孫麗男++張璇++張靜++劉德華

【摘要】利用打車軟件智能出行平臺(tái)獲取相關(guān)數(shù)據(jù)，采用統(tǒng)計(jì)學(xué)方法分析不同時(shí)空出租車資源的“供需匹配”程度，為城市的出租車資源配置提供決策依據(jù).首先，選取國(guó)內(nèi)具有代表性的20個(gè)城市，利用聚類分析將其分為三類；其次，利用MATLAB對(duì)“出租車分布”和“出租車需求量分布”進(jìn)行了可視化，直觀分析了三類城市出租車資源“供需匹配”程度；最后，選取適當(dāng)指標(biāo)，利用SPSS對(duì)數(shù)據(jù)進(jìn)行主成分分析及多元線性回歸，建立了模型，量化了出租車資源“供需匹配”程度與相關(guān)指標(biāo)的關(guān)系，從而可以通過(guò)控制各個(gè)指標(biāo)來(lái)優(yōu)化出租車資源配置.

【關(guān)鍵詞】供需匹配程度；主成分分析；聚類分析；多元線性回歸

【基金項(xiàng)目】2014年12月黑龍江省教育科學(xué)規(guī)劃辦重點(diǎn)課題，基于大數(shù)據(jù)技術(shù)的應(yīng)用型本科院校統(tǒng)計(jì)學(xué)專業(yè)人才培養(yǎng)模式研究與實(shí)踐（編號(hào)：GJB1214026）.

隨著人們生活水平的日益提高，城市交通網(wǎng)越來(lái)越發(fā)達(dá)，城市交通工具趨于多樣性，私家車擁有量逐年飆升，盡管如此，受各種政策和客觀條件的影響，出租車仍然是我國(guó)城鎮(zhèn)市民出行重要的交通工具.由于出租車市場(chǎng)監(jiān)管不夠嚴(yán)格，城鄉(xiāng)接合部面積擴(kuò)張迅速等原因，一些城市出現(xiàn)了“打車難”現(xiàn)象，特別是流動(dòng)人口多的旅游城市這種現(xiàn)象更加突出[1].為了緩解這一現(xiàn)象，打車軟件應(yīng)運(yùn)而生并推出了許多優(yōu)惠和補(bǔ)貼政策，一時(shí)間受到了廣大司機(jī)和消費(fèi)者的青睞.與此同時(shí)，打車軟件智能出行平臺(tái)內(nèi)承載的海量數(shù)據(jù)也隨著大數(shù)據(jù)時(shí)代的到來(lái)日漸凸顯其重要的價(jià)值[2]，通過(guò)對(duì)這些數(shù)據(jù)進(jìn)行挖掘和分析必將對(duì)有效監(jiān)管出租車市場(chǎng)的發(fā)展、合理配置出租車資源提供決策支持.針對(duì)我們要解決的實(shí)際問(wèn)題，我們需要做以下模型假設(shè)：（1）假設(shè)打車軟件系統(tǒng)無(wú)漏洞；（2）假設(shè)每個(gè)出租車公司出行政策相同；（3）假設(shè)每個(gè)地區(qū)軟件平均使用率相同；（4）假設(shè)每個(gè)出租車行駛里程單價(jià)相同；（5）假設(shè)出租需求與供給不受天氣影響；（6）假設(shè)道路交通里程數(shù)不變；（7）假設(shè)各個(gè)城市人口總數(shù)不變，出租車數(shù)量總數(shù)不變；

一、城市聚類分析

本小節(jié)選取聚類分析方法中系統(tǒng)聚類法[3]將一些重要城市聚類，為接下來(lái)的模型建立奠定基礎(chǔ).我們選取人口數(shù)、出租車擁有量等指標(biāo)，利用系統(tǒng)聚類的分類方法將上海、北京、廣州等20個(gè)主要城市進(jìn)行聚類，將其分為三類，即一線交通發(fā)展城市、二線交通發(fā)展城市和三線交通發(fā)展城市.根據(jù)收集的統(tǒng)計(jì)數(shù)據(jù)，利用上述聚類方法，我們得到20個(gè)城市聚類后的樹狀圖，從而我們可以得到聚類分析結(jié)果，見圖1.

進(jìn)一步，根據(jù)樹狀圖和指標(biāo)分布情況采用最長(zhǎng)距離法進(jìn)行分類.其中，最長(zhǎng)距離法所使用的公式為

它等于Gp與Gq中最遠(yuǎn)的兩個(gè)樣品的距離.

根據(jù)最長(zhǎng)距離法的定義及其公式，經(jīng)過(guò)三次分類，最終將北京、廣州聚為一類，定義為一線交通發(fā)展城市；沈陽(yáng)、武漢、哈爾濱、濟(jì)南、寧波、杭州、廈門和深圳聚為一類，定義為二線交通發(fā)展城市；剩余城市聚為一類，定義為相對(duì)發(fā)展較弱的三線交通發(fā)展城市.進(jìn)行分類后，我們即可選取北京、沈陽(yáng)和南京分別作為各類城市中的代表.

我們對(duì)北京、沈陽(yáng)和南京三個(gè)城市的打車需求量與出租車分布利用MATLAB進(jìn)行三維模擬，并進(jìn)行兩個(gè)指標(biāo)間的比較.

由圖2、圖3可知，北京出租車分布情況的密集程度與需求量的分布程度部分地區(qū)基本一致，但總體差異性比較大，即北京的供求匹配不合理，需要重新合理分配出租車分布.南京出租車分布情況的密集程度與需求量的分布程度類似，但需求量很少，由此造成出租車空載率増大，資源浪費(fèi)，因此，需要重新分配出租車分布以達(dá)到供需匹配平衡.沈陽(yáng)分布出現(xiàn)的問(wèn)題與南京相同，因此，需要調(diào)整出租車分布.

二、主成分分析[4]和多元線性回歸模型

（一）模型建立

下面，我們將各城市出租車分布設(shè)為因變量y，難易度x1、需求量x2、搶單時(shí)間x3設(shè)為自變量，利用主成分分析對(duì)上述變量建立多元回歸模型，具體步驟如下：

第一步，針對(duì)三個(gè)自變量做因子分析，計(jì)算出各指標(biāo)的方差累積貢獻(xiàn)率，得出x2與x3的累積貢獻(xiàn)率大于85%，貢獻(xiàn)率較高，x1的貢獻(xiàn)率不高；

第二步，根據(jù)上述分析結(jié)果選取需求量x2、搶單時(shí)間x3作為因子，利用SPSS求得主成分prin1、prin2，見表2.

第三步，用y對(duì)兩個(gè)主成分prin1和prin2做普通最小二乘，獲得主成分系數(shù)，得到主成分回歸方程為

（二）模型檢驗(yàn)與分析

根據(jù)系數(shù)表，我們可知各個(gè)參數(shù)對(duì)應(yīng)顯著性檢驗(yàn)的p值均小于顯著性水平0.05，因此，上述模型通過(guò)檢驗(yàn).根據(jù)上述模型可知乘客對(duì)出租車的需求量與出租車的分布情況呈負(fù)相關(guān)，因此，出租車的分布與出租車的需求之間矛盾，造成出租車空載率增大，分布不合理，應(yīng)有效改善出租車分布情況，提高利用率，盡可能地平衡分布與需求的關(guān)系.

（三）模型應(yīng)用

下面我們通過(guò)對(duì)模型簡(jiǎn)單應(yīng)用，進(jìn)一步比較觀測(cè)值和預(yù)測(cè)值，從而更直觀地感受模型的回歸效果及應(yīng)用價(jià)值.

北京的模型應(yīng)用：當(dāng)難易度為9 452、需求量為707 154、搶單時(shí)間為604 100.55時(shí)，代入y=0.284x1-0.055x2+0479x3+56.181，得出租車分布為692 302，該數(shù)值與觀測(cè)值相差不大，本模型預(yù)測(cè)效果較佳.

沈陽(yáng)的模型應(yīng)用：當(dāng)難易度為2 857、需求量為294 228、搶單時(shí)間為20 594.38時(shí)，代入y=0.536x1-1.559x2+0049x3+41.806，得出租車分布為291 371，該數(shù)值與觀測(cè)值相差不大，本模型預(yù)測(cè)效果較佳.

南京的模型應(yīng)用：當(dāng)難易度為4676、需求量為572 990、搶單時(shí)間為31 140.13時(shí)，代入y=-2.036x1-0.103x2+046x3+84.46，得出租車分布為568 314，該數(shù)值與觀測(cè)值相差不大，本模型預(yù)測(cè)效果較佳.

除了上述模型的預(yù)測(cè)應(yīng)用外，其還可以進(jìn)行控制應(yīng)用，即政府部門或相關(guān)企業(yè)要想控制某區(qū)域內(nèi)的出租車分布，可以出臺(tái)相應(yīng)政策和措施調(diào)控難易度x1、需求量x2、搶單時(shí)間x3，進(jìn)而達(dá)到調(diào)控出租車配置的目的.

【參考文獻(xiàn)】

[1]潘玉奇，周勁，楊秀麗，袁寧.基于模糊聚類分析的數(shù)據(jù)檢索的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī)，2005（06）：167-169，172.

[2]林玉川.移動(dòng)打車軟件用戶行為研究[D].廈門：廈門大學(xué)，2014.

[3]何曉群.多元統(tǒng)計(jì)分析[M].北京：人民大學(xué)出版社，2015.

[4]韓冰.主成分分析和神經(jīng)網(wǎng)絡(luò)在工業(yè)經(jīng)濟(jì)數(shù)據(jù)中的應(yīng)用[D].長(zhǎng)春：吉林大學(xué)，2014.