鄭惠瓊，董振寧，梁家鵬，李錦明

基于Maple的網(wǎng)約車平臺最優(yōu)抽成比例研究

鄭惠瓊，董振寧，梁家鵬，李錦明

（廣東工業(yè)大學 管理學院，廣東 廣州 510520）

近年來，網(wǎng)約車平臺通過不斷提高自身抽成比例以獲取更多收益，損害了駕駛員的利益。城市規(guī)模不同，駕駛員期望不同，如何設(shè)置合適的抽成比例讓平臺和駕駛員達到共贏是目前亟需解決的問題。文章利用Maple軟件進行仿真實驗，設(shè)計了駕駛員決策模型、平臺收益模型，獲取不同城市的訂單數(shù)據(jù)模擬網(wǎng)約車平臺派單、駕駛員接單的情景。通過不斷改變抽成比例，探究平臺收益的變化情況，得出結(jié)論：隨著抽成比例變化網(wǎng)約車平臺的總收益也不斷變化，存在使得平臺收益最高的最優(yōu)抽成比例，且不同城市的最優(yōu)抽成比例不同。

網(wǎng)約車；抽成比例；城市規(guī)模；Maple仿真

引言

隨著當今社會信息化飛速發(fā)展，“互聯(lián)網(wǎng)+”時代到來，打車軟件在市場中倍受青睞，潛移默化地影響著城市居民的出行觀念[1]。但隨著市場逐漸飽和，網(wǎng)約車平臺紛紛提高傭金抽取比例，致使駕駛員逐漸流走，平臺虧損。而且網(wǎng)約車平臺抽成比例也是根據(jù)當?shù)爻鞘薪?jīng)濟水平和起步價來決定的。如蘇州滴滴平臺抽成25.5%，宜昌平臺抽成18.5%。所以，對于網(wǎng)約車平臺抽成比例設(shè)置以及針對不同的城市如何設(shè)置平臺抽成比例仍存在疑慮。

目前對于網(wǎng)約車問題，前人已經(jīng)有了廣泛而深入的研究成果。陳睿、陳修素[2]分析了城市交通中乘車難的現(xiàn)狀及主要原因，提出了基于打車軟件服務平臺的各種補貼方案解決乘車難問題。平懷君[3]提出網(wǎng)約車價格規(guī)制是市場及政府對市場產(chǎn)物的一種約束，能監(jiān)管網(wǎng)約車，防止市場失靈。張英英[4]比較研究不同網(wǎng)約車平臺企業(yè)的定價目標和定價策略，并以市場份額最大化和利潤最大化的視角研究其定價行為。李豫姣[5]對網(wǎng)約車規(guī)制政策仿真與定價決策優(yōu)化進行了研究。利用Vensim仿真軟件構(gòu)建規(guī)制政策的仿真模型，建立了網(wǎng)約車與出租車的Bertrand博弈定價模型。目前以上研究雖然都圍繞著網(wǎng)約車市場現(xiàn)存問題、監(jiān)管問題、定價問題及仿真實驗等進行了研究，但都沒有涉及到網(wǎng)約車平臺定價方面具體的抽成比例問題、抽成比例下網(wǎng)約車平臺利益最大化問題及不同城市網(wǎng)約車平臺抽成策略問題。

本研究將以滴滴出行網(wǎng)約車平臺的數(shù)據(jù)以及駕駛員工作習慣模式作為模型的基礎(chǔ)，利用Maple軟件進行仿真實驗，模擬網(wǎng)約車平臺派單以及駕駛員接單的過程，通過不斷變化抽成比例研究駕駛員接單工作的規(guī)律及平臺收益的變化，得出使網(wǎng)約車平臺收益最大化地抽成比例，再通過不同城市規(guī)模的最優(yōu)抽成比例對比，探究在不同城市規(guī)模對平臺最優(yōu)抽成比例的影響。希望能為網(wǎng)約車平臺的抽成比例跨地域設(shè)置策略提供參考，為網(wǎng)約車其他問題的研究提供一定的基礎(chǔ)，拓展一定的思路。

1 理論模型的構(gòu)建

1.1 駕駛員決策理論模型構(gòu)建

1.1.1影響駕駛員決策的因素

在駕駛員的工作決策過程中，駕駛員會考慮該筆訂單價格、平臺抽成比例、車輛燃油費用、維護費用等因素，這些因素會影響駕駛員的實際收益。通過將實際收益與駕駛員的期望收益進行比較，來決定第二天是否繼續(xù)工作。據(jù)此原理，來構(gòu)建駕駛員是否工作的決策理論模型。駕駛員決定是否工作的影響因素構(gòu)成如表1所示。

表1 駕駛員決策因素

影響因素符號單位說明 當天接單數(shù)量n個設(shè)每個駕駛員每天工作6個小時，平均車速為40 km/h，可得出駕駛員一天可跑的里程數(shù)，當天的接單數(shù)量的總里程也應在240 km內(nèi) 訂單價格R元乘客每單支付的費用 抽成比例α 平臺對于每個訂單收入的傭金抽成比 車輛運營成本C1 +C2元/km平均公里燃油費用為C1，平均公里維護費用為C2 訂單里程數(shù)Lkm乘客上車點到乘客下車點所需的里程數(shù)

1.1.2駕駛員決策理論模型

網(wǎng)約車平臺市場需求具有雙邊市場特征，雙邊用戶一方的駕駛員存在個人效用滿足感受。在這里我們將當天所有訂單產(chǎn)生的個人效用之和稱為“當天效用”。當天效用是駕駛員決定是否繼續(xù)工作的重要依據(jù)，當天效用能夠滿足駕駛員的預期效用時，駕駛員第二天會選擇繼續(xù)工作；若小于預期效用，則第二天會有一定幾率放棄繼續(xù)工作。

其中為駕駛員當天的總收益，R為第單的收入，α為第次實驗的訂單抽成比例，1為平均公里燃油費用，2為平均公里維護費用，L為第單里程數(shù)，為當天接單數(shù)量。

1.2 平臺收益理論模型構(gòu)建

1.2.1平臺介紹

網(wǎng)約車平臺是網(wǎng)絡預約出租汽車經(jīng)營服務的互聯(lián)網(wǎng)平臺，通過接入符合條件的車輛和駕駛員，整合供需信息，并為乘客提供非巡游的預約出租汽車服務，在經(jīng)營活動的基礎(chǔ)上，平臺提供路線規(guī)劃、客戶評價以及預計到達時間、實時位置查詢等功能。平臺通過收取一定比例的訂單傭金來達到盈利目的，通過拼車折扣或者優(yōu)惠券紅包等營銷手段來吸引顧客，保障平臺的訂單流量。

平臺運作流程簡單來說就是平臺派單、駕駛員決策、完成訂單的一個循環(huán)過程。首先，顧客和駕駛員需要通過線上網(wǎng)約車平臺進行注冊，顧客在平臺上發(fā)送出行需求，平臺整理需求信息并形成訂單。然后，平臺統(tǒng)計附近車輛信息，根據(jù)駕駛員是否空車以及顧客上車點與駕駛員的距離就近分配訂單，駕駛員自愿接受訂單，并按照合理路線執(zhí)行訂單。期間，平臺對交易中的訂單進行實時監(jiān)控與費用計算。最后，訂單完成時平臺向顧客收取訂單費用，根據(jù)訂單費用按一定比例進行傭金抽成，再將剩余費用結(jié)算給駕駛員。平臺運作流程如圖1所示。

圖1 平臺運作流程

1.2.2影響平臺收益的因素

平臺的收入主要來源為訂單抽成，具體影響平臺收益的因素如下表2所示。

表2 平臺收益影響因素

影響因素符號單位說明 訂單收費ri元平臺單天第i單的收費 抽成比例α 平臺每個訂單收入的傭金抽成比 單天訂單量m個平臺單天全體駕駛員完成的訂單總量 新增駕駛員數(shù)量Qd個單天新入駐平臺的新駕駛員數(shù)量

1.2.3平臺收益理論模型

在這里平臺的收益取決于訂單收入，同時平臺訂單抽成比例的設(shè)置也是影響各平臺收益的重要因素，平臺的收益模型如下所示。

其中為平臺一天的收益。r為平臺當天第單的收費，為訂單抽成比例，為平臺單天的訂單量。

2 實驗數(shù)據(jù)及參數(shù)準備

圖2 各城市訂單行程時間分布

本研究選擇北京、成都、?？谌齻€不同城市規(guī)模的城市進行實驗。我們通過滴滴出行得到這三個城市的訂單數(shù)據(jù)，并且對各城市的網(wǎng)約車訂單行程時間進行了整理。通過應用實際生活中的訂單數(shù)據(jù)，模擬真實的平臺派單環(huán)境，減少因訂單數(shù)據(jù)對實驗所造成的影響。各城市的網(wǎng)約車訂單行程時間分布如圖2所示。

為了突出城市之間的差異性，方便實驗的順利進行，我們對三個城市的訂單總量、駕駛員數(shù)量、駕駛員預期收益、訂單價格系數(shù)進行設(shè)置，如表3所示。其中，訂單總量為平臺每天的接單量，訂單價格系數(shù)為各城市與北京市的訂單價格之比。

表3 訂單參數(shù)設(shè)置

參數(shù)城市訂單數(shù)量（個）駕駛員數(shù)量（個）駕駛員預期收益（元）訂單價格系數(shù) 北京2 0001003001 成都1 500752500.9 海口1 000502000.8

3 Maple模型的構(gòu)建

3.1 設(shè)置駕駛員

我們以500天為運行周期，建立一個足夠大的駕駛員矩陣，以此記錄這500天中每天的駕駛員數(shù)量，同時將第一天駕駛員的數(shù)量設(shè)置為100個。

圖3 設(shè)置駕駛員

3.2 訂單庫的構(gòu)建

先按照上述訂單行程時間規(guī)律生成2 000個真實訂單。同時，為了模擬實際情況中駕駛員所獲訂單數(shù)量不一的情形，我們再生成2 000個訂單行程時間為0的虛擬訂單，即空單。最后，我們將虛擬訂單和真實訂單打亂，形成訂單庫，如圖4所示。

圖4 訂單庫建立

3.3 分配訂單

按照現(xiàn)實情況在模型中將駕駛員每天的工作時間設(shè)置為6個小時即360分鐘。同時，再規(guī)定分配給司機的訂單的總行程時間不得超過360分鐘。

3.4 計算駕駛員收入

將抽成比例設(shè)置為0.275，車輛平均公里燃油費用1設(shè)置為0.55元/公里，平均公里維護費用2設(shè)置為0.2元/公里，車輛行駛速度設(shè)置為40 km/h，然后可以計算出每個訂單的路程。接著我們按照網(wǎng)約車平臺普遍的收費規(guī)律，即以1.8元/公里+0.5元/分鐘計算出每個訂單的價格，在這里我們根據(jù)不同的城市還需要乘以訂單價格系數(shù)，即可求出每位駕駛員的收入。

圖6 計算駕駛員收入

3.5 判斷駕駛員是否工作

將駕駛員預期效用設(shè)置為300元，若低于300元則駕駛員第二天會放棄工作。

圖7 判斷駕駛員是否工作

3.6 計算駕駛員數(shù)量

由于第一天有部分駕駛員的收入沒有達到預期效用，因此第二天會有部分駕駛員有一定概率不工作，我們將每個駕駛員第二天不工作的概率都設(shè)置為80%，即沒有達到預期收益的駕駛員仍有20%的概率選擇第二天繼續(xù)工作。但是我們也假設(shè)每天都會新增0～6個駕駛員，由此可以計算總新增的駕駛員數(shù)量，也可以計算出第二天的駕駛員數(shù)量。

圖8 計算駕駛員數(shù)量

3.7 計算平臺收益

先算出每個駕駛員一天所負責訂單的總金額，再求和得到平臺一天所有訂單的金額，最后乘以抽成比例即可求出平臺一天的總收益。

圖9 計算平臺總收益

4 實驗結(jié)果及分析

利用北京市的網(wǎng)約車訂單數(shù)據(jù)按照第四章的模型構(gòu)建方法進行實驗。為了判斷北京市網(wǎng)約車平臺最優(yōu)抽成比例所處的大概區(qū)間，以0.1為間隔，分別以0.1,0.2,0.3,…,0.8,0.9為抽成比例進行500天實驗，并分別計算出平臺的總收益，如圖10所示。每個圓點代表網(wǎng)約車平臺在該抽成比例下運營500天的總收益。可以看出，抽成比例在0到0.2之間逐漸遞增，0.2后逐漸遞減。網(wǎng)約車平臺最優(yōu)抽成比例在0.1到0.3之間，抽成比例大于0.3后平臺收益接近于0，原因是駕駛員的流失，導致平臺沒有收入產(chǎn)生，具體如圖11所示。

圖10 北京市網(wǎng)約車平臺收益變化情況（1）

圖11 北京市司機數(shù)量變化情況

接著我們將0.1到0.3區(qū)間繼續(xù)進行細分，以求出最優(yōu)抽成比例所在點，發(fā)現(xiàn)最優(yōu)抽成比例再0.15～0.25間，具體如圖12所示。

圖12 北京市網(wǎng)約車平臺收益變化情況（2）

再以0.01為間隔在0.15～0.25進行實驗，實驗結(jié)果如圖13所示?？梢钥吹匠槌杀壤秊?.2時，網(wǎng)約車平臺的總收益最大，為5 271 540.88元。

圖13 北京市網(wǎng)約車平臺收益變化情況（3）

表4 北京市網(wǎng)約車平臺收益變化情況

抽成比例平臺總收益/元 0.154 207 165.44 0.164 454 353.056 0.174 661 393.999 0.184 857 190.02 0.195 098 858.62 0.25 271 540.88 0.215 258 518.88 0.225 215 387.16 0.235 211 477.16 0.244 849 290.12 0.2533 106.225

按照相同的方法，對成都以及?？诘钠脚_最優(yōu)比例進行了實驗，結(jié)果如表所示?？梢钥闯?，成都的最優(yōu)抽成比例為0.21，平臺總收益為3 856 196.012元；?？诘淖顑?yōu)抽成比例為0.22，平臺總收益為1 022 342.763元。

以北京、海口及成都三個不同規(guī)模的城市訂單數(shù)據(jù)進行網(wǎng)約車平臺運營實驗，實驗表明：三個城市的網(wǎng)約車平臺都存在著最優(yōu)的抽成比例，該抽成比例可以使駕駛員數(shù)量與訂單總量達到平衡，平臺的訂單總收入最大化。而且，不同城市的網(wǎng)約車平臺最優(yōu)抽成比例存在差異。

表5 各城市最優(yōu)抽成比例及平臺總收益

北京成都?？?最優(yōu)抽成比例0.20.210.22 平臺總收益/元5 271 540.883 856 196.0121 022 342.763

抽成比例與平臺總收益的關(guān)系如圖14所示。

圖14 抽成比例與平臺總收益變化趨勢

根據(jù)實驗結(jié)果，不同城市的網(wǎng)約車平臺最優(yōu)抽成比例存在差異的主要原因是駕駛員期望收益不一樣。較發(fā)達的城市生活節(jié)奏快，人均工資水平更高，對于出行更偏向于便利性更高的網(wǎng)約車，同時，駕駛員的接單數(shù)量也相應較多，導致平臺總收益較高。

同時城市經(jīng)濟發(fā)達程度不一樣，導致經(jīng)濟較為發(fā)達的城市，物價高，人工成本高，因此駕駛員對預期期望收益也相對較高，一旦平臺的抽成比例設(shè)置過高，會減少駕駛員的收入，影響駕駛員的工作積極性，這也解釋了為什么規(guī)模比較大的城市平臺收入出現(xiàn)的拐點更早一點，原因就是駕駛員的預期收益較高，最終體現(xiàn)出來的就是網(wǎng)約車平臺的最優(yōu)抽成比例低。

5 對策建議

（1）網(wǎng)約車平臺應針對駕駛員的期望收益以及訂單金額分布情況，合理設(shè)置抽成比例。既能保證平臺的收益，又能避免因抽成比例過高而使駕駛員大量流失，導致訂單成交率降低，最終影響平臺的總收益。

（2）網(wǎng)約車平臺的抽成比例應針對不同城市規(guī)模而區(qū)分化。城市規(guī)模的不同，包括城市面積、經(jīng)濟水平、人口密度甚至消費心理皆有所差異，而這些差異因素會影響著消費者的下單意愿，亦影響著網(wǎng)約車駕駛員預期收入的高低。

如城市規(guī)模較大的城市相對而言駕駛員的預期收入也會較高，所以對于抽成比例的設(shè)置較為敏感，且消費者對于打車的需求更為頻繁密集，網(wǎng)約車平臺的訂單數(shù)量較多，因此網(wǎng)約車平臺應降低抽成比例以提高駕駛員收入，保證訂單完成率，最終提高平臺總收益；當城市規(guī)模較小時，消費者消費能力較弱，城市生活水平較低，駕駛員期望收入也相對較低，因此平臺可適當提高抽成比例以保證收益。

6 總結(jié)

在網(wǎng)約車市場競爭激烈的環(huán)境下，網(wǎng)約車平臺抽成比例設(shè)置成為影響駕駛員收入以及平臺收益的一個重要因素。本文以網(wǎng)約車平臺抽成比例為切入點，探究是否存在使網(wǎng)約車平臺收益最大化的最優(yōu)抽成比例，不同城市網(wǎng)約車平臺的最優(yōu)抽成比例是否存在差異。本文首先以0.1為抽成比例設(shè)置間隔，再將搜索范圍縮為0.05，最后縮成0.01，模擬500天進行實驗。實驗結(jié)果表明，北京市的最優(yōu)抽成比例為0.2，成都為0.21，海口為0.22。存在使網(wǎng)約車平臺收益最大的抽成比例，但是不同規(guī)模城市大小網(wǎng)約車平臺的最佳抽成比例不同。這一實驗策略對于其他學者進行網(wǎng)約車仿真求解具有較大參考意義。

同樣，本文也存在不足之處：只采取了三個城市作為對比；沒有考慮訂單開始與結(jié)束時間以及空間分布問題；沒有從實際情況考慮司機接單時間、空載距離、等待時間等因素；抽成比例的設(shè)置不夠細致，比例跨度仍然較大；沒有考慮消費者對于訂單的影響，與真實的打車環(huán)境差異仍然很大；各參數(shù)的設(shè)置依據(jù)不足；因此得出的結(jié)果只能作為參考，得出結(jié)論應用價值有限。

[1] 焦玉潔,李黃河,孟春生,等.網(wǎng)約車對城市居民出行行為的影響分析[J].汽車實用技術(shù),2017(10):248-251.

[2] 陳睿,陳修素.基于打車軟件服務平臺的出租車補貼的最佳方案[J].重慶工商大學學報（自然科學版）,2016,33(01):33-36.

[3] 平懷君.網(wǎng)約車價格規(guī)制研究[J].公路與汽運,2018(3):30-32+ 36.

[4] 張英英.網(wǎng)約車市場結(jié)構(gòu)、差異化定價目標與平臺企業(yè)定價策略的選擇[D].天津:天津財經(jīng)大學,2017.

[5] 李豫姣.網(wǎng)約車規(guī)制政策仿真與定價決策優(yōu)化研究[D].天津:天津理工大學,2018.

Research on Optimal Proportion of Online Car-hailing Platform Based on Maple

ZHENG Huiqiong, DONG Zhenning, LIANG Jiapeng, LI Jinming

( School of management, Guangdong University of Technology, Guangdong Guangzhou 510520 )

In recent years, the online car-hailing platform gains more profits by continuously increasing its commission, it damages the interests of drivers. With different city sizes and different drivers' expectations, how to set the appropriate proportion of commission and consider the city size to make the platform and drivers achieve a win-win situation is an urgent problem to be solved. In this research, Maple is used to carry out the experiment, and the driver decision model and platform revenue model are designed. The order data of different cities is obtained to simulate the situation of online car-hailing platform sending orders and driver receiving orders. By constantly changing the draw proportion and exploring the changes of platform revenue, we come to the conclusion that with the change of the proportion of commission, the total revenue of the online car-hailing platform is also changing, and there is an optimal proportion of commission that makes the platform revenue the highest, and the optimal proportion of commission is different in different cities.

Online car-hailing;Commission;City size;Maple simulation

F572; F724.6

A

1671-7988(2021)24-152-06

F572；F724.6

A

1671-7988(2021)24-152-06

10.16638/j.cnki.1671-7988.2021.024.036

鄭惠瓊（1997—），女，就讀于廣東工業(yè)大學，專業(yè)：物流管理。董振寧，男，（1977—），副教授，主要研究方向：供應鏈管理、供應鏈金融。

廣東工業(yè)大學大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（S202011845148）。