互联网服务平台中供求匹配程度测定与优化方案.docVIP

互联网服务平台中供求匹配程度测定与优化方案 　　摘 要：“互联网+”与打车软件服务平台的应运而生，实现了各种数据信息的互通、给我们在出租车领域提供了很大的研究空间，但“打车难”的问题依然没有得到彻底解决。对此，本文从打车软件服务平台入手，利用MATLAB进行数据挖掘，综合经济学供求理论常识与各种外部客观社会因素，运用相对精确、有效的综合权值法建立合理的出租车“供求匹配”程度模型、并对北京20个区域进行全天候的宏观分析、微观分析以及相关系数分析。 　　同时，为深入探讨“打车难”的问题，我们也对当今打车软件服务平台提出的补贴方案进行了定性与定量研究，并在运用Douglas改进模型进一步对补贴方案进行综合量化的基础之上，构建百分比定量分析模型，以此来细致探讨现有补贴方案对“缓解打车难”问题的帮助。最后，在对现有方案的分析与总结的基础上，通过建立古诺模型、突破乘客与司机间的局限、引入竞争公司，全面考察三者的效益，最终得到新的补贴政策。 　　关键词：供求匹配程度模型；Douglas改进模型；百分比定量分析模型；古诺模型；LISER；滴滴快的智能出行平台 　　一、问题引入 　　社会科学的研究无处不在，我们可以运用类似世界银行中的大量直观数据进行量化分析和合理预测，我们也可以像金融学中那样，将时间维度和面板维度的不同的内容同时融入到间接得到的收益率数据中进行深入探究。但是当最基础的数据获取出现困难时，我们不免会觉得有些手足无措。 　　所以，此文从一个普通网络数据获取者的角度入手（即：假设公司内部数据是没有能力获取到的），在“互联网+”与打车软件服务平台应运而生的背景下，聚焦当下在北京出现的各类打车软件和优惠补贴政策，以及仍然没有得到彻底解决的“打车难”的问题。 　　二、出租车“供求匹配”程度模型 　　面对此种困难，我们只能从仅有的打车软件服务平台入手，通过编码MATLAB程序进行数据挖掘和处理，综合经济学供求理论常识与各种外部客观社会因素，运用相对精确、有效的综合权值法建立出合理的出租车“供求匹配”程度模型，其拟合结果展示如下： 　　Z=0.522167127A+0.284630542B+0.193202331C 　　（其中Z表示衡量“供求匹配”程度的综合性指标，而A，B，C分别为租车供求比、乘客被抢单时间以及由客观因素导致的打车难易度指数） 　　同时，为了验证上述模型的合理性，更加细致、精确地分析出不同时空间的相互影响和相互联系，我还将北京划分为20个区域，对其进行全天候的宏观分析、微观分析以及相关系数分析，并运用LISERL软件构建结构方程论证该模型的合理性。最终发现，模型通过检验、并且结果与已知的实际情况基本完全吻合，故具有一定的参考价值。同时我们还对数据进行了深入的处理，构建了相应的打车难度匹配程度评价指标，其结果展示如下图2.1： 　　三、数据分析 　　（一）宏观分析 　　首先考虑相同地点不同时间的数据变化，为此我们每次选取三个时间段进行作图，以使结果更加清晰，由于篇幅有限，仅以其中一幅图3.1为例进行分析。从图中我们可以清晰的看出，三条曲线不仅整体走势相同，而且在相同地点对应的“供求匹配”程度指数也几乎相同，这表明人们开始了一天的忙碌工作，而且我们还不难发现图中的1、2、5、6、9、10、13、14、17、18区域均有相对周围数据较高的“供求匹配”程度指数，而这正是北京的朝阳区和东城区，即北京的繁华区域，这说明在繁华区域供求匹配程度还是相当可观的。 　　（二）微观分析 　　我们同样可以对上述数据进行具体的量化分析，计算出其平均值为410.64055（剔除异常数据2011.1738后的），于是我们不难发现，在时间上，夜间的“供求匹配”程度指数相当的低于一般水平；在空间上，西南部地区，从二环到六环，都呈现出较低水平的“供求匹配”程度指数，这样的实时数据有助于我们在今后政策上提出更明确、更好的方案。 　　（三）相关系数分析法 　　除了对相同地点不同时间的分析外，我们还可以对相同时间不同地点的数据利用相关系数法进行考察，但由于二十个区域较多，所以在此不再罗列。 　　四、各公司主要出租车补贴方案分析 　　为深入探讨“打车难”的问题，我们也对当今打车软件服务平台提出的补贴方案进行了定性与定量研究。 　　在运用Douglas模型的改进模型的基础之上，构建了自己的百分比定量分析模型，将不同种补贴方案合理地量化为司机日增加收入，按不同因素受不同方案的影响难易程度，分级刻画各种潜在因素的变化量，以此来细致探讨现有的补贴方案对“缓解打车难”问题的帮助。我们不难发现各方案都在一定程度上缓解了打车难的问题，但是仍然存在着各自的弊端，尤其在雨雪天气、道路交通拥堵、夜间和高峰期等特殊时段，问题凸显的尤为明显。