“互联网-”时代的出租车资源配置资料

1“互联网+”时代的出租车资源配置摘要在互联网全球普及的今天，出租车也在“互联网+”时代背景下，发生了天翻地覆的变化。乘客乘坐出租车也出现了多种不同的方式。打车软件的出现让出租车资源配置有了巨大的改进。对于数据收集，我们通过收集苍穹数据库、万方数据库的出租车数据，整理后选取深圳市的数据作为本题的案例分析，对其所给空驶率、有效行驶里程、平均运营车速和平均日运营等指标通过主成分分析法得到主要指标为空间和时间。对于问题一，通过对时间的等距划分和空间的划分，然后对时间和空间分别进行聚类分析，按照出租车的车流量等指标将多个地区分为4个等级，时间分为6个级别。然后再根据已经聚类分好的数据，通过时空两个指标，分别得出不同地区不同时间的供求关系指数并通过相关系数分析建立了匹配程度模型，最后得出“供求匹配”程度。对于问题二，我们应用控制变量法对补贴政策进行分析，针对快的打车和滴滴打车两款软件的不同方案，结合经济学中价格变化的规律，对问题一中的数据进行处理。最后与原始数据得到的匹配程度进行对比，得出补贴政策的评价模型，由模型可看出两公司的政策和“互联网+”都能在一定程度上能解决打车难问题，但缺乏对时间，空间等因素的影响，存在着很大的不足。对于问题三，我们首先根据前两问的结果对“打车难”的原因进行了分析，然后通过理论判断了补贴政策影响出租车供求关系的各种条件。而后结合第二问的补贴政策影响结果，发现对于不同地区不同时段需要不一样的补贴方案。然后我们先通过使用LINGO最优化得出了最优的匹配程度同时结合“互联网+”的实时性建立模型，逆推出每个地区每个时段对应的补贴政策。关键词：数据库聚类分析主成分分析互联网+补贴政策优化21.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。请你们搜集相关数据，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。2.问题分析本题属于大数据问题，重点在于数据的收集，整理和分析。在收集到大量数据的同时利用主成分分析的方法简化数据。最后通过数据的整理分析并且代入模型得出所需要的结果。对于问题一，在收集到的关于深圳出租车的运行数据的基础上，进一步进行聚类分析，将深圳分为若干个地区，然后根据繁华程度分为四级并且将一天的不同时段聚类为六个不同级别。又对每一块地区的不同时刻出租车供求关系进行综合的相关性分析。通过相关系数的比较，设立一个匹配程度系数。对于问题二，针对快的打车和滴滴打车两款软件的不同方案，结合经济学中价格变化的规律，对问题一中的数据进行处理。得到数据，采取控制变量法，分别从时间段，地区和优惠政策的角度进行匹配程度的分析，最后与原始数据得到的匹配程度进行对比，总结出补贴政策和“互联网+”对于出租车供求关系的影响。对于问题三，该问要求我们建立一个最优化的打车软件服务平台，必须首先分析出打车服务平台对于出租车供求的合理性的最优化结果。然后根据这个最优化结果，结合前面的不同地区不同时段的补贴价格和“供求匹配”程度变化率之间的关系得出最后的合理补贴方案。33.模型假设（1）假设不会因为周末等休假日减少出租车的需求量和供应量；（2）假设出租车工作过程中不会出现抛锚，损坏等一切意外情况；（3）假设确定的各级评价指标不会互相影响；（4）假设收集到的数据都是真实可靠的。4.定义与符号说明5.模型的建立与求解5.1数据的收集与整理5.1.1数据的收集通过互联网的普遍性，目前几乎所有知识与数据都可以在互联网上得到，这一次需要收集关于“互联网+”时代出租车在不同时空情况下的供求数据，在互联网上都拥有着详细的记录，因此我们决定在互联网上收集所需数据。通过多方面的搜索和整理，最后我们在中国统计网（），苍穹智能打车智能平台（）和万方数据库（）等网站收集有关于出租车在深圳、广州和北京等几个大型城市的运行情况，并且将数据整理和归类，形成可供分析的有效表格。详细数据请见下表1。符号符号含义y销售量函数f销售量p价格pE销售价格弹性qE质量弹性4表1一线城市出租车数据表通过对城市居民和流动人口出行特征与出租车运营特征的调查分析,分析了城市出租车拥有量与出租车所承担的城市客运交通周转量及出租车空驶率的关系,提出了一种城市出租车万人拥有量的确定方法.该方法以出租车的空驶率、有效行驶里程、平均运营车速和平均日运营时间为参数.实例分析表明该方法既可以对目前城市所需要的出租车拥有量进行测算,也可以对规划年份出租车拥有量进行预测,简便实用,可操作性强。5.1.2数据的处理城市主城区人口（万）2013年GDP（亿）主城区出租车拥有量亿元GDP出租车拥有量出租车万人拥有量出租车月营业额（元）出租车单车净月营业额（元）驾驶员单班月营收（元）里程利用率大连3617650.80129281.73622451.19557.74778.8565.51%沈阳5107222.7172002.73422500172682362.2757.40%北京197219501.6666463.4341720511020.15400068%广州625.3315123203011.3322735019500450073.79%哈尔滨4955141.5143002.68292250010500450084.10%西安484.64884.1121152.48241900012000400070.00%武汉6609000156371.7242100018900320069.02%南京451.498286107321.323.7721094.59084509365.40%成都533.969108.89148981.6423.52361010223460167.88%厦门195.873018.1644621.4822.7834211.9114998.797499.3972.00%青岛4588006.6100181.6222294314478.34302.7364.51%宁波227.67128.946270.65202600012000600068.00%杭州455.4268343.5289231.119.62983414412545369.25%济南518.95230.1980431.5415.3150007000450071.70%深圳1052.7614500.33114330.7910.8636636.314800.827400.4169.10%5在整理完整数据的基础上，我们根据题目需要的时空关系，供求匹配，打车难影响因素，影响供求匹配的指标等几个方面进行主成分分析。根据数据的可推广性，我们选取了其中一个城市进行具体分析。我们将深圳的所有出租车信息单独列了出来，然后排除了所有无关信息，然后根据各项指标进行统计，分类储存。详细表格请见附件。5.2问题一的解决：匹配程度模型问题一主要研究的是不同时空下的出租车资源供求匹配问题，了解打车软件的服务平台运行，分析不同的指标和时空以及出租车供求的关系。我们首先选取了深圳市的所有数据进行整理和归纳，然后通过分析深圳市对时间，空间以及其他的一些对于出租车有影响的因素进行分析。5.2.1模型一的描述我们考虑到了大量出租车时间和空间数据为题目判断总的方向，出租车的供应量，在不同时间的不同地理位置都是影响结果的指标。我们通过聚类分析将深圳市的地点和时间根据车流量分别进行聚类分析，并且利用MATLAB将结果绘制出图像。然后针对不同类别的地点和时间的出租车供求量和需求量使用SPSS进行相关系数分析，进而得出所有地区的“供应匹配”程度。5.2.2地区聚类分析在已经得知的数据基础上，首先我们根据深圳市一天的不同地点车流量进行分析，首先通过MATLAB将一天的出租车量标在深圳市的地图上，如图1。图1深圳市出租车分布图根据图一，我们可以将深圳市的10个不同的区，按照车流量进行聚类分析，利用6SPSS进行分析之后，可以分为4个不同的等级。其中车流量由大到小分别为1、2、3、4这四个级别。根据SPSS系统聚类分析得出的结果如表2各聚集组员地区4聚集1:福田区12:罗湖区13:南山区24:盐田区35:宝安区46:龙华区47:光明区48:龙岗区49:平山区410:大棚区4表2地区系统聚类结果表根据上表，我们可以成功的将深圳所有地区分为四个不同的等级，并且可以清晰的将分析的结果与时间和供求量进行详细分析。同时建立了清晰明了的地区等级分布图，如图2。图2地区等级分布图75.2.3时间聚类分析同上一步相同，这一次我们在选择的数据基础上针对时间进行聚类分析。由于随机抽取的数据是每隔半小时抽取一次的完全均等抽取，因此我们需要将时间进行一次聚类分析，将车流量大的时间段和车流量小的时间段进行区分。本次数据分析我们将时间分为A、B、C、D、E、F六个不同的等级。根据SPSS系统聚类分析得出的结果如表3。各聚集組員时间6聚集112131415263748595106116124136146153166174185194204216223233241表3时间系统聚类结果表根据上表，我们可以成功的将一天24个小时分为六个不同的等级，并且可以清晰的将分析的结果与时间和供求量进行详细分析。同时建立了清晰明了的时间等级分布图，如图3。8图3时间等级分布图5.2.4“供应匹配”程度分析通过以上处理好的数据，我们将四个不同等级的地区又分为不同时段的车流量既是出租车供应量，并且得出每一个时刻不同地区的需求量，然后通过SPSS进行相关系数分析。分别得出了不同地区不同时段的供求之间的相关系数，求得结果如表4所示。表4不同地区时间相关系数表表中相关系数结果可以得知，深圳市的供应量和需求量之间是存在相对关系的，并且Pearson的值越接近1，相关程度越高。得到相关系数之后，后再跟据所得出来的相关系数求出不同等级和时间之间的“匹配程度”。将出租车供应量和需求量进行对比，然后求出这个城市四个不同级别地区的“供应匹配”程度，并且根据这个“供应匹配”程度求出整个城市的平均“供应匹配”程度。得出结果如下表4。需求量时间地区等级IIIIIIIVABCDEF车流量Pearson相关系数0.3630.191-0.5450.6490.781-0.269-0.918-0.9540.6530.598Sig.(双侧)0.0800.0170.0630.1630.2190.3310.0820.0460.3470.4029表4“供应匹配”程度表根据所得到的匹配程度数据，当匹配程度值越接近1时，供求关系的结果越优化。当匹配程度值大于1时，说明该地区该时段供大于求，有很多空出租车。当匹配程度值小于1时，说明该地区打车十分困难。从表中我们可以看出，在I和II地区的匹配程度都相对较低，并且在B时间段的匹配程度明显比其他的要高。而且B时间段大于1的数据说明发生供大于求的情况比较明显。5.3问题二的解决：合理供求模型“打车难”问题一直是一个人民关注的热点问题，在进入“互联网+”时代之后，人们利用打车软件服务平台使这种情况得到了一定的缓解.但是这个问题还是无法很好的解决。于是各个打车软件公司出台了一系列出租车补贴方案。5.3.1理论基础出租车公司是使用不同的政策来改变消费者的消费心理和工作人员的积极性，从而达到预期的营销效果。通过各文献的调查与研究，在经济学中，商品的价格.质量与销售量存在相对关系。某种商品的销售量与产品的价格存在着负相关关系.假设销售量函数pfy是连续可微函数，则'f0.根据价格和销售量的具体关系，销售量函数的形式可分为两种，线性销