劉嘉琪　鄒濘憶　周梓楠　王穎喆

摘要通過建立出租車供求匹配的長期和短期模型給出了打車軟件平臺(tái)上優(yōu)化的補(bǔ)貼方案.長期模型中，建立出租車需求量的多元線性回歸模型和供應(yīng)量公式.短期模型中，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測每天高、中、低峰的出租車需求量，建立高、中、低峰供應(yīng)量多元線性自回歸模型.以西安市為例，在模型的基礎(chǔ)上，通過分析實(shí)時(shí)數(shù)據(jù)得出分時(shí)段的適用于網(wǎng)絡(luò)平臺(tái)的平衡供需的補(bǔ)貼方案.互聯(lián)網(wǎng)時(shí)代的補(bǔ)貼方案依賴于實(shí)時(shí)更新，廣泛全面的大數(shù)據(jù)，更及時(shí)，多樣，具有針對(duì)性，不僅有效實(shí)現(xiàn)了軟件平臺(tái)公司的盈利，也最大可能地滿足了乘客，政府，由司機(jī)代表的出租車公司的需求，充分發(fā)揮了互聯(lián)網(wǎng)在優(yōu)化出租車運(yùn)營方式方面的作用.

關(guān)鍵詞應(yīng)用數(shù)學(xué)；出租車供需匹配；補(bǔ)貼方案；神經(jīng)網(wǎng)絡(luò)；多元回歸

中圖分類號(hào)O29，O213，F(xiàn)572文獻(xiàn)標(biāo)識(shí)碼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

近年來，作為城市客運(yùn)交通的重要組成部分，出租車業(yè)發(fā)展迅速，但“打車難”問題也越來越突出.步入“互聯(lián)網(wǎng)時(shí)代”，多家公司依托互聯(lián)網(wǎng)建立打車軟件服務(wù)平臺(tái)，在使乘客與出租車司機(jī)之間信息互通的同時(shí)推出了比傳統(tǒng)補(bǔ)貼方案更及時(shí)，更靈活，更有針對(duì)性的出租車補(bǔ)貼方案，以期實(shí)現(xiàn)出租車需求與供應(yīng)的調(diào)整，獲得更大盈利并解決“打車難”問題，因此在了解出租車供求匹配程度的基礎(chǔ)上制定最優(yōu)的補(bǔ)貼方案就具有重要的現(xiàn)實(shí)意義.

傳統(tǒng)的對(duì)出租車行業(yè)的研究主要集中于對(duì)城市出租車需求和擁有量的預(yù)測.在預(yù)測出租車需求方面，以Douglas為代表的國外學(xué)者利用較為復(fù)雜的數(shù)學(xué)模型，Douglas（1972）提出出租車的需求是其平均出行費(fèi)用和平均等候時(shí)間的減函數(shù)[1]，J.Enrique等運(yùn)用經(jīng)濟(jì)學(xué)的方法，將出租車客運(yùn)需求定義為價(jià)格的廣義函數(shù)[2].國內(nèi)學(xué)者提出了一些計(jì)算較簡單的預(yù)測方法并應(yīng)用于實(shí)例分析，黃仕進(jìn)，楊海等在1999年的改進(jìn)模型中建立非線性方程和神經(jīng)網(wǎng)絡(luò)的模型來表述需求并應(yīng)用于香港出租車汽車市場[3] [4]，徐煒運(yùn)用多元線性回歸方法預(yù)測深圳市出租車運(yùn)力投放[5]，盧毅使用神經(jīng)網(wǎng)絡(luò)BP算法仿真模擬[6].在預(yù)測出租車擁有量方面，陸建（2004）根據(jù)城市居民和流動(dòng)人口出行特征[7]，李智宏使用供需平衡法[8]，車嵐（2006）在大量數(shù)據(jù)的基礎(chǔ)上應(yīng)用統(tǒng)計(jì)回歸方法[9].由于數(shù)據(jù)的限制，這些研究在一定情況下成功地預(yù)測了供應(yīng)量和需求量，適合于較長時(shí)間較廣范圍內(nèi)對(duì)供需狀態(tài)大致趨勢的預(yù)測，但不能及時(shí)為出租車運(yùn)營提出有效的有針對(duì)的平衡供需措施.

步入互聯(lián)網(wǎng)時(shí)代，學(xué)者又將目光轉(zhuǎn)向了如何利用互聯(lián)網(wǎng)平衡供需，優(yōu)化出租車運(yùn)營方式.李偉麗等（2015）[10]，劉佳倩等（2015）[11]分析了北京市不同經(jīng)濟(jì)分區(qū)和一天不同時(shí)段的出租車資源配置，研究的時(shí)空范圍更加精確并提出了比較粗糙的平衡供需的補(bǔ)貼方案.戚蓓蓓等[12]，陳麗貞[13]等分析了打車軟件上推出的補(bǔ)貼方案對(duì)平衡供需的作用.但同時(shí)，互聯(lián)網(wǎng)時(shí)代的到來也對(duì)出租車行業(yè)發(fā)展提出了新的挑戰(zhàn)，張朝霞（2015）[14]指出了原有的出租車行業(yè)管理體制在互聯(lián)網(wǎng)時(shí)代的不足，肖沛然（2015）[15]指出互聯(lián)網(wǎng)專車服務(wù)在打破出租車行業(yè)壟斷的同時(shí)將促進(jìn)整個(gè)行業(yè)的深層次改革.這些研究填補(bǔ)了傳統(tǒng)供需平衡研究的空白，打車軟件的出現(xiàn)使得實(shí)時(shí)數(shù)據(jù)的獲取成為可能，據(jù)此可以得到具有高實(shí)效性的供需狀態(tài)預(yù)測，進(jìn)而對(duì)不同區(qū)域在不同時(shí)刻借助提出多樣的補(bǔ)貼措施以平衡供需.但這些研究只分析了互聯(lián)網(wǎng)和已有的補(bǔ)貼措施在平衡供需方面的效用，沒有提出如何制定不同情況下的適用于網(wǎng)絡(luò)平臺(tái)的補(bǔ)貼方案，未能最大發(fā)揮互聯(lián)網(wǎng)在優(yōu)化出租車運(yùn)營方式方面的作用.

建立長期和短期的供需平衡模型，以西安市為例，應(yīng)用長期模型從總體上把握西安市出租車供需平衡狀態(tài)，然后根據(jù)短期模型定量分析西安市出租車實(shí)時(shí)的供需狀態(tài)，在此基礎(chǔ)上，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法給出適用于打車軟件平臺(tái)上的隨時(shí)更新的出租車優(yōu)化“補(bǔ)貼”方案，希望能對(duì)出租車運(yùn)營管理和城市交通管理提出有效的建議方案.

2出租車供需模型

2.1相關(guān)定義

根據(jù)數(shù)據(jù)特點(diǎn)，對(duì)應(yīng)長期和短期供需關(guān)系模型，分別采用長期和短期兩種方式定義需求量、供應(yīng)量及供求匹配程度.長期定義以年為單位變化，主要體現(xiàn)宏觀經(jīng)濟(jì)指標(biāo)對(duì)供需平衡的影響，短期定義針對(duì)每一時(shí)刻，主要體現(xiàn)每時(shí)每刻交通狀況對(duì)供需平衡的影響.

2.1.1長期定義

長期模型是通過城市宏觀經(jīng)濟(jì)特征和居民出行特征來預(yù)測出租車供需狀態(tài)，進(jìn)而給出相應(yīng)變量定義及單位.

需求量：每年出租車承擔(dān)的出租車乘客人數(shù)和尚未被滿足的潛在出租車乘客人數(shù)之和，單位“萬人次”.

供應(yīng)量：當(dāng)年運(yùn)營出租車可以承擔(dān)的出租車乘客數(shù)量，單位“萬人次”.

供求匹配程度：選擇出租車供應(yīng)量和需求量之比適應(yīng)度M作為衡量較長時(shí)間內(nèi)供求匹配程度的指標(biāo).T為出租車客運(yùn)供應(yīng)量（萬人次），D為出租車客運(yùn)需求量（萬人次）[16]，則適應(yīng)度為

M=DT.（1）

一般的，認(rèn)為當(dāng)1.25≤M≤1.40時(shí)，出租汽車客運(yùn)需求與供應(yīng)量基本達(dá)到平衡；當(dāng)M < 1.25時(shí)，出租車供應(yīng)量較小，不能很好地滿足乘客需求；當(dāng)M >1.40時(shí)，出租車供應(yīng)量過大，超過需求，造成資源浪費(fèi).[17]

2.1.2短期定義

需求量：某時(shí)刻出租車訂單量，包括已成功提交和未成功提交的.認(rèn)為一輛出租車完成一份訂單，因此確定需求量單位為“車次”.

供應(yīng)量：某時(shí)刻運(yùn)營出租車量，單位“車次”.

供求匹配程度：選擇出租車需求量和供應(yīng)量之比需供比γ作為衡量某一時(shí)刻供求匹配程度的指標(biāo).不同于出租車實(shí)載率，此處定義的γ包括了想打車但未打上車的乘客.

Q，T分別代表出租車需求量和供給量，需求量與供應(yīng)量之比γ為

γ=QT.

供求匹配關(guān)系：當(dāng)出租車供應(yīng)量略大于需求量時(shí)，出租車資源流動(dòng)順暢，因此認(rèn)為γ在65%～80%之間取值時(shí)，出租汽車客運(yùn)需求與供給基本達(dá)到平衡.

2.2供需模型建立

以西安市為例，建立出租車供需匹配程度的長期和短期模型.長期模型旨在分析較長時(shí)間內(nèi)（年）出租車資源的大致供求關(guān)系，在長期定義下，分別建立需求量和供應(yīng)量計(jì)算模型，采用適應(yīng)度作為供求匹配關(guān)系的衡量指標(biāo).短期模型旨在分析不同時(shí)刻出租車資源的供求匹配程度，將一天劃分為四個(gè)時(shí)間板塊，分別對(duì)應(yīng)于居民出行量的高峰，中峰，高峰，低峰.在短期定義下，分別建立需求量和供應(yīng)量計(jì)算模型，采用需供比作為供求匹配關(guān)系的衡量指標(biāo).

2.2.1長期模型

（1）需求量多元線性回歸模型

首先選取與需求量有顯著關(guān)系的空間影響因素.需求量影響因素分為經(jīng)濟(jì)因素，公共交通因素和社會(huì)因素三類.經(jīng)濟(jì)因素包括國內(nèi)生產(chǎn)總值（GDP），人均可支配收入和居民消費(fèi)水平，公共交通因素包括出租車客運(yùn)量和公交車數(shù)量，社會(huì)因素包括常住人口數(shù)和社會(huì)從業(yè)人數(shù).將出租車客運(yùn)需求量分別與這些因素進(jìn)行相關(guān)性分析，選擇顯著相關(guān)的影響因素.然后將出租車客運(yùn)需求量作為因變量，顯著影響因素作為自變量，建立多元回歸線性模型如式（2）.

D=a0+∑aixi+ε.（2）

其中，D為出租車客運(yùn)需求量，xi為需求量顯著影響因素，ε為殘差，ai為待定的回歸系數(shù).

（2）供應(yīng)量計(jì)算模型

考慮到出租車供應(yīng)量乘以載客率可大致反映出租車實(shí)際日均客運(yùn)量[7]，供應(yīng)量T由下列公式近似確定：

T=α1-ρ，（3）

其中，α為城市出租車日均客運(yùn)量，ρ為出租車空載率.

2.2.2短期模型

（1）需求量人工神經(jīng)網(wǎng)絡(luò)模型

出租車需求量的影響因素很多，通過建立函數(shù)關(guān)系進(jìn)行準(zhǔn)確預(yù)測是不現(xiàn)實(shí)的.而人工神經(jīng)網(wǎng)絡(luò)能從數(shù)據(jù)樣本中學(xué)習(xí)以前的經(jīng)驗(yàn)并自動(dòng)逼近那些最佳刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，因此可以對(duì)城市公共交通需求進(jìn)行較好的預(yù)測.

采用人工神經(jīng)BP網(wǎng)絡(luò)（Backpropagation NN），網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱層節(jié)點(diǎn)，同層節(jié)點(diǎn)中無耦合.輸入信號(hào)從輸入層節(jié)點(diǎn)，依次穿過各隱層節(jié)點(diǎn)，傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只能影響下一層節(jié)點(diǎn).進(jìn)行人工神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)，首先確定輸入、輸出參數(shù)，輸入層共三個(gè)輸入信號(hào)，打車難易度d，訂單平均被搶時(shí)間t，平均車費(fèi)c，輸出層為出租車真實(shí)需求量，選擇隱含層節(jié)點(diǎn)數(shù)為2.然后，確定初始條件，將已有數(shù)據(jù)分為訓(xùn)練樣本和檢驗(yàn)樣本.最后對(duì)輸入、輸出數(shù)據(jù)進(jìn)行“歸一化”，使得網(wǎng)絡(luò)輸入變量的值域?yàn)閇0 ，1].根據(jù)已有的打車難易度，訂單平均被搶時(shí)間，平均車費(fèi)和出租車真實(shí)需求量數(shù)據(jù)，使用SPSS對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，得到城市出租車需求量的神經(jīng)網(wǎng)絡(luò)模型估計(jì)值 [6] .

（2）供應(yīng)量多元自回歸模型

考慮高、中、低峰之間的互相影響和實(shí)時(shí)收入對(duì)出租車運(yùn)營量的影響，建立三個(gè)方程的供應(yīng)量多元線性模型.類似空間的需求量模型，供應(yīng)量的影響因素也可分為經(jīng)濟(jì)因素，交通因素和社會(huì)因素.以天為時(shí)間單位，一些經(jīng)濟(jì)政治因素如GDP，人均收入水平等不會(huì)有明顯變化，但是交通通暢狀況，司機(jī)收入是供應(yīng)量周期性變化的主要影響因素.交通通暢狀況可以用人口出行量來刻畫，體現(xiàn)在高、中、低峰之間的相互關(guān)系.從早上6點(diǎn)開始，將一天看作高—中—高—低峰的循環(huán)，建立多元回歸模型時(shí)，高峰供應(yīng)量是中、低峰供應(yīng)量的影響因素，中、低峰供應(yīng)量是高峰供應(yīng)量的影響因素.可以用車費(fèi)直接刻畫出租車司機(jī)的收入.進(jìn)行相關(guān)性檢驗(yàn)后建立多元線性回歸模型如下：

3實(shí)例分析

以西安市為例，使用SPSS軟件分別建立西安市出租車供需匹配程度的長期和短期模型.長期模型采用《西安市統(tǒng)計(jì)年鑒》2000-2009年GDP，人均可支配收入，人均消費(fèi)支出，公交車數(shù)量，常住人口，從業(yè)人口，出租車客運(yùn)需求量數(shù)據(jù)，進(jìn)行顯著性檢驗(yàn)之后，根據(jù)長期模型計(jì)算西安市出租車適應(yīng)度，作為西安市供需匹配程度的長期總體刻畫.短期模型采用滴滴快的智能出行平臺(tái)“蒼穹”上2015年9月6日-11日出租車分布，打車難易度，打車需求量，被搶單時(shí)間，車費(fèi)的實(shí)時(shí)變化數(shù)據(jù)，根據(jù)短期模型得到西安市出租車高，中，低峰需供比，作為西安市實(shí)時(shí)供需匹配程度的刻畫.

3.1長期模型

首先，使用SPSS進(jìn)行GDP，城鎮(zhèn)居民人均可支配收入，城鎮(zhèn)居民人均消費(fèi)支出，公交車數(shù)量，常住人口數(shù)，社會(huì)從業(yè)人口數(shù)和出租車客運(yùn)量的相關(guān)性分析.在顯著性水平0.01下，選擇西安市GDP、人均可支配收入、人均消費(fèi)量、公交車數(shù)量、常住人口數(shù)量和就業(yè)人口數(shù)量這些與出租車客運(yùn)需求量高度正相關(guān)的空間影響因素作為自變量，西安市出租車客運(yùn)需求量作為因變量，構(gòu)建需求量多元線性回歸模型.

供應(yīng)量多元自回歸模型中，2014年西安市出租車日均客運(yùn)量α為120萬人次，空載率ρ為50%，由公式（3）得西安市2014年出租車供應(yīng)量

T=1200.5=240（萬人次）.

根據(jù)公式（1）得西安市出租車資源適應(yīng)度

M=QT=240169。718=1.41.

因此2014年西安市出租車客運(yùn)適應(yīng)度略偏離最佳范圍，供求匹配不平衡.

可以看出，以西安為代表的西北內(nèi)陸地區(qū)的出租車資源配置整體上“供過于求”，這與我國中西部地區(qū)人口密度較為稀疏、經(jīng)濟(jì)發(fā)展水平較為落后的實(shí)情有關(guān)，然而這種對(duì)資源配置的描述是粗糙的，只體現(xiàn)了出租車資源配置在較長時(shí)間內(nèi)的平均狀況.事實(shí)上，雖然一天的大部分時(shí)間內(nèi)出租車客運(yùn)供應(yīng)量多于需求量，但在出租車行業(yè)獲利的黃金時(shí)段“早高峰”和“晚高峰”，“打車難”仍然普遍存在，因此需要進(jìn)一步建立短期模型得到出租車資源配置的實(shí)時(shí)定量刻畫.

3.2短期模型

西安市以鐘樓為中心的四條大街是交通動(dòng)脈，東北，西北，西南，東南四塊地區(qū)地區(qū)內(nèi)部發(fā)展水平大致相當(dāng)，構(gòu)成高速發(fā)展的二環(huán).采集數(shù)據(jù)時(shí)，以位于東南西北四條大街和東北，西北，西南，東南的八個(gè)點(diǎn)代表西安的整體交通狀況.選擇17∶00-19∶00的數(shù)據(jù)代表高峰交通狀況，13∶00-15∶00的數(shù)據(jù)代表中峰，凌晨2∶00-4∶00的數(shù)據(jù)代表低峰.得到西安市2015年9月6-11日八個(gè)方位軟件平臺(tái)上，高中低峰出租車分布和打車難易度，打車需求量，被搶單時(shí)間，車費(fèi)的實(shí)時(shí)變化數(shù)據(jù)，據(jù)此估算真實(shí)供應(yīng)量.再根據(jù)圖1，高，中，低峰時(shí)打車軟件上的打車需求量分別占總需求量的49.4%，37.5%，15.0%，可以由“蒼穹數(shù)據(jù)”估算出西安9月6-11日每日隨時(shí)間變化的真實(shí)供應(yīng)量.

需求量人工神經(jīng)網(wǎng)絡(luò)模型中，使用SPSS對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，待網(wǎng)絡(luò)訓(xùn)練穩(wěn)定后，得到如下的模型匯總和9月11日出租車需求量實(shí)際值和預(yù)測值校驗(yàn)結(jié)果（見表1）.

供應(yīng)量多元自回歸模型中，先對(duì)選擇出的供應(yīng)量影響因素進(jìn)行相關(guān)性檢驗(yàn).分別畫出高、中、低峰西安9月6日-11日供應(yīng)量與車費(fèi)之間關(guān)系圖可以看到車費(fèi)和供應(yīng)量的變化趨勢近似相同，再使用SPSS進(jìn)行相關(guān)性檢驗(yàn)，得到在顯著性水平小于0.01時(shí)，西安市出租車供應(yīng)量和車費(fèi)之間存在顯著的相關(guān)關(guān)系，因此用車費(fèi)對(duì)供應(yīng)量的影響來體現(xiàn)實(shí)時(shí)收入對(duì)出租車運(yùn)營量的影響是合理且可以接受的.

根據(jù)西安9月6日-11日的數(shù)據(jù)，通過Matlab擬合，得到參數(shù)的最小二乘估計(jì)即公式（4）.短期模型下，高、中、低峰出租車供應(yīng)量多元線性回歸模型結(jié)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分別對(duì)模型中T1、T2、T3進(jìn)行顯著性檢驗(yàn)，得到顯著性水平分別為0.445、0.929、0.147，均大于0.05，故接受原假設(shè)，即上述建立的多元回歸模型是合理的.

4互聯(lián)網(wǎng)時(shí)代的“補(bǔ)貼”方案確定

長期模型給出了西安市出租車資源配置的整體狀況，短期模型定量刻畫了西安市出租車供需的實(shí)時(shí)變化.和傳統(tǒng)出租車運(yùn)營方式相比，互聯(lián)網(wǎng)時(shí)代實(shí)時(shí)數(shù)據(jù)的獲得和公布成為可能，從而可以采用補(bǔ)貼的方式及時(shí)平衡供需.本節(jié)將給出利用打車軟件上的出租車運(yùn)營實(shí)時(shí)數(shù)據(jù)來制定可以公布在互聯(lián)網(wǎng)平臺(tái)上的實(shí)時(shí)補(bǔ)貼方案的方法，從而實(shí)現(xiàn)在低峰時(shí)段增加需求量減少供應(yīng)量，在高峰時(shí)段增加供應(yīng)量適當(dāng)減少需求量，最大發(fā)揮互聯(lián)網(wǎng)在優(yōu)化出租車運(yùn)營方式方面的作用.

4.1方案確定

以“快的”和“滴滴”兩家較大出租車公司打車軟件補(bǔ)貼方案為例，目前已實(shí)施過的補(bǔ)貼形式有三種：1.間接給乘客補(bǔ)貼，多采用向新用戶提供購物券的方式；2.直接給乘客補(bǔ)貼，減少車費(fèi)金額，多有訂單數(shù)目封頂；3.直接給司機(jī)一定金額獎(jiǎng)勵(lì)，多有訂單封頂.間接補(bǔ)貼方式收效甚微，不予考慮.擴(kuò)展“補(bǔ)貼”的含義，認(rèn)為給司機(jī)“補(bǔ)貼”為增加司機(jī)的每單收入，給乘客“補(bǔ)貼”包括減少和提高乘客的每單支出兩方面，創(chuàng)造性的將后兩種直接補(bǔ)貼方案結(jié)合起來，將一

天劃分為高，中，低峰，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)得到為使供需匹配，即需供比

計(jì)算過程如下.以收集的西安市9月6日-11日的實(shí)時(shí)數(shù)據(jù)為訓(xùn)練樣本，通過神經(jīng)網(wǎng)絡(luò)得到在不同補(bǔ)貼額下的供應(yīng)量和需求量數(shù)據(jù)，從中挑選22組，其中20組作為訓(xùn)練樣本，2組作為考核本系統(tǒng)的檢驗(yàn)樣本.取上述數(shù)據(jù)里高、中、低峰9月6日-11日打車難易度d，訂單平均被搶時(shí)間t的平均值，為使出租車供需平衡，將出租車需求量與供應(yīng)量之比

然后將上述補(bǔ)貼方案應(yīng)用于西安市9月7日-11日的數(shù)據(jù)中，得到如表3補(bǔ)貼方案實(shí)施前后，需求量與供應(yīng)量之比對(duì)比.補(bǔ)貼前的數(shù)據(jù)是根據(jù)蒼穹數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的需供比的真實(shí)值，補(bǔ)貼后的數(shù)據(jù)是在采取上述補(bǔ)貼方案之后，改變神經(jīng)網(wǎng)絡(luò)的“平均車費(fèi)”參數(shù)得到的需供比的短期模型預(yù)測值.可以看到，補(bǔ)貼方案高峰的模擬結(jié)果最好，其次是低峰，總體而言，補(bǔ)貼政策使一天的出租車需求量與供應(yīng)量之比更加接近70%，即接近供求平衡.

最后對(duì)參數(shù)γ進(jìn)行靈敏度檢驗(yàn)，分別令γ取值65%，70%，75%，80%，得到高，中，低峰乘客和司機(jī)補(bǔ)貼金額如表4，發(fā)現(xiàn)參數(shù)γ的取值對(duì)補(bǔ)貼金額的影響是不靈敏的即表3的補(bǔ)貼方案是適用的.

4.2方案評(píng)價(jià)與展望

和傳統(tǒng)出租車補(bǔ)貼方案對(duì)比，互聯(lián)網(wǎng)時(shí)代的補(bǔ)貼方案利用大數(shù)據(jù)，給出了更及時(shí)，更靈活，更有針對(duì)性的方案：[17]

（1）由于數(shù)據(jù)收集的局限，傳統(tǒng)時(shí)代的補(bǔ)貼方案平衡的其實(shí)是幾周前或幾月前的出租車資源配置情況，而互聯(lián)網(wǎng)平臺(tái)上數(shù)據(jù)的實(shí)時(shí)性使得補(bǔ)貼方案的實(shí)時(shí)性成為可能，可以為出租車司機(jī)提供最新的信息指導(dǎo).

（2）傳統(tǒng)出租車補(bǔ)貼方案為每月支付固定的補(bǔ)貼金，而互聯(lián)網(wǎng)時(shí)代的補(bǔ)貼方案考慮司機(jī)業(yè)績，方式更加多樣且快捷.

（3）軟件平臺(tái)實(shí)現(xiàn)了司機(jī)與乘客信息的實(shí)時(shí)互通，雙向的資源調(diào)配更有針對(duì)性，對(duì)出租車司機(jī)可以大幅降低空駛率，增加收入，對(duì)乘客可以有效降低候車時(shí)間.

模型得到的補(bǔ)貼方案基于一輛車在一個(gè)時(shí)刻只能完成一單的假設(shè)，且主要優(yōu)化目的為平衡供需，除此之外還可以有其他方式和其他因素主導(dǎo)的補(bǔ)貼方案：

（1）在司機(jī)和乘客同意的基礎(chǔ)上，鼓勵(lì)合理拼車

（2）對(duì)沒有發(fā)生事故或違章的司機(jī)額外補(bǔ)貼

（3）根據(jù)行駛路況進(jìn)行補(bǔ)貼，如對(duì)行駛邊遠(yuǎn)市區(qū)進(jìn)行額外補(bǔ)貼

（4）給出租車分發(fā)積分卡或好評(píng)返現(xiàn)

（5）根據(jù)使用打車軟件次數(shù)給乘客進(jìn)行補(bǔ)貼

5結(jié)論

以西安市為例，建立了長期和短期出租車供需關(guān)系模型，進(jìn)而得出分時(shí)段出租車優(yōu)化的“補(bǔ)貼”方案，為“滴滴快的”等出租車軟件平臺(tái)提供了一種實(shí)時(shí)補(bǔ)貼的思路和補(bǔ)貼金額的確定方法.根據(jù)實(shí)時(shí)的交通狀況，可以在軟件平臺(tái)上及時(shí)發(fā)布給司機(jī)和乘客的“補(bǔ)貼”額，隨時(shí)調(diào)整出租車資源的供需匹配程度.高峰段，需求量過高且為硬性需求，因此增加乘客車費(fèi)進(jìn)而給司機(jī)更高的補(bǔ)貼，使供應(yīng)量增加，需求量適當(dāng)減少，不僅使供需關(guān)系更加平衡，還增加了出租車公司和打車軟件公司的收益.中峰段，道路狀況良好，給乘客補(bǔ)貼使那些本沒有打車計(jì)劃的出行人口選擇出租車方式，給司機(jī)補(bǔ)貼使更多的司機(jī)愿意出車為將要到來的高峰段做準(zhǔn)備.低峰段，需求量明顯減少，給乘客高的補(bǔ)貼使更多的出行人口選擇出租車，給司機(jī)較高的補(bǔ)貼使司機(jī)愿意跑夜車，這樣可以減少晚上或凌晨打車的乘客的候車時(shí)間.在這樣的“補(bǔ)貼”政策下，充分發(fā)揮了互聯(lián)網(wǎng)的作用，不僅實(shí)現(xiàn)了軟件平臺(tái)公司的盈利，也最大可能地滿足了乘客，政府，由司機(jī)代表的出租車公司的需求，使得供需關(guān)系匹配程度得以提高.

參考文獻(xiàn)

[1]G.W. Douglas. Price regulation and optimal service standards： The taxicab industry [J]. Journal of Transport Economics and Policy. 1972， 20（1）： 16-127.

[2]Daniel Flores-guri. An economic analysis of regulated taxicab market[J]. Review of Industrial Organization， 2003（93）： 594～615.

[3]H. Yang，S.C. Wong. A network equilibrium model of urban taxi services [J]. Transportation Research 32B，1998， 32（4）： 235-246.

[4]J.M. Xu， S.C. Wong， H. Yang， C.O. Tong. Modeling the level of urban taxi services using a neural network[J]. ASCE Jorunal of Transportation Enginerring 1999（ 125）：213-216.

[5]徐煒. 深圳市出租小汽車運(yùn)力投放研究[D].吉林大學(xué)商學(xué)院，2005.

[6]盧毅， 王禮志， 盧旭. 城市出租車需求仿真預(yù)測模型研究[J]. 長沙交通學(xué)院學(xué)報(bào)， 2007（4）： 23-27.

[7]陸建，王煒.城市出租車擁有量確定方法[J]. 交通運(yùn)輸工程學(xué)報(bào). 2004（3）：92-95.

[8]李智宏.成都市2005、2010年中心城區(qū)出租汽車發(fā)展規(guī)劃調(diào)研報(bào)告[R].成都市出租汽車管理處，2002.

[9]車嵐.城市出租車發(fā)展現(xiàn)狀及需求預(yù)測[J].山西科技.2006（6）：89-91.

[10]李偉麗，楊鵬輝，孫漩，蔣文安. 互聯(lián)網(wǎng)+時(shí)代下出租車資源配置研究[J]. 海南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，28（4）：367-374.

[11]劉佳倩，朱家明，李之好，李金玲. “互聯(lián)網(wǎng)+”時(shí)代出租車供需匹配測度及補(bǔ)貼方案效應(yīng)分析[J]. 上海工程技術(shù)大學(xué)學(xué)報(bào)，2015，29（4）：378-382.

[12]戚蓓蓓，朱家明，秦歡，從雨佳. “互聯(lián)網(wǎng)+”時(shí)代的出租車資源配置[J]. 交通企業(yè)管理，2015，328（12）：44-47.

[13]陳麗貞，陳麗珊.“互聯(lián)網(wǎng)+”時(shí)代出租車補(bǔ)貼效果實(shí)證研究[J]. 赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，31（12）：109-111.

[14]張朝霞，秦青松，張勇. “互聯(lián)網(wǎng)+”時(shí)代客運(yùn)出租車管理改革方向探討[J]. 價(jià)格理論與實(shí)踐，2015，373（7）：17-20.

[15]肖沛然.互聯(lián)網(wǎng)專車服務(wù)對(duì)出租車行業(yè)壟斷的影響[J]. 經(jīng)濟(jì)數(shù)學(xué)，2015，32（4）：21-26.

[16]范合君，杜博.特大城市出租車合理數(shù)量估計(jì)及實(shí)現(xiàn)路徑：以北京市為例[J]. 經(jīng)濟(jì)與研究管理，2015，36（8）：91-95.

[17]安曉丹，趙杰，章林楓，王濟(jì)榮. “互聯(lián)網(wǎng)+”時(shí)代的出租車資源配置[J]. 運(yùn)城學(xué)院學(xué)報(bào)， 2015（6）： 34-37.