文档介绍：1 “互联网+”时代的出租车资源配置摘要随着人们生活水平的提高,出租车也由我国城市早期的贵族出行方式,转变为城市居民日常的重要出行方式之一。然而,随着人们对出租车出行需求的提高,出租车行业的服务水平却一直没有太大改善。“打的难”、“服务态度差”、甚至“拒载”等问题一直没有得到很好的解决。我们分别建立了主成分分析模型、Panel data模型、局部均衡模型和剩余价值模型以研究出租车基于“互联网+”时代的资源配置相关问题。针对问题一,为了分析不同时空出租车资源的“供求匹配”程度,我们通过大量查找相关文献资料和数据抓包分别选取了2014年份一线(北京,广州,深圳)、二线(南京,杭州,宁波)、三线(哈尔滨,西安,济南)共9个城市的相关数据。我们首先通过数据计算得出9个城市主城区的空驶率,然后运用主成分分析法使用SPSS软件从选取的9项指标中提取到3项主要成分指标,分别为GDP、主城区出租车拥有量、里程利用率,并通过加权系数算法得到出租车资源分配的偏好匹配指数,最后建立Panel data模型得出9个城市中“供求匹配”程度均衡的有济南、杭州、宁波、深圳4个城市;供求过剩的有北京、南京;供求不足的有广州、哈尔滨和西安。针对问题二,为了分析各公司的出租车补贴方案是否对“缓解打车难”有帮助, 我们选取了占据国内打车软件市场八成以上份额的快的和滴滴两家打车公司的出租车补贴方案(包括司机补贴和乘客补贴)进行研究。在问题一建立的Panel data模型影响供求匹配程度的三项重要指标基础之上,又引入了补贴量这一指标,并通过SPSS软件优化分析得出结果:在缓解“打车难”这一问题中,快的打车的补贴方案相对于滴滴打车补贴方案较好,能够更好地使供求匹配程度实现均衡。针对问题三,为了创建一个新的打车软件服务平台,我们采用柯布—道格拉斯函数构建出了出租车与乘客的剩余价值模型,并结合Panel data模型得到相对实际可行的补贴方案。,具体可以细分为正常打车、拼车以及绕远打车三个模式。计算结果表明,该模型具有一定的可行性,能够对出租车软件打车的补贴方案提供有效依据。最后,我们对模型的优缺点进行了评价,并对模型进行了改进。关键词:主成分分析 Panel data模型匹配均衡剩余价值补贴方案 2 一、问题重述 ,“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。“互联网+”、新业态,。通俗来说,“互联网+”就是“互联网+各个传统行业”,但这并不是简单的两者相加,而是利用信息通信技术以及互联网平台,让互联网与传统行业进行深度融合,创造新的发展生态。 ,为了使出租车行业的服务水平得以改善。更好的解决“打的难”、“服务态度差”、甚至“拒载”等问题。现在要求通过数学建模来完成以下任务: (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。二、问题分析 “供求匹配”程度,我们首先要了解到衡量出租车资源供求关系的几大指标,这里我们最初选取了9项指标(主城区人口、城市GDP、主城区出租车拥有量、亿元GDP出租车拥有量、出租车万人拥有量、出租车月营业额、出租车单车净月营业额、驾驶员单班月营收、里程利用率)进行初步分析,并通过主成分分析法得出了3项能反映出租车资源供求关系的主要成分指标(城市GDP、主城区出租车拥有量、里程利用率),最后建立Panel data模型[1]分别得出9个城市的“供求匹配”程度。主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。在实际问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。在用统计方法研究多变量问题时,变量太多会增加计算量和分析问题的复杂性, 主成分分析法目的是希望用较少的变量去解释原来资料中的大部分变量,将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少,能解释大部分资料中变量的几个新变量,即所谓主成分,并用以解释资料的综合性指标。 Panel data模型能提供给研究者大量的数据点,这样可以增加自由度并减少解释变量间的共线