“互联网+”时代的出租车资源配置
摘 要
本文是一个资源配置最优化问题。在充分考虑影响出租车资源“供求匹配”指标的基础上，对不同城市出租车资源匹配度进行了评价；考虑到“互联网+”时代对出租车资源配置的影响，研究了其对缓解“打车难”现状的作用，并通过分析给出了合理使用打车软件，以改善“打车难”的实施方案。
针对问题一：通过查阅资料，分析得到影响“供求匹配”程度的司机和乘客的五个重要指标：里程利用率、出租车满载率、城市出租车万人拥有量，乘坐率，乘客等待时间；针对上述指标，采用熵权法和层次分析法,借助lingo软件计算得到各指标权重；考虑到城市交通状况与时间和空间的正相关性，对城市交通时间和地点按照热度等级分类，结合权重建立了多因素综合评价模型，利用matlab软件计算出不同时间段、不同地点出租车资源匹配程度综合评价值。通过司机供给量和乘客需求量比较，得到过渡区的平常时间段供求匹配程度高，密集区的平常时间段、过渡区的高峰期、郊区的平常时间段供求匹配程度中；郊区的高峰期和密集区的高峰区的供求匹配程度低，又考虑到打车软件使用率对里程利用率的影响，根据对出租车司机与乘客的双向补贴及年龄，进行资源利用率的匹配。 针对问题二：本问在第一问得到的五指标权重的基础上，选取滴滴和快的软件的补贴方案为研究对象，利用加权求和法与综合评价法，借助于matlab计算了使用软件前和使用后加补贴分别的的供求匹配度，并对两种软件匹配度进行了分析比较。通过比较，得出滴滴和快的两家软件公司的补贴对\缓解打车难\问题都作出了贡献；针对软件使用的情况进一步分析，发现存在二次打车难度情况，但在通常情况下补贴方案对“缓解打车难”有帮助，对于高峰期特别严重时二次打车难度无法解决，甚至当打车补贴金额太多时会导致资源浪费，加重打车难度。 针对问题三：本文在本对问建立了一个较为完善的打车软件服务平台，首先，引入了信誉度、补贴率、选择论等新概念对打车软件服务平台进行优化，在一定程度上对乘客与司机进行了补贴。其次，将补贴延伸为补贴率，将补贴这个固定的概念转变为一个动态的、受多方因素干涉的概念。最后，将司机的补贴金额与乘客对司机的打分进行挂钩，一定程度上可以提升司机的服务态度，同时用随机抽查来考核乘客的态度，对乘客的评分进行干预。
关键词 二次打车难 信誉度 补贴率 熵权-层次分析法
1
一 问题重述与问题分析
1.1
问题重述
随着社会逐渐步入“互联网+”时代，打车难的问题再次出现在人们眼前，成为了又一个被众多人所关注的社会热点问题，为了解决这个问题，有多家公司在移动互联网的基础上制作了不同的打车软件服务平台，为实现乘客与出租车司机之间的信息互通提供了一个信息交互平台，同时针对乘客和出租车司机推出了多种出租车的补贴方案。
问题一：试建立合理的指标，建立一个合理的数学模型，在数学模型的基础上分析在不同时空下出租车资源的“供求匹配”程度。
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？
问题三：如果要创建一个新的打车软件服务平台，将会设计什么样的补贴方案，并论证其合理性。 1.2
问题分析
针对问题一：时空可通过时间段即高峰期，包括上下班，周末，节假日等时段和平常时间确定。空间即城市不同地区，如人车密集区，过渡区，郊区。先确定指标进行理想化资源配置分析，再全面考虑资源的使用率配置，综合分析，优化供求匹配程度划分的科学性。
针对问题二：使用问题一中的供求匹配程度来衡量打车的难度。这里一个城市在使用软件前后的对比结果不具备较强的说服力，故在这里列举15个城市在使用软件前和后加补贴的匹配程度进行对比，从而增强说服力。若使用后供求匹配程度大于使用前，则使用软件对缓解打车难的问题有帮助；否则无帮助。为论证判断合理性，再次考虑二次打车难度给出了正确的判断。
针对问题三：在本问中要求创新，自己创建一个打车平台。从最优化方面给出一个补贴方案使公司，司机，利益最大化，也使乘客满意度高，继而使用率高。综合多方面给出一个补贴方案。
二 符号系统
符号
说明
打分补贴率 乘客的综合补贴率 司机的综合补贴率 乘客的信誉评分 乘客的补贴金额
q
p1 p2
y
S1
2
S2
司机的补贴金额
三 模型假设
1. 假设A市的人口不会大幅迁入迁出，基本保持稳定；
2. 假设城市出租车总数不会出现大幅度变化，保持一个固定值； 3. 假设选取的城市都具备代表性；
4. 假设同一空间下的车辆、人群密度相同。
四 模型的建立及求解
4.1
问题一的模型建立与求解
4.1.1 指标分析
本文通过出租车资源的供求匹配程度的实际分析可以得出，影响出租车资源的供求匹配程度的指标有以下五个：里程利用率、出租车满载率、城市出租车万人拥有率、乘客等待时间、乘客乘坐率。
其中里程利用率、出租车满载率、城市出租车万人拥有率为针对司机而言的三个指标。
里程利用率，反映出出租车在一天运营过程中的使用率，可以用某辆出租车当天载客行驶里程数与总里程数的比值来表示。
里程利用率?当天载人行驶里程数
当天行驶的总里程数出租车满载率，反映出出租车在某段时间内的使用率，具体指固定一个观测点之后，统计经过这个观测点的出租车总数以及其中的载客出租车的数量，载客出租车在出租车总数中所占的比例即为出租车满载率。
出租车满载率?载客出租车数量
出租车总数城市出租车万人拥有量，反映出一个城市拥有的出租车的总数量，即就是在一个城市内平均每万人拥有出租车的车辆数，为一个固定值。
而乘客等待时间、乘客乘坐率则是对于乘客而言的两个指标。
乘客乘坐率，反映了某一段时间内，乘客的出行率。可以用某段时间内乘客乘坐人数比需要搭乘的总人数。
乘客乘坐率?某段时间内乘客乘坐人数
需要搭乘的总人数乘客等待时间的倒数，其值与乘客等待时间成反比。 4.1.2 计算权重
经过查阅相关资料，在Excel软件中将部分城市的三个指标的量值进行汇总统计，得到表1。
3
城市 大连 沈阳 北京 广州 哈尔滨 西安 武汉 南京 成都 厦门 青岛 宁波 杭州 济南 深圳
表1 部分城市的三大指标的量值
城市出租车万人拥有量 里程利用率
36
34 34 32 29 25 24 23.77 23.5 22.78 22 20 19.6 15.5 10.86
65.51% 57.40% 68% 73.79% 84.10% 70.00% 69.02% 65.40% 67.88% 72.00% 64.51% 68.00% 69.25% 71.70% 69.10%
出租车满载率
75.60% 69.80% 71.80% 69.20% 75.60% 75.40% 75.60% 67.60% 69.20% 70.80% 68.60% 72.00% 77.40% 71.00% 58.80%
为了计算的精确度，本文使用熵权-层次分析法对三个指标的权重进行计算。
①熵权法计算权重
首先，本文根据表1制作原始矩阵R
?1??0.9444?0.9444??0.8889?0.8056??0.6944??0.6667S??0.6603??0.6528?0.6328??0.6111?0.5556??0.5444??0.4306?0.3017?RmnmaxRn0.7790.9797??0.68250.8782?0.80860.9213??0.87740.8579?10.9619??0.83230.9492??0.82070.9873?0.77760.8528?
?0.80710.8706?0.85610.9086??0.76710.8629?0.80860.8934??0.82341??0.85260.901?0.82160.9239??随后，利用极值法对原始矩阵R进行无量纲化[2]处理
smn?m?1,2,...,i;n?1,2,...,j （1）
4
将原始矩阵R进行无量纲化处理后得到的矩阵记为S?(smn)i?j
继而，对矩阵S进行归一化处理，
s'mn???smnsmn
mn'从而使得smn?[0,1]，且不会破坏原有数据间的比例关系。
i在此基础上，分别定义第n个评价指标的熵为Hn??k?tmnlntmn(n?1,2,...,j)
m?1其中tmn?'smn?sm?1i(n?1,2,...,j)，k?1（这样选择的k使得0?Hn?1，同时方便lnmmn后续进行处理）；
第n个指标的差异系数为?n?1?Hn(n?1,2,...,j)； 第n个评价指标的熵权为?n??n??n?1j(n?1,2,...,j)。
n最后，计算第n个指标的熵权，?n即为各个指标权重，将求解出的?n，记为熵权-层次分析法的B1，即B1?[0.33213,0.334991,0.332879]
表2 熵权权重
城市出租车万人拥有率 里程利用率
0.33213 0.334991 指标
熵权权重
出租车满载率 0.332879 ②AHP——层次分析法
首先，制作一份调查问卷，在互联网上进行调查，将所得结果结果进行汇总分析，建立判断矩阵C1。由于把所有元素都和某个元素做比较，即制作n?1次比较，任何一个判断的失误均可导致排序出现不合理的情况，从而导致结果偏离实际值。所以本文引用数字1~3及其倒数作为标度，对指标进行两两比较，由专家组进行打分评价后的综合结果，从而得到判断矩阵C1。
C1?(?ij)m?n??1???3???1?5
1312?1??1? ?2?1??