胡蓓蓓，孔亞文，趙麗欣，董現(xiàn)壘

(山東師范大學 管理科學與工程學院，山東 濟南 250014)

一、引 言

網(wǎng)約車是在“互聯(lián)網(wǎng)+”背景下的新鮮事物，其利用互聯(lián)網(wǎng)和移動通訊工具，讓出行者與出租車直接建立雇傭關(guān)系，改變了傳統(tǒng)出租車以巡街和蹲點為主的服務(wù)模式。網(wǎng)約車的出現(xiàn)不僅增加了就業(yè)機會，還方便了人們的出行，在一定程度上促進了出租車市場供需平衡，有效緩解了人們打車難的問題。2016年7月，交通運輸部等部門聯(lián)合發(fā)布了《網(wǎng)絡(luò)預(yù)約出租汽車經(jīng)營服務(wù)管理暫行辦法》和《關(guān)于深化改革推進出租汽車行業(yè)健康發(fā)展的指導意見》，從法律層面上認可了網(wǎng)約車的合法地位。

近年來，學術(shù)界開始致力于挖掘并處理如GPS等的交通大數(shù)據(jù)來研究交通、運輸和城市規(guī)劃的一系列相關(guān)問題，主要有以下幾個方面：一是利用軌跡數(shù)據(jù)獲取實時交通狀態(tài)，評估與預(yù)測城市道路擁堵狀況[1-2]。比如，通過評價出租車乘客量及司機的搜索行為，進而研究乘客出行的時空分布特點及載客熱點區(qū)域[3-4]；分析城市出租車空載率的時空特征及影響因素，來評價出租車運營效率，并以此設(shè)計出租車的載客路徑及策略來提高出租車司機收入等[5-7]。二是探討影響出租車司機收入的因素，包括客源時空分布不均衡、里程利用率、工作時間及地域選擇等[8-10]；除此之外，部分學者還試圖量化不同服務(wù)模式下出租車司機的服務(wù)質(zhì)量、服務(wù)功能與服務(wù)價格、服務(wù)利潤等[11-13]。而隨著“互聯(lián)網(wǎng)+交通”時代的到來，滴滴、Uber等網(wǎng)約車作為新興事物強勢進入城市客運出租車市場，提高了出租車的服務(wù)供給，促進了出租車市場平衡，但是也對傳統(tǒng)出租車行業(yè)帶來了重大沖擊。研究發(fā)現(xiàn)，快車等一系列出租車新業(yè)態(tài)的出現(xiàn)是導致出租車市場業(yè)務(wù)分流及巡游車司機收入下降的主要原因[14]。

綜上所述，目前對網(wǎng)約車的相關(guān)研究集中在利用軌跡數(shù)據(jù)研究城市交通道路狀況及乘客的智能出行問題，或者研究“互聯(lián)網(wǎng)+”背景下出租車新舊業(yè)態(tài)的協(xié)同發(fā)展問題。盡管以往的研究取得了重要進展，但是利用交通大數(shù)據(jù)對不同服務(wù)模式下的利潤率進行測算的相關(guān)研究相對較少。而滴滴出行平臺對網(wǎng)約車收益的設(shè)定導致了不同類別網(wǎng)約車的服務(wù)利潤率差異較大，服務(wù)利潤率不能再通過傳統(tǒng)出租車服務(wù)模型進行測算[15]，出租車服務(wù)模型中的起步價、有載率、“份子錢”、燃油成本等一系列參數(shù)都需要重新設(shè)定。為了準確把握出租車市場中不同市場主體的運行現(xiàn)狀，了解出租車市場中新的利益分配格局，本文通過構(gòu)建“互聯(lián)網(wǎng)+”背景下的出租車服務(wù)模型，基于滴滴平臺的快車和出租車軌跡數(shù)據(jù)，以北京市為例，對比出租車和快車司機的盈利能力差異，探索新業(yè)態(tài)下出租車市場的利益分配格局，從而為城市中的交通運輸規(guī)劃提供相應(yīng)的理論依據(jù)和決策支持。

二、“互聯(lián)網(wǎng)+”背景下出租車服務(wù)模型的構(gòu)建

出租車服務(wù)模型以路網(wǎng)、乘客出發(fā)點集合I、乘客目的地集合J為基礎(chǔ)，以服務(wù)于區(qū)域i的一名(組)乘客為主要研究對象，考慮一名(組)乘客從i∈I區(qū)域(上車點)到達j∈J區(qū)域(下車點)的整個過程。完整的服務(wù)過程包括了出租車尋找乘客、等待乘客以及將乘客從出發(fā)點送達目的地三個過程。設(shè)Fij為從區(qū)域i到區(qū)域j的打車費用，則出租車完成一次服務(wù)(i→j)的期望收入可以表示為：

(1)

(2)

(3)

(一)出租車服務(wù)模型

出租車的計價方式為Fij=Fa+pb(Sij-s)+Flow-speed+Fempty，其中Fa為起步費，pb為里程基本單價，Sij、Flow-speed、Fempty分別為完成一次服務(wù)(i→j)的行駛里程、低速行駛費、空駛費；s為起步價內(nèi)的服務(wù)里程。出租車完成一次服務(wù)(i→j)的期望收入為：

(4)

(5)

不考慮有載與空載行駛過程中的燃油成本差異，則出租車完成一次服務(wù)(i→j)的期望利潤率為：

(6)

(7)

(8)

(二)快車服務(wù)模型

快車的計價方式為Fij=pb·Sij+pc·hij+pempty·(Sij-s')，其中pb、pc、pempty分別表示單位行駛里程的價格、單位服務(wù)時間的價格和遠途費里程單價，則快車完成一次服務(wù)(i→j)的期望收入為：

(9)

快車完成一次服務(wù)(i→j)的期望利潤率為：

(10)

其中FM表示打車軟件平臺對每單打車交易收取的信息費。同樣不考慮有載與空載行駛過程中的燃油成本差異，在不同的服務(wù)里程下，快車完成一次服務(wù)(i→j)的期望利潤率為：

(11)

其中Fmin表示快車的最低收入。

三、實證分析

(一)數(shù)據(jù)及數(shù)據(jù)預(yù)處理

以北京市為例，從滴滴平臺獲取出租車和快車的訂單共565 582個，其中出租車訂單共91 986個，快車訂單共473 596個。在數(shù)據(jù)清洗的過程中，刪掉了重復數(shù)據(jù)和只包含單條軌跡的訂單數(shù)據(jù)，最終獲得有效訂單512 878個，其中出租車78 446個，快車434 432個。具體地，每條軌跡數(shù)據(jù)包括5個字段：加密后的訂單ID、軌跡點對應(yīng)的時間戳、相應(yīng)坐標經(jīng)度、相應(yīng)坐標緯度、相應(yīng)瞬時速度。

(二)收費標準及有載率的設(shè)定

根據(jù)北京市發(fā)改委2017年1月22日發(fā)布的《出租汽車價格標準》和滴滴平臺發(fā)布的《用戶指南》與《司機指南》，獲取出租車和快車的計價標準如表1和表2所示。

表1 北京市出租車收費標準

表2 北京市快車收費標準

通過訪談出租車和快車司機共168名，獲得服務(wù)在不同時段的有載率，根據(jù)訪談結(jié)果設(shè)定非高峰時段出租車(快車)的有載率區(qū)間為[0.6，0.8]，高峰時段的有載率區(qū)間為[0.7，0.9]，夜間時段的有載率區(qū)間為[0.4，0.6]，然后利用均勻分布抽樣獲取出租車(快車)在各個路段、各時間節(jié)點上的有載率。

(三)實證結(jié)果

1.出租車的服務(wù)利潤率。利用式(8)可以計算出租車司機的服務(wù)利潤率。根據(jù)出租車不同服務(wù)里程的計價差別，將所有的訂單分為0～3公里、3～15公里、15～20公里和大于20公里四類，分別計算工作日和非工作日出租車司機在不同服務(wù)里程下的利潤率，結(jié)果如圖1所示。

圖1 出租車的服務(wù)利潤率對比圖

從整體上看，不同服務(wù)里程下的利潤率從大到小依次是： 0～3公里、大于20公里、15～20公里、3～15公里；出租車司機的服務(wù)利潤率的日變化趨勢大致相同，早上5:00-7:00時段的利潤率最高，其次為早晚高峰時段。出租車司機在非工作日的利潤率普遍大于工作日，如服務(wù)里程為15～20公里時，司機在非工作日與工作日的利潤率均值分別為每小時32.29元、30.43元。在工作日9:00-16:00時段內(nèi)，司機的服務(wù)利潤率變化較平穩(wěn)，而在非工作日，其服務(wù)利潤率波動較大。

從圖1可以看出，早晚高峰時段出租車司機的平均利潤率普遍高于非高峰時段。如在非工作日，當服務(wù)里程為15～20公里時，高峰時段其利潤率均值比非高峰時段每小時高2.29元；且在18:30(晚高峰時段)服務(wù)利潤率達到最高點，為每小時46.76元，比日平均利潤率高14.47元；在工作日，大于20公里的服務(wù)里程中，高峰時段其利潤率均值比非高峰時段每小時高6.10元，且服務(wù)利潤率最高點在5:30，為每小時52.68元，比日平均利潤率高13.34元。晚高峰過后，其服務(wù)利潤率下降，司機的服務(wù)利潤率在夜間23:00-4:00達到最低，如在工作日，里程大于20公里時，其服務(wù)利潤率最低點在23:00，為每小時30.60元，比日平均利潤率低8.73元。與白天相比，夜間出租車的有載率較低，這是造成夜間利潤率較低的主要原因。

2.快車的服務(wù)利潤率。快車分為普通型和優(yōu)享型兩種，利用式(11)可以計算這兩種服務(wù)模式的利潤率，結(jié)果如圖2所示。由于優(yōu)享型快車的里程費等費用相對較高，所以優(yōu)享型快車的利潤率要高于普通型快車，平均每小時高6～20元，如在非工作日，大于20公里的服務(wù)里程中，優(yōu)享型快車司機的日平均利潤率為每小時38.74元，比普通型快車高10.98元。按照不同的服務(wù)里程來看，快車司機的服務(wù)利潤率從大到小依次是：0～3公里、大于20公里、15～20公里、3～15公里。

(a)普通型

(b)優(yōu)享型

與出租車相比，快車在工作日與非工作日利潤率曲線整體波動均較小?？燔囁緳C在非工作日的服務(wù)利潤率普遍高于工作日，如在3～15公里和15～20公里的服務(wù)里程中，優(yōu)享型快車在非工作日的日平均利潤率為29.03元、29.47元，比工作日分別高0.98元、1.27元。在不同的服務(wù)里程中，快車司機的服務(wù)利潤率最高點普遍出現(xiàn)在早上5:00-7:00。如在工作日，15～20公里的服務(wù)里程中，普通型快車司機的服務(wù)利潤率最高點出現(xiàn)在5:30，為每小時27.89元，比日平均利潤率高8.55元；在非工作日，3～15公里的服務(wù)里程中，優(yōu)享型快車司機的服務(wù)利潤率最高點出現(xiàn)在6:30，為每小時40.36元，比日平均利潤率高11.33元。工作日與非工作日的晚高峰時段的利潤率均未出現(xiàn)明顯上升，如在非工作日12:00-22:00時段，司機的利潤率曲線在一定范圍內(nèi)上下波動，但整體趨勢呈平穩(wěn)狀態(tài)。

3.出租車與快車的服務(wù)利潤率對比。計算在工作日和非工作日不同服務(wù)里程下的出租車和快車的服務(wù)利潤率差值dπ，其中dπ=rtaxi-rexpress_bus，rtaxi表示的是出租車的服務(wù)利潤率，rexpress_bus表示的是快車(普通和優(yōu)享型)的服務(wù)利潤率，其結(jié)果見圖3所示。

圖3不同里程下服務(wù)利潤率差值的趨勢圖

從整體上看，不同服務(wù)里程下的出租車和快車司機的服務(wù)利潤率差值波動較大。當服務(wù)里程為0～3公里時，快車司機的服務(wù)利潤率明顯大于出租車司機(利潤率差值小于0)，平均每小時高出27.44元；當服務(wù)里程大于3公里時，出租車司機的利潤率普遍大于快車司機(利潤率差值大于0)，且隨服務(wù)里程的增大，其利潤率差值逐漸變大。特殊地，在工作日，當服務(wù)里程為3～15公里時，在9:00-16:30時段，出租車與快車司機的服務(wù)利潤率基本一致(利潤率差值穩(wěn)定在0)；其他時段，快車司機的服務(wù)利潤率均大于出租車司機。

四、結(jié)論與建議

針對目前出租車市場的發(fā)展現(xiàn)狀，本文從出租車(網(wǎng)約車)的服務(wù)利潤角度出發(fā)，基于傳統(tǒng)的出租車服務(wù)模型，構(gòu)建了“互聯(lián)網(wǎng)+”背景下城市出租車和快車服務(wù)模型，并利用滴滴軌跡數(shù)據(jù)，以北京市的出租車和快車訂單為例進行對比分析，得出如下結(jié)論：

第一，從整體上看，短途服務(wù)的服務(wù)利潤率要高于中長途的服務(wù)利潤率，鑒于出租車和快車計價標準的不同，其服務(wù)利潤率又不完全隨服務(wù)里程的增加而下降。按服務(wù)里程，出租車和快車的利潤率從大到小依次是：0～3公里、大于20公里、15～20公里、3～15公里。

第二，出租車(快車)司機在5:00-7:00時段及早晚高峰時段的服務(wù)利潤率相對較高。從數(shù)據(jù)分析結(jié)果來看，高峰時段司機的服務(wù)利潤率整體略高于非高峰時段；具體地，出租車(快車)在早晚高峰時段的服務(wù)利潤率平均比非高峰時段每小時高2.69元,說明北京市低速行駛費的設(shè)定對服務(wù)利潤率的提高起到了積極作用，在一定程度上提高了出租車在高峰期接單的積極性。

第三，出租車(快車)司機在非工作日的利潤率普遍大于工作日。非工作日呈現(xiàn)出早高峰推遲、晚高峰提前并延長的特點，同時晚高峰與平時的差異相對較小。比較兩種服務(wù)模式，服務(wù)里程為大于3公里時，出租車司機的服務(wù)利潤率整體大于快車司機，其服務(wù)利潤率約為快車司機的1.2倍；服務(wù)里程為0～3公里時，快車司機的服務(wù)利潤率明顯大于出租車司機，其服務(wù)利潤率約為出租車司機的1.55倍，這說明快車接“近途單”、出租車接“中長途”單時司機的服務(wù)利潤率相對較高。

出租車市場的利益分配格局一方面受到市場供給和需求的影響，另一方面受到出租車定價機制的影響。對比兩種服務(wù)模式在不同里程下的服務(wù)利潤率，出租車市場的健康可持續(xù)發(fā)展要重視以下幾點：首先，從定價機制看，要協(xié)調(diào)不同服務(wù)里程下的收益，避免不同服務(wù)里程利潤率差距過大導致供給失衡。其次，統(tǒng)籌出租車在早晚高峰時段和工作日及非工作日的定價機制。早晚高峰時段利潤率過低會降低司機的接單積極性，導致市場供給不足，過高則會使司機選擇最優(yōu)道路的行為缺乏激勵，促使司機選擇擁堵路段，從而加重道路擁堵。最后，從市場供求平衡看，一方面要協(xié)調(diào)工作日和非工作日的出租車供給，根據(jù)不同時期的不同市場需求引導出租車供給量；另一方面，要協(xié)調(diào)不同服務(wù)模式下的服務(wù)收益，充分調(diào)動閑置資源，促進共享交通發(fā)展，在保障各方利益的前提下，進一步促進市場效率和公平，保證出租車新舊業(yè)態(tài)的持續(xù)健康發(fā)展。

參考文獻：

[1] 張俊濤，李志勇，張浩，等.利用出租車軌跡數(shù)據(jù)估計城市道路擁堵狀況[J].測繪工程，2016，25(9).

[2] 周輝宇.基于大數(shù)據(jù)規(guī)則挖掘的交通擁堵治理研究[J].統(tǒng)計與信息論壇，2017，32(5).

[3] Wong R C P，Szeto W Y，Wong S C，et al.Modelling Multi-period Customer-searching Behaviour of Taxi Drivers[J].Transportmetrica B:Transport Dynamics，2014，2(1).

[4] Lin Jiyan，Zhang Yaqiong，Zhang Hui.Research on the Characteristics of Resident Travel Based on the Taxi GPS Trajectory Data Mining[J].Computer Era,2017(5).

[5] Sun F，Zhang X，Tang L L，et al.Temporal and Spatial Distribution of High Efficiency Passengers Based on GPS Trajectory Big Data[J].Journal of Geo-Information Science，2015,17(3).

[6] Tang L L，Zheng W B，Wang Z Q，et al.Space Time Analysis on the Pick-up and Drop-off of Taxi Passengers Based on GPS Big Data[J].Journal of Geo-Information Science，2015,17(10).

[7] 戚欣，梁偉濤，馬勇.基于出租車軌跡數(shù)據(jù)的最優(yōu)路徑規(guī)劃方法[J].計算機應(yīng)用，2017，37(7).

[8] 孫飛，張霞，唐爐亮，等.基于GPS軌跡大數(shù)據(jù)的優(yōu)質(zhì)客源時空分布研究[J].地球信息科學學報，2015，17(3).

[9] 鄧如豐，劉玉印，蔣曉峰.基于服務(wù)質(zhì)量招投標的出租車管理費計算模型研究[J].綜合運輸，2016(8).

[10] Zhang D，Sun L，Li B，et al.Understanding Taxi Service Strategies from Taxi GPS Traces[J].IEEE Transactions on Intelligent Transportation Systems，2015，16(1).

[11] Yang Liuqing，Zong Gang，Liu Yinghua.Novel Road Network Traffic Flow Simulation Model Based on O-D Estimation[J].Computer Engineering and Applications，2014，50(18).

[12] Hall J.An Analysis of the Labor Market for Uber's Driver-Partners in the United States[J].Alan Krueger，2015(10).

[13] 張連增，孫維偉.行駛里程數(shù)對環(huán)境、交通和能源的影響——基于外部性視角的省際面板數(shù)據(jù)研究[J].統(tǒng)計與信息論壇，2013，28(11).

[14] 米宏偉.“互聯(lián)網(wǎng)+”條件下出租車行業(yè)監(jiān)督亟待加強[J].中國統(tǒng)計，2016(12).

[15] Yang H，F(xiàn)ung C S，Wong K I，et al.Nonlinear Pricing of Taxi Services[J].Transportation Research Part A Policy & Practice，2010，44(5).