工作为下一个高峰期做准备,从而达到提高高峰期服务效率的目的。经理们还可以查看正常高峰期内各项服务操作是否具有某种技巧以及技巧的运用情况,如能想法普及这些服务操作技巧的运用,就能增加现有服务系统的有效服务能力。甚至对服务系统重新作一番设计也能对生产效率产生很大的影响。

  另外一种突破高峰期服务能力约束的方法是对各部门员工进行交叉培训,即对某一部分员工进行别的部门的操作培训,使员工具有多种服务操作能力。这样,在高峰期服务系统倾其能力为顾客服务时,那些末达其最大操作能力的部门的员工就可以临时调至操作瓶颈部门,从而增加瓶颈部门的服务能力,满足顾客的高峰需求。

  3.提高消费者参与度

  消费者做的越多,服务企业要做的就越少。象自选商场、自我服务快餐店、自我服务加油站及自我烹调餐馆都是提高消费者参与度的做法。这种策略也存在着风险:消费者可能拒绝这种自己干活又要为此付钱的生意;经理对提供服务过程的控制降低了;这种做法还可能为服务本身培养出竞争,比如到过自我烹调餐馆的消费者可能以后就不再光顾而在家中自己干开了。

  4.服务能力共享

  提供一项服务经常需要服务企业投资于昂贵的服务设备,这些设备是提供服务必需而又不经常使用的。此时,服务企业经理就需要考虑与其他服务企业达到协议,共同使用那些必需但不经常使用的昂贵资源,以实现服务能力共享。例如,多家医院达成医疗设备共享协议,这样不必每家医院都购置每种医疗设备,而是一家购置一种医疗设备从而所有参加协议医院里的医生都可以使用各个医院的医疗设备,以更好地利用价格昂贵的设备向病人提供更好的医护服务。

  5.为将来的扩张提前投资

  聪明的经理经常进行提前的扩张投资,即现时的投资考虑到了将来的扩张需要,这样当事业以后需要扩张时,就省却了许多成本和麻烦。从而更快地实现扩张。比如,一位餐馆老板为了以后服务于更多的就餐者,超过目前需求水平建造厨房,而且让承建商把电线、水管及通风管道安装在将来扩张可能达到的房屋边缘,另外又留足土地以备将来扩张时增大停车场面积之用。这些提前的扩张投资让餐馆老板在以后不必翻新厨房、不必重新安装电线、水管之类,也不必以高价购买毗邻土地就可以达到增加服务能力的目的。

  四、寻求供给与需求的最佳匹配

  服务企业的经理们面临的最大挑战就是如何找到服务需求与服务能力之间的最佳匹配点。要迎接这个挑战,经理们需要做的事情是事先的详细规划而不是事到临头的反应。经理们应当尽力为未来时期的需求做好预测,然后逐一估算企业各部门当前的服务能力以及与未来服务需求的差距。接下来就可以针对本企业现有服务能力制定多种不同的备选方案用以改变需求与服务能力。并根据每种方案的估计成本选择一种达成需求与供给衔接的最佳方案来。

  需求管理的最终目的在于通过服务能力既定的现有服务系统增加营业额,而供给管理的目的是以最小成本来达成服务能力的增加或减少。最重要的是对需求与供给都进行有效的管理,从而达成两者间变动的均衡,这是每一位服务企业经理需要牢记的。

作者介绍:薛小军 200083 上海财经大学贸易经济系

字典词典好听的花名好听的花名【范文精选】好听的花名【专家解析】副主任医师考试副主任医师考试【范文精选】副主任医师考试【专家解析】名人读书名言名人读书名言【范文精选】名人读书名言【专家解析】