文档介绍：滴滴打车市场需求影响因素分析
【摘要】在互联网这个颠覆性技术快速发展的背景下,滴滴打车应运而生,自2012年开始运营以来,不断发展壮大。本文以中国成都市为例,应用SPSS23作为数据分析的工具,对滴滴打车的客户需求量、客户用车吸引,使得供给量远远大于需求量。对于滴滴公司来说,这意味着在夜晚有较多的闲置车辆依然等待,造成资源浪费,滴滴公司应当采取适当的价格政策以协调供需之间的平衡。
为了研究需求量与其他因素之间的相关性,以确定哪些变量会对需求量产生影响,将需求量与被抢单时间、打车难易度、车费在SPSS23中做双变量相关性分析,得到表2:相关性分析。依据皮尔逊相关系数(Pearson Correlation Coefficient):
一般认为:
①相关系数的取值范围在-1和+1之间,即:-1≤r≤1。
②计算结果,若r为正,则表明两变量为正相关;若r为负,则表明两变量为负相关。
③相关系数r的数值越接近于1(-1或+1),表示相关系数越强;越接近于0,表示相关系数越弱。如果r=1或-1,则表示两个现象完全直线性相关。如果=0,则表示两个现象完全不相关(不是直线相关)。
④≤|r|,称为微弱相关、≤|r|≤,称为低度相关、≤|r|≤,称为显著(中度)相关、≤|r|≤1,称为高度相关。
在数据分析中,回归分析是一种预测性的建模技术,它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析。
从相关性分析中得出需求量与被抢单时间、打车难易度、车费均具有高度的相关性,为了更好的研究变量之间的因果关系与影响程度,将需求量设为因变量,被抢单时间、打车难易度、车费设为自变量,在SPSS23中做多元线性回归分析,,说明这个回归模型是显著的,且R2=,%能被预测变量解释,各变量系数如表3所示:回归线性系数表。在表中,被抢单时间、,说明它们是显著的预测变量,,说明它并不能很好的解释与需求量间的影响。由此可以得到需求量与2个变量之间的关系:
Y需求量=~++
根据标准化系数,可以判断出被抢单时间对需求量的影响最大,其次是打车的难易度。如表3所示,滴滴公司可以根据权重来分配滴滴车的供给量。首先,滴滴公司在被抢单时间较多的时间段,应该指派或者分配更多的车辆以满足打车需求。其次,应该根据时间段与地区打车难易度的不同,对车辆的分配投放有侧重点,在难度高的时间点和地区分配指派更多的车辆,增加供给量;在难度低的时间点和地区减少供给量。以寻求得供给与需求之间的平衡,最优化资源间的配置,节约资源,求得企业利润利益最大化。
在分析出被抢单时间与打车与难易度具有高度相关性后,下面分别对被抢单时间、打车难易度与需求量进行分析。将被抢单时间作为因变量,小时时间作为自变量绘制出图4:被抢单时间条形图。
根据图中条形可以看得出被抢单时间呈现出波浪曲线,在早晚高峰以及中午时间达到波峰;在21~23时达到波底。其大致趋势与需求曲线基本一致,结合上文知道需求与被抢单时间具有高度相关性,可以得出需求量越大,被抢单时间越久这一结论。再结合供给曲线,可以对其做出更好的解释,①在早高峰需求量最大时,被抢单时间反而并不是最长的,是由于早高峰拥有最大的供给量,减小了被抢单的时间;②在需求量小于早高峰的中午与晚高峰,由于供给量的减小,被抢单时间相应的延长了;③在需求量最小的深夜,由于其仍然具有较高的供给量,所以被抢单时间是最短的。由此可以进一步得出:被抢单时间与需求量成正比,而与供给量成反比。
以打车难易度与时间为变量绘制出图4:打车难易度条形图。据图与需求曲线对比,可以看出其与需求曲线的趋势基本一致,都在早、晚高峰及中午時达到波峰,在0~6时达到波底。结合上文分析出的打车难易度与打车需求量具有高度的正相关性,可以得出:当需求量增大时,难易度也随之上升;当需求量减小时,难易度也随之下降。以此可以对供给量做出调整:在打车难易度高的时区,增加车辆供给量来满足打车的需求量。
滴滴公司在2019元旦调整了新的价格规则:
(1)奖励规则改动:
①新人奖。完成2单快车订单奖励50元,完成5单快车订单奖励100元,奖励按最高值计算,滴滴快车新人奖励在周期结束后统一发放。
②翻