2015年B题数学建模_滴滴打车模型分析

“互联网+”时代的出租车资源配置摘要随着“互联网+”时代的到来，针对当今社会“打车难”的问题，多家公司建立了打车软件服务平台，并推出了多种补贴方案，这无论是对乘客和司机自身需求还是对出租车行业发展都具有一定的现实意义。

本文依靠ISM解释结构、AHP-模糊综合评价、价格需求理论、线性规划等模型依次较好的解决了三个问题。

对于问题一求解不同时空出租车资源“供求匹配”程度的问题，本文先将ISM模型里的层级隶属关系进行改进，将影响出租车供求匹配的12个子因素分为时间、空间、经济、其它共四类组合，然后使用经过改进的AHP-模糊综合评价方法建立模型，提出了出租车空载率这一指标作为评价因子的方案，来分析冬季某节假日市南岗区出租车资源“供求匹配”程度。

通过代入由1-9标度法确定的各因素相互影响的系数，得出各个影响因素的权重大小，利用无量纲化处理各影响因素，得出最终评判因子为0.3062，根据“供求匹配”标准，得出市南岗区出租车资源“供求匹配”程度处于供需合理状态的结论。

同理，也得到了市不同区县、不同时间的供求匹配程度，最后作出市出租车“供求匹配”程度图。

对于问题二我们运用价格需求理论建立模型，以补贴前后打车人数比值与空驶率变化分别对滴滴和快的两个公司的不同补贴方案进行求解，依次得到补贴后对应的打车人数及空驶率的变化，再和无补贴时的状态对比，最后得出结论：当各公司补贴金额大于5元时，打车容易，即补贴方案能够缓解“打车难”的状况；当补贴小于5元时，不能缓解“打车难”的状况。

对于问题三，在问题二的模型下，建立了一个寻找最优补贴金额的优化模型，利用lingo软件[1]进行求解算出最佳补贴金额为8元，然后将这个值带入问题二的模型进行验证，经论证合理后将补贴金额按照4种分配方案分配给司机乘客。

关键词：ISM解释结构模型；AHP-模糊综合评价；价格需求理论；线性规划一问题重述交通是社会生活众多产业当中的一项基础产业，不但和社会的经济发展关系紧密，与人们的生活也是息息相关。

基于双层规划的出租车补贴方案研究摘要在我国庞大的人口压力下，“打车难”已成为许多城市共同面临的问题。

而随着“互联网+”时代的到来，第三方打车软件的异军突起同时便利了乘客和司机双方。

本文针对此背景下存在的出租车资源“供需匹配”问题，通过寻找数据，建立相应的指标评判“供需匹配”程度的高低，并分析可缓解“打车难”问题的现存及待建立的补贴方案。

问题一中，我们选取车辆满载率、万人拥有量和乘客等待时间三个指标来衡量各区域不同时间段的“供需匹配”程度，对深圳市2011年4月18日一天的出租车运营数据进行了研究。

我们首先对所得数据进行聚类得到热点区域，然后分析出租车到达某区域的时间间隔与乘客等待时间的关系，得到各区域乘客等候时间随时间的变化情况：中心城市等候时间较长的时间段为上午8:00-11:00，下午17:00-19:00；郊区等候时间较长的时间段为凌晨4:00-7:00，下午12:00-14:00；偏远地区等候时间较长的时间段为凌晨3:00-5:00，上午9:00-11:00。

问题二中，我们结合深圳市出租车运行数据，分析乘客24小时内等待时间的变化得到一日内的出租车需求高峰时段。

针对现有的补贴政策，计算其补贴的高峰时段与所求得的高峰时段重叠率，当其重叠率高于75%后，则认为其所进行补贴的时段选取准确，可在高峰时段进一步提高司机积极性以缓解“打车难”现状。

最终结果显示，两大打车软件公司的补贴政策的高峰时间段的重叠率均高于75%，即较好地覆盖所求解的高峰时段，故对缓解“打车难”问题有帮助。

问题三中，在满足尽可能多的乘客需求量的基础上，我们建立了使打车软件公司及出租车司机的利益双向最大化的双层规划模型。

通过Matlab编程求解，我们得到了在高峰时段对出租车司机每单补贴14.75元，乘客每单补贴费2.18元，并以乘客对司机的服务评价星级为参考的补贴方案。

为了简化计算量，提高模型求解精度，本题中首先对所得数据进行预处理，热点分区后降低数据维度后，尽可能全面地考虑不同时空的各指标的取值。

基于供求匹配率的出租车资源配置模型摘要本文针对城市出租车资源配置问题，采用定性与定量相结合的研究方法，建立衡量出租车供求匹配程度的指标，分析打车软件各种补贴方案对所建指标的影响，在充分考虑各方利益的前提下，得到打车软件的最优补贴方案，对城市出租车行业资源优化配置、持续良性发展具有一定的参考意义。

为分析不同时空出租车资源的供求匹配程度，引入出租车资源供求匹配率这一指标，指标的定义为城市中实际运行的出租车辆数与居民出行需要的出租车辆数之比，反映城市中实际运行的出租车辆数与居民出行需要的出租车辆数之间的差异。

计算得出成都2013年出租车供求匹配率为0.7766，表示供不应求。

居民出行需要的出租车辆数与居民人均日出行次数、城市总人口数量、居民出行选择乘坐出租车的比例有关，也与每辆出租车日均载客次数、每单载客人数和车辆满载率有关。

对于居民人均日出行次数，利用十五个国内大中城市的数据，将十二个城市经济指标聚类分析选出每类指标中典型的经济指标，建立居民人均日出行次数与这些典型经济指标间的多元线性回归方程，而与居民出行需要的出租车辆数相关的其他指标可查阅文献或年鉴获得。

分析成都市每天6:00-8:30，11:00-12:30,13:30-14:30,17:00-18:30四个时间段得供求匹配率分别为0.4111，0.5678,0.6062,0.5631，结果显示供不应求。

得到大连、北京、广州、武汉、南京、成都、杭州、深圳八座城市的出租车资源供求匹配率分别为1.0936、0.8827、0.9430、0.7040、0.7049、0.7666、0.6583、0.5252，表明只有大连的出租车资源是供大于求，而其余七座城市为供小于求。

为了分析各公司的出租车补贴方案对缓解打车难是否有帮助，定性分析出租车日均载客次数、出租车满载率随打车软件对出租车司机每单补贴金额的变化趋势，分别建立阻滞增长模型，进而分析打车软件对出租车司机每单补贴金额的变化对所建指标的影响。

2015 数学建模B题（公选课）后打车时代究竟能走多远--基于数学分析的打车软件盈利模式的评估体系1．摘要打车软件作为新兴的交易平台，增加了交易机会。

且与街头扬招方式相比，打车软件优势也很明显，它可以让出租车司机迅速找到它的客户。

出租车正在寻找客人而“空跑”。

打车软件的出现则改变了这种信息不对称，大大降低了司机的“空载率”，减少了司机和乘客之间的交易成本——司机扫街和乘客扫街的时间成本。

其次，改变了支付方式。

传统现金交易有两个弊病，一是安全性。

另外，大量现金交易增加了司机的交易成本：时不时收到假钞，蒙受经济损失；每周几次到银行存钱也增加了时间成本。

这些优势就使得打车软件极具有盈利的可能，只有软件找到用户并增强对他们的粘性，就有许多渠道来针对他们来盈利。

随着近两年打车软件的兴起，从原先40多款打车软件的百花齐放演变成现在的嘀嘀、快的双雄争霸，市场竞争也趋于白热化。

2014年伊始，嘀嘀打车和快的打车进入史上空前的“烧钱大战”，在高峰期甚至达到2月17日乘客返现10—15元，新司机首单立奖50元，而且每单都有补贴十块。

目前两大打车软件纷纷将针对乘客的补贴降至3元/单，对司机端的补贴，嘀嘀是5元/单，快的4元/单。

部分城市的嘀嘀打车更已取消“立减优惠”，取而代之的是“用嘀嘀添新衣”的广告或改送购物网站现金券。

那么，在后打车时代，滴滴打车这类打车软件还能走多远了？我们通过对打车软件盈利模式的研究来探索这个问题。

关键词：空载率，支付方式，交易成本，后打车时代2．模型的假设①打车软件开拓的市场基本成熟，大公司的投资也不再，补贴也不再，利用生活服务来增强对用户的粘性。

②假设软件公司为用户提高的生活服务质量日趋完善，出租车司机的覆盖率每年增长，但增长速度每年递减，最后使用打车软件的人数稳定在一定数量（即达到饱和状态）。

③假设出租车司机的覆盖率与顾客的等待时间成反比，即t=k2/p2；k2为常系数。

假设顾客的满意度跟等待时间成负相关，且满足s=100-k1*t，其中t顾客等待打车的时间，k1为常系数，顾客的满意度跟的士的覆盖率成正相关，可以这么理解，使用打车软件的出租车越多，乘客越容易在短时间内打到车，即满意度越高。

模型建立出租车资源的“供求匹配”程度实际就是出租车的合理规模，而合理的规模是由供与需的关系决定的，当供需平衡时显然匹配程度高，供大于求或者供小于求都表示匹配程度低。

因此我们从供需平衡理论出发，试图建立描述出租车资源的“供求匹配”程度的模型。

然后选取几个具有代表性的城市出租车数据，用我们的模型进行分析，以此模拟全国出租车资源的“供求匹配”程度。

1.1出租车供需平衡关系分析当需求量与供给量达到一致时，即处于均衡状态，而这个量就称为供需平衡量，也是一个最佳量。

本文借鉴供需平衡理论的原理，对出租车供需关系进行分析。

出租车供需平衡关系分析模型:出租车流量F是关于出租车服务水平S与出租车出行总量V的函数，即F=f(S,V) (1.1)由出租车客运需求与供给的基本关系可知，当出租车供给量T和乘客出行次数A均为常数(即令T一几，A一而)时，就有唯一的解S*和V*。

由式((1.1)得出一个确定的出租车流量:F*=f(S*,V*).S*和V*可通过下面的方程组得出:(1.2)因此，出租车流量F*实际上是由To和A0决定的。

所以可以将F，写成:(1.3)图1.1描述了这种关系，在一般情况下，乘客主要关心的是候车时间，候车时间越长，乘客就认为出租车服务水平越差;相反，候车时间越短，就认为其服务水平越高，因此，出租车服务水平S常用候车时间的倒数又1/t表示。

由于候车时间比较直观，所以常用候车时间t代替服务水平S。

则式(1.2)中的函数J, D分别改写为:(1.4)因为候车时间t和服务水平S是成反比的，所以候车时间t对出行总量V的曲线形状也发生了变化，如图1.1所示。

图1.1出租车供需平衡关系1.2出租车供需平衡的动态关系分析1.2.1出租车在城市客运交通系统中的供需平衡分析城市客运交通需求与供给受城市经济的发展、城市人口及规模等多种因素的影响，当城市客运交通供需情况发生变化时，若城市客运交通需求量下降，出现城市客运交通供过于需的局面，出租车客运需求量也势必随着下降，则出租车供给量超出需求量，出租车空驶率上升，导致出租车行业利润下降，部分出租车将退出出租车市场;若城市客运交通需求量上升，出现城市客运交通供不应需的局面，相应的出租车也势必会承担一部分供给不足的部分，出租车需求量上升，出租车空驶率随之下降，出租车行业利润上涨，刺激市场增加出租车的供给。

基于供求匹配率的出租车资源配置模型摘要本文针对城市出租车资源配置问题，采用定性与定量相结合的研究方法，建立衡量出租车供求匹配程度的指标，分析打车软件各种补贴方案对所建指标的影响，在充分考虑各方利益的前提下，得到打车软件的最优补贴方案，对城市出租车行业资源优化配置、持续良性发展具有一定的参考意义。

为分析不同时空出租车资源的供求匹配程度，引入出租车资源供求匹配率这一指标，指标的定义为城市中实际运行的出租车辆数与居民出行需要的出租车辆数之比，反映城市中实际运行的出租车辆数与居民出行需要的出租车辆数之间的差异。

计算得出2013年出租车供求匹配率为0.7766，表示供不应求。

居民出行需要的出租车辆数与居民人均日出行次数、城市总人口数量、居民出行选择乘坐出租车的比例有关，也与每辆出租车日均载客次数、每单载客人数和车辆满载率有关。

对于居民人均日出行次数，利用十五个国大中城市的数据，将十二个城市经济指标聚类分析选出每类指标中典型的经济指标，建立居民人均日出行次数与这些典型经济指标间的多元线性回归方程，而与居民出行需要的出租车辆数相关的其他指标可查阅文献或年鉴获得。

分析市每天6:00-8:30，11:00-12:30,13:30-14:30,17:00-18:30四个时间段得供求匹配率分别为0.4111，0.5678,0.6062,0.5631，结果显示供不应求。

得到、、、、、、、八座城市的出租车资源供求匹配率分别为1.0936、0.8827、0.9430、0.7040、0.7049、0.7666、0.6583、0.5252，表明只有的出租车资源是供大于求，而其余七座城市为供小于求。

为了分析各公司的出租车补贴方案对缓解打车难是否有帮助，定性分析出租车日均载客次数、出租车满载率随打车软件对出租车司机每单补贴金额的变化趋势，分别建立阻滞增长模型，进而分析打车软件对出租车司机每单补贴金额的变化对所建指标的影响。

得到的结论为：对于使用打车软件的乘客来说，出租车补贴方案能够缓解打车难的问题；而对于不使用打车软件的乘客来说，出租车补贴方案则不能缓解打车难的问题。

精心整理“互联网+”时代的出租车资源配置模型摘要本文针对城市出租车资源配置问题，采用定性与定量相结合的研究方法，建立衡量出租车供求匹配程度的指标，分析打车软件各种补贴方案对所建指标的影响，在充分考虑各方利益的前提下，得到打车软件的最优补贴方案，对城市出租车行业资源优化配置、持续良性发展具有一定的参考意义。

软件公司三方的满意度，利用熵值法确定这三方各自满意度的权重，将三方满意度加权之和作为综合满意度，进而以综合满意度为目标函数，以打车软件对出租车司机每单补贴金额为控制变量，以补贴金额设置的范围为约束条件建立优化模型。

遍历所有可能的方案得到最优补贴方案为对出租车司机每单补贴9元,综合满意度为0.5710。

关键词：聚类分析；回归分析；灰色预测；阻滞增长模型；熵值法；最优化一、问题重述随着经济的发展，近年来，人们对出行的要求不断提高，城市出租车以其方便、快捷、舒适和私密性的特点成为越来越多人的出行选择。

但是，国内各大城市交通问题日趋严重，“打车难”也是人们关注的一个社会热点问题。

数据显示，包括上海、杭州等众多大城市，出租车非高峰期的空驶率始终在30%上下徘徊，而高峰期却打不到车。

这与众多市民反映的打车难背后所隐藏的强烈需求看似形成了一个矛盾。

究其原因，最主要的莫过于司机与乘客需求信息不对称，缺乏及时沟通交流的平台。

通过查阅文献可以确定居民出行选择出租车作为出行方式的比例从而，计算得出城市的出租车运输量的需求量。

然后根据供需平衡法预测出城市出租车需求量。

将城市实际出租车数量与城市出租车需求数量作比，得到衡量出租车资源的供求匹配程度的指标即供求匹配率。

对未来城市的出租需求量进行灰色关联预测，得到未来城市的出租需求量，通过计算不同城市的出租车需求量，进行不同时空的出租车资源供求匹配的分析。

对于各公司的出租车补贴方案是否对“缓解打车难”有帮助问题，由于难以得到各公司不同时间的补贴方案对居民打车难度的实际影响效果数据，我们从公司对每单的补贴金额入手，分析每单补贴金额范围为0～15元，认为补贴金额再高对公司利益有较大损失。

“互联网+”时代的出租车资源配置摘要近几年来，随着燃油价格、维修等费用的上涨，导致了出租车运行成本显著上涨，“打车难”成了人们关注的一个热点问题。

为了缓解大城市打车难的问题，打车软件应运而生。

本文通过Matlab拟合和定性分析以及计算等方法，建立演化博弈模型，针对打车难问题设计出了合理的补贴方案。

针对问题一，根据2014年各省拥有的出租车总数量情况和城市人口情况，发现北京、上海、杭州、武汉等城市具有拥有出租车数量较多，常驻人口多，流动人口大，出租车需求量大等特点，所以选取这四个城市，查找高峰期与非高峰期时刻的出租车需求量和实载量数据，以实载量与需求量的比值作为指标，通过计算，分析出不同时空的出租车资源的供求匹配程度，在凌晨一点时上海出租车需求量大，其次是杭州、北京，武汉需求量小，早上七点时，北京出租车需求量大，其次是上海、杭州，武汉需求量小，下午一点时，北京需求量大，其次是上海、杭州，武汉需求量小，晚上19点时，上海出租车需求量大，其次是北京、杭州，武汉需求量小，但总体供小于求。

并采用Matlab软件画出各个城市对应的供求关系图。

针对问题二，建立出租车司机与乘客对打车软件使用意向的演化博弈模型，通过乘客与出租车司机效益的对比，对模型求解与分析，得出结论，认为乘客由于出租车价格偏高而不愿意使用打车软件，又通过计算，发现出租车司机使用打车软件后由于较高的燃油费导致收入增加不明显，而不太愿意使用打车软件。

所以公司只在司机收入方面部分缓解了打车难这个问题。

针对问题三，通过分析传统打车方式下的出租车的供求关系，可以看出打车软件的出现却有其现实意义，但在实践过程中也存在一些不足，比如部分出租车司机抱怨有较高的燃油费，收入相对来说偏低。

面对燃油价格的变化，出租车经营者不能按照自己目标制定出租车经营策略。

本文根据燃油价格变化情况，以达到利润最大化为目标，制定了基于经营合理利润水平的出租车补贴方案；又根据出租车经营利润的变化率与燃油价格变化率成正比，制定了基于燃油价格变化率的出租车补贴方案。

2015高教社杯全国大学生数学建模竞赛题目（请先阅读“全国大学生数学建模竞赛论文格式规范”）B题“互联网+”时代的出租车资源配置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。

1选取几个打车平台的补贴方案去分析，比如：快的打车补贴变化2014年1月20日快的打车乘客车费返现10元，司机奖励10元2014年2月17日快的打车乘客返现11元，司机返5-11元[10]2014年2月18日快的打车乘客返现13元[11]2014年3月4日快的打车乘客返现10元/单，司机端补贴不变[6]2014年3月5日快的打车乘客补贴金额变为5元2014年3月22日快的打车乘客返现3—5元2014年5月17日软件乘客补贴“归零”2014年7月9日，将司机端补贴降为2元/单。

[12]2014年8月9日，滴滴、快的两大打车软件再出新规，全面取消司机端现金补贴。

滴滴打车1月10日，滴滴打车乘客车费立减10元、司机立奖10元2月17日，滴滴打车乘客返现10-15元，新司机首单立奖50元2月18日，滴滴打车乘客返现12至20元3月7日，滴滴打车乘客每单减免随机“6-15元”3月23日，滴滴打车乘客返现3-5元5月17日，打车软件乘客补贴“归零”7月9日，软件司机端补贴降为2元/单8月12日，滴滴打车取消对司机接单的常规补贴2分析传统出租车公司的补贴方案3最后一定要联系到是否对“缓解打车难”有帮助上，结论是：有一定帮助，但并未完全解决问题（），同时产生了新的问题。

“互联网+”时代的出租车资源配置摘要关键词：主成分分析法、供求平衡阀法、对比比值法一、问题的重述二、问题分析三、模型的假设与符号说明1、模型假设2、符号说明四、模型建立与求解2.2.1指标体系的建立根据问题一的分析，我们近似的建立关于出租车运力规模的合理指标。

目前,大多采用功效系数法来评价出租车运力规模的合理程度。

但是我们要做的是建立合理的指标，而不是对出租车运力规模进行评价。

所以采用主成分分析法来建立关于出租车资源的合理指标。

（主成分分析法也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。

）经过查阅相关资料，建立如下指标体系：1）万人拥有量:该项指标反映了城市出租车的客观需求。

依据国内外各大城市的经验,城市出租车万人拥有量应介于20-30辆之间,此时能表现出较好的市场接受度。

2）里程利用率:指出租车正常运营过程中一定时间内载客行驶里程占总行驶里程的百分比,其计算公式为:3）出租车空载率:是反映出租车营运状况的一个重要指标,其计算公式为:4）乘客平均等车时间:指乘客在选择出租车出行的时候等候出租车辆的平均时间,单位为min,其计算公式为:5）居民出行量：指居民在单位时间内出行人数主成分分析法也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。

2、主成分分析法的算法步骤2.1 原始指标数据的标准化设有n 个样本,p 项指标,可得数据矩阵(),1,2,...,ij X X nxp i n ==表示n 个样本,j =1,2,...,p 表示p 个指标,ij x 表示第i 个样本的第j 项指标值.用Z score -法对数据进行标准化变换:式中,1()/n j ij i x x n==(∑ 221()1/(1)n j j ij i S x x n ==--∑ 1,2,...,i n = 1,2,...,j p =2.2 求指标数据的相关矩阵()jk pXp R r = 1,2,...,j p = 1,2,...,k p = jk r 为指标j 与指标k 的相关系数.即 111n jk i r n ==-∑ ij jk Z Z 有1ij r =， jk kj r r = 2.3 求相关矩阵R 的特征根特征向量,确定主成分由特征方程式Ip |λ-P |=0,可求得的p 个特征根(1,2,...,)g g p λ=,1λ将其按大小顺序排列为12p λ≥λ≥...λ≥0,它是主成分的方差,它的大小描述了各个主成分在描述对象上所起作用的大小。

“互联网+”时代的出租车资源配置摘要近几年来，随着燃油价格、维修等费用的上涨，导致了出租车运行成本显著上涨，“打车难”成了人们关注的一个热点问题。

为了缓解大城市打车难的问题，打车软件应运而生。

本文通过Matlab拟合和定性分析以及计算等方法，建立演化博弈模型，针对打车难问题设计出了合理的补贴方案。

针对问题一，根据2014年各省拥有的出租车总数量情况和城市人口情况，发现北京、上海、杭州、武汉等城市具有拥有出租车数量较多，常驻人口多，流动人口大，出租车需求量大等特点，所以选取这四个城市，查找高峰期与非高峰期时刻的出租车需求量和实载量数据，以实载量与需求量的比值作为指标，通过计算，分析出不同时空的出租车资源的供求匹配程度，在凌晨一点时上海出租车需求量大，其次是杭州、北京，武汉需求量小，早上七点时，北京出租车需求量大，其次是上海、杭州，武汉需求量小，下午一点时，北京需求量大，其次是上海、杭州，武汉需求量小，晚上19点时，上海出租车需求量大，其次是北京、杭州，武汉需求量小，但总体供小于求。

并采用Matlab软件画出各个城市对应的供求关系图。

针对问题二，建立出租车司机与乘客对打车软件使用意向的演化博弈模型，通过乘客与出租车司机效益的对比，对模型求解与分析，得出结论，认为乘客由于出租车价格偏高而不愿意使用打车软件，又通过计算，发现出租车司机使用打车软件后由于较高的燃油费导致收入增加不明显，而不太愿意使用打车软件。

所以公司只在司机收入方面部分缓解了打车难这个问题。

针对问题三，通过分析传统打车方式下的出租车的供求关系，可以看出打车软件的出现却有其现实意义，但在实践过程中也存在一些不足，比如部分出租车司机抱怨有较高的燃油费，收入相对来说偏低。

面对燃油价格的变化，出租车经营者不能按照自己目标制定出租车经营策略。

本文根据燃油价格变化情况，以达到利润最大化为目标，制定了基于经营合理利润水平的出租车补贴方案；又根据出租车经营利润的变化率与燃油价格变化率成正比，制定了基于燃油价格变化率的出租车补贴方案。