????0ij??(i?1,2,...,n;j?1,2,...,n) （2） ??ij?1?1??(i?j)?ij??ji?由判断矩阵C1满足式（2），可得判断矩阵C1是正互反矩阵。即这个判断矩阵的一致性是可以接受的，故该判断矩阵具备合理性。据此计算出各个指标的权重为w?[0.2238,0.3695,0.4067]。同时，在此令权重w为熵权-层次分析法的B2。
表3 层次分析法权重
城市出租车万人拥有率 里程利用率
0.2238 0.3695 指标
层次分析法权重
出租车满载率
0.4067 ③熵权-层次分析法
首先定义出一个目标函数，随后根据目标函数构造出一个非线性规划方程，从而将权重集成的问题转化为了一个最优化问题。在1）和2）中得到的两个方法的指标对应权重分别为
B1?[?1,?2,?3]和B2?[?1,?2,?3]
进行集成后可以得到新指标权重为
W0?[?1,?2,?3]
故15个被评价对象对应的3个评价指标的原始数据矩阵为
R?（rik）m?n
随后将原始数据矩阵R?（1）进行无量纲化处理，得到新数据矩（rik）m*n使用式阵
S?(sik)m?n
记利用B1得到的m个被评价对象的评价值为
gi??sik?k1(i?1,2,...,m)
k?1n利用B2得到的m个被评价对象的评价值为
hi??sik?k2(i?1,2,...,m)
k?1n
6
将得到的两组被评价对象的评价值看成是m维空间的两个向量，即(gi)m?l和
(hi)m?l。找到一个向量(li)m?l使其到(gi)m?l和(hi)m?l的距离和最小，即将该向量(li)m?l视为对(gi)m?l和(hi)m?l某种意义上的组合的结果。即(li)m?l既“照顾”到了(gi)m?l和(hi)m?l，又对(gi)m?l和(hi)m?l没有主观上的“偏重”。用与(gi)m?l和(hi)m?l相同的构成方法构造(li)m?l，即li??sik?k。
k?1n在这里，距离的计算采用了m维空间的欧式距离进行计算，公式如下：
minf(?)??(?s?iki?1k?1mnk1??sik?k)?2k?1n?(?s?iki?1k?1mnk2??sik?k)2k?1n?n???k?1k?1??min(?,?)???max(?,?)s.t.?k1k2kk1k2??k?0???k?1,2,...,n (3)
通过解式（3）的非线性规划方程组，得到?的值，为
??[0.277965,0.352245,0.369789]
且该权重值为两方法集成后的新指标权重，即为熵权-层次分析法所得到的最终的
各项指标权重。 指标
层次分析法权重
表4 综合权重
城市出租车万人拥有率 里程利用率
0.277965 0.352245 hi??sik?k2(i?1,2,...,m)
k?1n出租车满载率
0.369789 将得到的两组被评价对象的评价值看成是m维空间的两个向量，即(gi)m?l和
(hi)m?l。找到一个向量(li)m?l使其到(gi)m?l和(hi)m?l的距离和最小，即将该向量(li)m?l视为对(gi)m?l和(hi)m?l某种意义上的组合的结果。即(li)m?l既“照顾”到了(gi)m?l和(hi)m?l，又对(gi)m?l和(hi)m?l没有主观上的“偏重”。用与(gi)m?l和(hi)m?l相同的构成方法构造(li)m?l，即li??sik?k。
k?1n在这里，距离的计算采用了m维空间的欧式距离进行计算，公式如下：
7
minf(?)??(?s?iki?1k?1mnk1??sik?k)?2k?1n?(?s?iki?1k?1mnk2??sik?k)2k?1n?n???k?1k?1??min(?,?)???max(?,?)s.t.?k1k2kk1k2??k?0???k?1,2,...,n (3)
通过解式（3）的非线性规划方程组，得到?的值，为
??[0.277965,0.352245,0.369789]
且该权重值为两方法集成后的新指标权重，即为熵权-层次分析法所得到的最终的
各项指标权重。
同上对影响乘客需求量的两大指标用熵权法求权重为（0.4896,0.5104） 4.1.3 模糊综合评价模型[3]的建立及求解
以打车软件使用最为普遍的城市A为例，此城市可针对不同的时间不同的地域的供求匹配程度进行考虑，在这里将不同地域分为密集区、过渡区、郊区。
不同的地区由于人口规模与车辆的比例会影响到区域出租车密度，对于郊区而言，郊区的里程利用率较低。将不同时间分为高峰期和平常期。
表5 时间段划分
高峰期
上班期（7~9；13~14） 下班期（11~12；6~7）
周末 节假日
平常期
除高峰期外的所有时间
在查阅了相关资料、搜集相关数据之后，制作出了如表3所示的不同时空的指标值表。 时间段 高峰期
密集区
平常期 高峰期
过渡区
平常期 高峰期
郊区
平常期 区域 密集区 过渡区
区域
表6 不同时空司机供给量的指标值 区域出租车密度 里程利用率
60 92.00% 39 85.00% 45 88.00% 30 75.00% 17 40.50% 13 27.50%
满载率
70.20% 57.20% 65.20% 54.40% 88.80% 95.00%
表7 不同时空的乘客需求量“供求匹配”程度评价 时间段 乘客乘坐率 乘客等待时间的倒数 高峰期 0.6 1/20 平常期 0.45 1/10 高峰期 0.43 1/15 平常期 0.4 1/5
8
郊区
高峰期 平常期 0.55 0.5 1/30 1/40
对以上两个对象分别建立综合评价模型。对以上两种原始矩阵R1,R2进行无
'量纲化处理的S1,S2,再进行归一化处理得到S1',S2。
利用加权求和法综合评价供给量与需求量
x1?S1'*W1
'x2?S2*W2
用供给率的差值衡量匹配程度模型
'x?|S1'*W1?S2*W2|
表8 综合评价值
x1
x2
x 0.0423 0.0168 0.0204 0.0099 0.0268 0.0217
0.073 0.0589 0.0646 0.0516 0.0468 0.0433
0.1153 0.0757 0.085 0.0615 0.0736 0.065
当x?0.01说明匹配程度高，0.01?x?0.025时，说明匹配程度中。当x?0.025时匹配程度低。
4.1.4 模型的优化：考虑软件使用率
补贴与年龄两个方面影响的是使用人数，即打车软件的使用率，综合影响到里程利用率。在这里结合年龄和补贴两个因素，根据使用率给出里程利用率的值：
里程利用率?当天载客里程数
当天总行驶里程数首先，引进年龄的因素
9
图1 每个年龄段在人口中的构成比例
对于不同年龄段的人来说，对新事物的接受能力是不同的，本文在这里搜集了相关的数据资料，得到了18~35岁的人对新事物的接受能力最强的事实，因此得到如下使用率关于年龄的计算公式
年龄使用率?年龄段
总人数然后，在此基础上引进补贴的情况
图2 补贴金额与供求匹配度的关系示意图
由图2可知，随着补贴金额的提升，供求匹配度先随之提高，而在达到临界值之后，供求匹配度反而开始下降，且对打车软件公司的利益造成损失，此时可能会发生供不应求的现象，对于解决打车难的问题没有帮助。
综上所述，考虑到使用率对里程利用率的影响，在这里对4.1.1中的模型进行套用，得到最终的优化结果。
10