烏蘭　蔣偉

摘要：出租車對交通行業(yè)發(fā)展影響深遠，出租車是銜接機場與城市交通系統(tǒng)的重要方式。因此研究機場出租車司機的收益和機場管理部門高效管理具有重要意義。我們根據(jù)機場客流量變化和司機的收益多少，確定了8個主要影響出租車司機決策的因素?；谝蜃臃治鼋Q策模型，且數(shù)據(jù)通過KMO檢驗。再通過旋轉(zhuǎn)因子可將8個影響因素分為潛在損失，客流數(shù)量，預(yù)計收益這3個主因子。最后，通過因子分析模型給出選擇策略。

關(guān)鍵詞：決策模型? 因子分析? 選擇策略

1 引言

如今出租車產(chǎn)業(yè)已經(jīng)成為交通中必不可少的一項服務(wù)，對于機場而言更是至關(guān)重要。當(dāng)司機送乘客到機場后將面臨兩個選擇，一是排隊等待搭載乘客返回市區(qū)。二是直接空載返回市區(qū)拉客。兩個選擇都受各樣因素的影響。而機場出租車管理員負責(zé)定量放行車輛進入乘車區(qū)，并安排定量的乘客上車。

2 模型的建立與求解

2.1 基于因子分析建立的決策模型

因子分析能夠在大部分變量中找出具有相關(guān)性的隱藏變量。其主要目的是把多數(shù)幾個無關(guān)的變量通過降維技術(shù)變成少數(shù)幾個相關(guān)的變量。

2.2 給出租車司機的選擇策略

近幾年，出租車產(chǎn)業(yè)發(fā)展一直十分穩(wěn)定，每個城市都離不開出租車行業(yè)的服務(wù)。對于機場等較偏遠的地方對出租車的需求量更大，且出租車司機為了自身的利益，送客到機場后會面臨兩個選擇。由于影響出租車司機決策的因素具有多樣性，所以從中挑選8個具有代表性的影響因素對問題進行分析。為了建立出租車司機的決策模型，根據(jù)數(shù)據(jù)調(diào)查和分析，挑選出8個對出租車司機影響較多的因素，分別為：吞吐量（即客流量），飛機到達數(shù)量，周邊出租車，延誤率，大型活動量（如大型演唱會、體育賽事和重大會議等），降雨天數(shù)，等待時間，平均行駛里程（如不同月份出于不同目的從機場到企業(yè)區(qū)、市區(qū)和娛樂區(qū)的路程不同）。如表1。

通過數(shù)據(jù)收集，找到了廣州市白云機場 2018年12個月份在8種影響因素下的數(shù) 據(jù)，并進行標(biāo)準(zhǔn)化處理。

（1）判斷該數(shù)據(jù)是否適合進行因子分析

首先對進行標(biāo)準(zhǔn)化后的8種因素及其相關(guān)數(shù)據(jù)做KMO檢驗，判斷該數(shù)據(jù)是否適 合進行因子分析。

根據(jù)KMO的統(tǒng)計值發(fā)現(xiàn)，總體值為0.6526，且大部分KMO的統(tǒng)計值在0.6、0.7左右，說明原變量比較適合進行因子分析。

（2）確定提取的公因子數(shù)目

可根據(jù)特征值大于1和累計貢獻率首次達到70%以上來判斷。

由表3可知，有3個特征值是大于1的，若按照特征根大于1的準(zhǔn)則提取公因子，可以提取3個公因子;且若按累積貢獻率首次達70%為準(zhǔn)則提取公因子，也可以提取3個公因子。綜上所述，提取3個公因子的效果較好。且累積貢獻率高達91.88%，說明用這三個主因子解釋出租車司機決策已有91.88%的把握。

（3）寫出旋轉(zhuǎn)因子模型

旋轉(zhuǎn)因子模型相比因子模型而言，可以更加直觀的將多個因子分成少數(shù)的幾個公因子。

從表4中可以得出，8個影響因素共分為3個主因子：潛在損失因子：等待時間，延誤率，降雨天數(shù);客流數(shù)量因子：吞吐量，飛機到達數(shù)量，周邊出租車;預(yù)計收益因子：平均行駛里程，大型活動量。

將解釋出租車司機決策的3個主因子通過流程圖更加直觀的表現(xiàn)出來，見下圖1。

綜合分析機場客流量變化和出租車司機收益等問題，給出出租車司機的決策模型。在模型中，潛在損失由延誤率、降雨天數(shù)和等待時間決定。若某段時間內(nèi)降雨天數(shù)越多即受壞天氣影響越大，其飛機的延誤率越高，本應(yīng)到達的旅客減少，相應(yīng)司機需要排隊等待乘客上車的時間越長。因此當(dāng)潛在損失因子所占比重較大時，司機應(yīng)該選擇直接空載返回市區(qū)拉客，不在機場等待。

在模型中，客流數(shù)量由吞吐量、飛機到達數(shù)量和周邊出租車的數(shù)量決定。吞吐量和飛機到達數(shù)量可直接反映客流量的多少，其數(shù)量越多，出租車司機會在短時間內(nèi)接到乘客的可能性越高。則當(dāng)出租車司機前往機場送客時，會選擇在機場等待，導(dǎo)致周邊出租車的數(shù)量增多，但由于客流量所占比重更大，仍會出現(xiàn)“供不應(yīng)求”的現(xiàn)象。因此當(dāng)客流數(shù)量因子所占比重較大時，司機應(yīng)該選擇排隊等待載客返回市區(qū)。在模型中，預(yù)計收益由平均行駛里程和大型活動數(shù)量決定。平均行駛里程會因為目的地的不同發(fā)生改變，其里程越長，單位內(nèi)取得的收益越大。當(dāng)大型活動次數(shù)越多，則某段時間內(nèi)的客流量越大，對出租車的需求也會越多。因此當(dāng)預(yù)計收益因子所占比重較大時，司機應(yīng)該選擇排隊等待載客返回市區(qū)。

參考文獻

[1]王學(xué)民.應(yīng)用多元統(tǒng)計分析[M].上海：上海財經(jīng)大學(xué)出版社，2017.

[2]胡書文，徐建武.主成分分析和因子分析在中國股票評價體系中的應(yīng)用[J].重慶理工大學(xué)學(xué)報 （自然科學(xué)），2017，31（05）：192-202.

[3]鄧義華.多屬性決策的靈敏度分析[D].南京：南京理工大學(xué)，2003.