滴滴打车市场需求影响因素分析

来源:用户上传      作者:

　　【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、客户用车时间、滴滴车分布、车费、打车难易度、被接单时间等多个维度进行分析，分析滴滴打车的市场需求趋势，试图找出影响滴滴打车市场需求的相关因素，并做一些总结和梳理，提供政府相关部门决策参考，同时对于滴滴打车企业运营管理具有一定的参考价值。
　　【关键词】滴滴打车;市场需求;资料分析
　　1 引言
　　随着我国社会经济的不断发展，城市规模不断扩大，人们对于出行的需求与日俱增。在过去，出租车是人们出行的主要工具，但是随着城市人口规模的不断扩大，出租车企业对乘客不够重视、经营管理方式也存在着问题，导致人们的出行变得日益不便，此时，在互联网经济的发展下，“滴滴打车”应运而生。它改变了传统的打车方式，建立培养出移动互联网时代下引领的用户现代化出行方式。利用互联网的特点，将线上与线下结合起来，最大限度优化乘客打车体验，节省司机与乘客双方的资源与时间，并给滴滴公司带来利益。自2012运营至今，滴滴公司已经占据中国网约专車市场88%以上的份额及99%以上的网约出租车市场份额。由此可见存在着巨大的市场需求。
　　2 研究目的
　　在滴滴打车不断发展的今天，对于供给与需求之间的配置平衡依然是滴滴公司面临的主要问题，如果可以预测在某些时间段内存在大量需求或只有少量需求，可以在其时区调度相应数量的车辆，实现供需平衡，最大限度地节省资源，提供乘客的用户体验，实现公司平台的利润最大化。文献研究了滴滴公司的价格补贴方案对供需之间的影响。文献研究了竞价政策对供需产生的影响。本文则利用数据分析软件SPSS对收集到的数据进行分析。并针对分析结论对滴滴公司运营提供相关建议，具有一定的决策参考价值。
　　3 市场供给与需求分析
　　通过从滴滴公司在网上公布的源数据，收集了2016年成都市从8月8日到8月14日的滴滴打车数据包括：打车需求量、被抢单时间、打车难易度、车费、车辆分布量等数据进行供给量与需求量之间的分析。首先对打车需求量与车辆分布数量进行统计，之后通过分析变量因素与需求量的相关性，探究变量因素对需求量的影响。
　　3.1打车需求分析
　　首先对消费者一天的打车需求量进行分析，将一天划分为0～23时，从图2可以看出，出行需求量大致集中在7～9时、12～14时、17～19时，在7～9时，17～19时形成2个驼峰，并在8时与18时达到顶峰。从20时之后开始呈下降趋势，在6时开始呈上升趋势。究其原因，在于7～9时、17～19时为早晚出行的早晚高峰，人们在此时进行上下班或者上下学活动，而12～14时为午饭时间，所以基本出行需求量聚集在这三个时间段内。而夜晚出行需求集中在20～21时，可推测因为人们外出娱乐或加班活动。
　　在对一天24小时的打车需求量进行分析后，接下来对一周的出行量进行分析。对滴滴打车需求数据时间分段统计结果见表1，其中概率分布为几个时间段的打车需求量占一天总体打车需求量的比例。从表中可以看出，周末几个时间段打车需求所占比例相差不大，较多的时间段为14：00～16：00为17%、17：00～19：00为20.5%、21：00～23：00为12.05%。工作日的时间段分布较大，早高峰平均占比为21.4%，晚高峰平均占比为19.7%，其次是14：00～16：00为14.9%，21：00～23：00为11.4%。
　　根据数据结果可以看出，工作日出行主要目的为工作，需求量集中在早晚高峰;周末主要活动为休闲娱乐，由于周末时间较为自由，周末早上打车需求量与工作日相比较小，相反中午12：00～13：00时间段、14：00～16：00时间段和傍晚17：00～19：00时间段的打车需求量就会较大，与贾瑶基于LSTM对需求做出的预测拟合结果基本一致。按照工作日与非工作日的人们出行目的不同划分，可挖掘出人们的出行习惯。
　　3.2车辆供给分析
　　以一天24小时为自变量，车辆分布数量为因变量，画出如图3所示的折线图。与需求量的折线图进行对比可以看出出租车在白天基本与需求量的曲线贴近，一样都在7～9时的早高峰达到最大值，而在晚高峰需求达到另外一个顶峰时，供给并没有一样达到顶峰，推测为一些车辆司机不跑晚班或者去吃晚餐;供给与需求曲线最大的不同之处在于夜晚20时之后当需求开始呈现出下降趋势时，供给曲线却开始呈现出上升趋势，并且在23～0时时的供给量比之晚高峰还有之增加，探究其原因，结合滴滴打车价格政策与实际情况，可以得出原因在于夜晚滴滴车的价格会更高，往往在需求量没有那么多的时候，司机也被高收益比所吸引，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。
　　3.3需求相关性因素分析
　　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）。
　　④3.0≤|r|，称为微弱相关、3.0≤|r|≤5.0，称为低度相关、5.0≤|r|≤8.0，称为显著（中度）相关、8.0≤|r|≤1，称为高度相关。 　　3.4回归线性分析
　　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，在模型中的p值小于0.05，说明这个回归模型是显著的，且R2=0.894，说明需求量的变异性的89.4%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、打车难易度的p值小于0.05，说明它们是显著的预测变量，而车费的p值大于0.05，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=～1250.297+54.15被抢单时间+336.755打车难易度
　　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。
　　3.5需求与被抢单时间分析
　　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。
　　3.6需求与打车难易度分析
　　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。
　　3.7价格因素分析
　　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翻倍奖。早/晚/夜高峰（7：00～10：00，17：00～20：00，21：00～23：00）时间段每单1.6倍收入，午高峰（12：00：00～13：59：59）时间段每单1.4倍收入，其他时间段1.2倍收入，并且每单奖励25元封顶。而单单2倍收入含义是指订单金额为8元，司机收入为8*分账比例+8，如果订单金额为80元，司机收入为80*分账比例+25（每单奖励封顶25元）。
　　（2）价格调整：起步价均从13元上涨至14元。里程费调整到1.45元至2.15元。
　　通过对滴滴出行平台价格政策的解读，我们可以知道滴滴出
　　行平台通过优惠政策即20%的固定提成率和80%的薪酬支付率来吸引私家车车主，使其成为滴滴司机，扩大了提供打车服务的司机规模，以满足消费者的打车需求量，从而促使更多的消费者选择滴滴出行平台，进而提升了平台的总体收益。滴滴公司可以通过对不同时段的打车价格进行调整及乘客的价格竞价政策来影响滴滴司机的数量，结果反映在车辆的供给数量上，同时滴滴出行平台将制定收益最大化的最优定价策略和薪酬支付策略。
　　4 结论
　　从上述的分析和数据结果来看，将被抢单时间、打车难易度、价格因素考虑在内对供需之间的平衡调整具有重要意义，对滴滴公司的市场预测及调度具有参考价值。
　　（1）实时调度：需求分析可以帮助企业进行打车需求的预测与实时调度，结合供给量（司机数量），将车辆调度到需求量供不应求的时区地方。如果在打车高峰，当此区域的车辆供给已经饱和，就无需再向此区域派遣车辆。这样的预测可以合理配置车辆资源，既使乘客用户与司机达到高程度的匹配，也使供需趋于平衡。
　　（2）动态地调整价格：在固定的薪酬支付率下，滴滴司机数量趋于稳定。此时若出现打车高峰，滴滴平台可以调整车辆起步价，或通过乘客加价策略来使司机数量增加，平衡需求。当处于晚间阶段，此时司机的数量和消费者的打车需求都会减小，出行平台可以提高出行起步价来吸引增加司机车辆供给，避免消费者匹配时间过长，实现供需平衡。但不宜调整过多使供大于求造成资源浪费。
　　（3）提高匹配技术：当出行“车多人少”或“人多车少”也就是供需不一致的问题时，就需要滴滴公司提高行程匹配技术，来使那些具有相似行程的出行乘客匹配在一起拼车，选出合适的上车点，不仅可以提高匹配度、乘客间可以分摊费用，也可以缓解供需紧张、资源配置不等的问题。
　　参考文献：
　　[1]李讴.成都市出租汽车服务质量分析及改进[D].电子科技大学，2004.
　　[2]刘建刚，马德清，陈昌杰，余婷婷.基于扎根理论的“互联网+”商业模式创新路径研究——以滴滴出行为例[J].软科学，2016，30（07）：30-34.
　　[3]邱雪林.共享经济背景下滴滴出行营销策略分析[J].企业改革与管理，2017（10）：109.
　　[4]李小春.“互联网+”时代的出租车资源配置问题研究[J].现代商贸工业，2019，40（11）：85-86.
　　[5]陈琛，杨昊，付子辰.滴滴打车面临的问题分析和优化方案[J].现代商贸工业，2019，40（04）：79-80.
　　[6]贾瑶.基于时空特征分析的网约车短时需求预测研究[D].北京交通大学，2019.
　　[7]薛薇.基于SPSS的数据分析[M].北京：中国人民大学出版社，2017.
　　[8]汪亚金.基于策略消费者的滴滴出行平台供应链研究[D].中国科学技术大学，2019.
　　作者简介：
　　周宝建（1965-），男，汉族，福建厦门人，硕士，副教授，厦门大学嘉庚学院管理学院，研究方向：信息管理，信息系统，数据分析;
　　郑川奇（1998-），男，汉族，福建漳州人，大学本科，厦门大学嘉庚学院管理学院，研究方向：信息管理，信息系统，数据分析。
转载注明来源:https://www.xzbu.com/2/view-15237213.htm