基于固定效應模型的鄭州市出租車供求匹配度研究

王榮健+王磊

[摘 要]本文以鄭州出租車市場為例，借用滴滴快的智能出行平臺，抽取6個觀測點，搜集不同時刻的出租車供給量與打車需求量，用Eviews軟件從縱橫兩個截面分析它們之間的關系，建立了基于面板數據供求匹配模型，并用LSDV的固定效應模型進行估計，找到需求量與供給量之間的關系，以預測值與真實值差值絕對值的對數作為評價指標，得出鄭州市出租車供求匹配度指數。

[關鍵詞]LSDV；固定效應模型；仿真；鄭州

doi：10.3969/j.issn.1673 - 0194.2017.20.083

[中圖分類號]F572.88 [文獻標識碼]A [文章編號]1673-0194（2017）20-0-02

0 引 言

隨著社會的不斷發展和科技的迅速進步，互聯網已經滲入人們生活的每一個角落。由于互聯網的便捷性、實用性和可靠性等優勢，使“互聯網+”成為“新寵兒”。滴滴打車和優步等網絡打車軟件成為人們出行的新選擇，然而打車軟件過快發展也產生了一些問題，如資源配置失衡、打車難、空載甩客等現象。因此，本文利用信息資源匹配、模糊化數據處理來改善“出租車”資源配置不平衡和打車難等問題，是十分必要的。

1 基于面板數據的供求匹配模型

面板數據是同時在時間和截面空間上獲取的二維數據，主要有固定效應模型和隨機效應模型。出租車市場出現的問題主要體現在空載率高、打車難和等待時間長。本文為了反映這一問題的程度，引入了出租車的供求匹配度φ（P，N），建立的模型如下。

（1）量化不同時間、不同觀測點出租車的供給量P及打車需求量N作為面板數據的輸入；

（2）分析P、N與時間、觀測點的關系以及不同時空P、N之間的關系；

（3）用Eviews軟件對P、N進行參數估計與假設檢驗，確定采用固定效應模型還是隨機效應模型；

（4）給出回歸方程N（P），將初始值P帶入N（P），計算出不同時空打車需求量的估計值；

（5）計算供求匹配度。（這里實際上是匹配度指數，就像統計年鑒上的生產指數一樣，它的值越接近10，說明匹配程度越好。）

2 數據仿真

鄭州市出租車市場起步較早，凸顯的問題也比較多，因此本文選取鄭州市出租車市場具有一定的實際意義。本文借助蒼穹滴滴快的智能出行平臺，選取2017年8月9日0～24時的部分數據，分別從鄭州市一環、二環、三環選取二七廣場（EQGC）、大衛城（DWC）、中原萬達（ZYWD）、王府井（WFJ）、曼哈頓（MHD）和二七萬達（EQWD）6個不同的觀測點作為研究對象，進行仿真分析，見表1。

本文通過使用Eviews軟件對數據進行隨機效應估計，得F-statistic=0.062 96，R-squared=0.000 861，可以看出，擬合度非常低，隨機效應模型顯得不合理；用Eviews軟件進行固定截面估計，得F-statistic=5.698 93，R-squared=0.604 19，可以看出，個體效應十分顯著，會產生較大誤差，需要進一步改進；對原始出租車供給量N和打車需求量P做一次差分，再進行LSDV估計，得R-squared=0.975 28，F=147.290 7，可以看出，回歸系數顯著，模型的擬合度比較高。6個地方的需求—供給函數具體見表2。

由回歸方程可以計算出每個地方的出租車需求量的預測值，并對預測值數據四舍五入取整后，計算出預測值與真實值的誤差絕對值Eij（見表3），通過計算可以得出匹配度

3 結 語

通過上述模型可以看出，鄭州市出租車市場供求匹配度還是比較低的。這也比較符合實際情況，一方面，鄭州市公交系統比較方便，很多市民選擇公交出行，導致部分區域出現租車供大于求、空載率較高的現象；另一方面，由于時間和區域位置的限制，會造成市民扎堆出行，導致部分市民等待時間較長，出現供小于求、打車難的現象。

主要參考文獻

[1]王志剛.面板數據模型及其在經濟分析中的應用[M].北京：經濟科學出版社，2008.

[2]司守奎，孫兆亮.數學建模算法與應用[M].第2版.北京：國防工業出版社，2015.

[3]張曉峒.Eviews使用指南與案例[M].北京：機械工業出版社，2007.endprint