滴滴打車市場需求影響因素分析

周寶建 鄭川奇

【摘要】在互聯網這個顛覆性技術快速發展的背景下，滴滴打車應運而生，自2012年開始運營以來，不斷發展壯大。本文以中國成都市為例，應用SPSS23作為數據分析的工具，對滴滴打車的客戶需求量、客戶用車時間、滴滴車分布、車費、打車難易度、被接單時間等多個維度進行分析，分析滴滴打車的市場需求趨勢，試圖找出影響滴滴打車市場需求的相關因素，并做一些總結和梳理，提供政府相關部門決策參考，同時對于滴滴打車企業運營管理具有一定的參考價值。

【關鍵詞】滴滴打車;市場需求;資料分析

1?引言

隨著我國社會經濟的不斷發展，城市規模不斷擴大，人們對于出行的需求與日俱增。在過去，出租車是人們出行的主要工具，但是隨著城市人口規模的不斷擴大，出租車企業對乘客不夠重視、經營管理方式也存在著問題，導致人們的出行變得日益不便，此時，在互聯網經濟的發展下，“滴滴打車”應運而生。它改變了傳統的打車方式，建立培養出移動互聯網時代下引領的用戶現代化出行方式。利用互聯網的特點，將線上與線下結合起來，最大限度優化乘客打車體驗，節省司機與乘客雙方的資源與時間，并給滴滴公司帶來利益。自2012運營至今，滴滴公司已經占據中國網約專車市場88%以上的份額及99%以上的網約出租車市場份額。由此可見存在著巨大的市場需求。

2?研究目的

在滴滴打車不斷發展的今天，對于供給與需求之間的配置平衡依然是滴滴公司面臨的主要問題，如果可以預測在某些時間段內存在大量需求或只有少量需求，可以在其時區調度相應數量的車輛，實現供需平衡，最大限度地節省資源，提供乘客的用戶體驗，實現公司平臺的利潤最大化。文獻研究了滴滴公司的價格補貼方案對供需之間的影響。文獻研究了競價政策對供需產生的影響。本文則利用數據分析軟件SPSS對收集到的數據進行分析。并針對分析結論對滴滴公司運營提供相關建議，具有一定的決策參考價值。

3?市場供給與需求分析

通過從滴滴公司在網上公布的源數據，收集了2016年成都市從8月8日到8月14日的滴滴打車數據包括：打車需求量、被搶單時間、打車難易度、車費、車輛分布量等數據進行供給量與需求量之間的分析。首先對打車需求量與車輛分布數量進行統計，之后通過分析變量因素與需求量的相關性，探究變量因素對需求量的影響。

3.1打車需求分析

首先對消費者一天的打車需求量進行分析，將一天劃分為0～23時，從圖2可以看出，出行需求量大致集中在7～9時、12～14時、17～19時，在7～9時，17～19時形成2個駝峰，并在8時與18時達到頂峰。從20時之后開始呈下降趨勢，在6時開始呈上升趨勢。究其原因，在于7～9時、17～19時為早晚出行的早晚高峰，人們在此時進行上下班或者上下學活動，而12～14時為午飯時間，所以基本出行需求量聚集在這三個時間段內。而夜晚出行需求集中在20～21時，可推測因為人們外出娛樂或加班活動。

在對一天24小時的打車需求量進行分析后，接下來對一周的出行量進行分析。對滴滴打車需求數據時間分段統計結果見表1，其中概率分布為幾個時間段的打車需求量占一天總體打車需求量的比例。從表中可以看出，周末幾個時間段打車需求所占比例相差不大，較多的時間段為14：00～16：00為17%、17：00～19：00為20.5%、21：00～23：00為12.05%。工作日的時間段分布較大，早高峰平均占比為21.4%，晚高峰平均占比為19.7%，其次是14：00～16：00為14.9%，21：00～23：00為11.4%。

根據數據結果可以看出，工作日出行主要目的為工作，需求量集中在早晚高峰;周末主要活動為休閑娛樂，由于周末時間較為自由，周末早上打車需求量與工作日相比較小，相反中午12：00～13：00時間段、14：00～16：00時間段和傍晚17：00～19：00時間段的打車需求量就會較大，與賈瑤基于LSTM對需求做出的預測擬合結果基本一致。按照工作日與非工作日的人們出行目的不同劃分，可挖掘出人們的出行習慣。

3.2車輛供給分析

以一天24小時為自變量，車輛分布數量為因變量，畫出如圖3所示的折線圖。與需求量的折線圖進行對比可以看出出租車在白天基本與需求量的曲線貼近，一樣都在7～9時的早高峰達到最大值，而在晚高峰需求達到另外一個頂峰時，供給并沒有一樣達到頂峰，推測為一些車輛司機不跑晚班或者去吃晚餐;供給與需求曲線最大的不同之處在于夜晚20時之后當需求開始呈現出下降趨勢時，供給曲線卻開始呈現出上升趨勢，并且在23～0時時的供給量比之晚高峰還有之增加，探究其原因，結合滴滴打車價格政策與實際情況，可以得出原因在于夜晚滴滴車的價格會更高，往往在需求量沒有那么多的時候，司機也被高收益比所吸引，使得供給量遠遠大于需求量。對于滴滴公司來說，這意味著在夜晚有較多的閑置車輛依然等待，造成資源浪費，滴滴公司應當采取適當的價格政策以協調供需之間的平衡。

3.3需求相關性因素分析

為了研究需求量與其他因素之間的相關性，以確定哪些變量會對需求量產生影響，將需求量與被搶單時間、打車難易度、車費在SPSS23中做雙變量相關性分析，得到表2：相關性分析。依據皮爾遜相關系數（Pearson Correlation Coefficient）：

一般認為：

①相關系數的取值范圍在-1和+1之間，即：-1≤r≤1。

②計算結果，若r為正，則表明兩變量為正相關;若r為負，則表明兩變量為負相關。

③相關系數r的數值越接近于1（-1或+1），表示相關系數越強;越接近于0，表示相關系數越弱。如果r=1或-1，則表示兩個現象完全直線性相關。如果=0，則表示兩個現象完全不相關（不是直線相關）。

④3.0≤|r|，稱為微弱相關、3.0≤|r|≤5.0，稱為低度相關、5.0≤|r|≤8.0，稱為顯著（中度）相關、8.0≤|r|≤1，稱為高度相關。

3.4回歸線性分析

在數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變量（目標）和自變量（預測器）之間的關系。這種技術通常用于預測分析。

從相關性分析中得出需求量與被搶單時間、打車難易度、車費均具有高度的相關性，為了更好的研究變量之間的因果關系與影響程度，將需求量設為因變量，被搶單時間、打車難易度、車費設為自變量，在SPSS23中做多元線性回歸分析，在模型中的p值小于0.05，說明這個回歸模型是顯著的，且R2=0.894，說明需求量的變異性的89.4%能被預測變量解釋，各變量系數如表3所示：回歸線性系數表。在表中，被搶單時間、打車難易度的p值小于0.05，說明它們是顯著的預測變量，而車費的p值大于0.05，說明它并不能很好的解釋與需求量間的影響。由此可以得到需求量與2個變量之間的關系：

Y需求量=～1250.297+54.15被搶單時間+336.755打車難易度

根據標準化系數，可以判斷出被搶單時間對需求量的影響最大，其次是打車的難易度。如表3所示，滴滴公司可以根據權重來分配滴滴車的供給量。首先，滴滴公司在被搶單時間較多的時間段，應該指派或者分配更多的車輛以滿足打車需求。其次，應該根據時間段與地區打車難易度的不同，對車輛的分配投放有側重點，在難度高的時間點和地區分配指派更多的車輛，增加供給量;在難度低的時間點和地區減少供給量。以尋求得供給與需求之間的平衡，最優化資源間的配置，節約資源，求得企業利潤利益最大化。

3.5需求與被搶單時間分析

在分析出被搶單時間與打車與難易度具有高度相關性后，下面分別對被搶單時間、打車難易度與需求量進行分析。將被搶單時間作為因變量，小時時間作為自變量繪制出圖4：被搶單時間條形圖。

根據圖中條形可以看得出被搶單時間呈現出波浪曲線，在早晚高峰以及中午時間達到波峰;在21～23時達到波底。其大致趨勢與需求曲線基本一致，結合上文知道需求與被搶單時間具有高度相關性，可以得出需求量越大，被搶單時間越久這一結論。再結合供給曲線，可以對其做出更好的解釋，①在早高峰需求量最大時，被搶單時間反而并不是最長的，是由于早高峰擁有最大的供給量，減小了被搶單的時間;②在需求量小于早高峰的中午與晚高峰，由于供給量的減小，被搶單時間相應的延長了;③在需求量最小的深夜，由于其仍然具有較高的供給量，所以被搶單時間是最短的。由此可以進一步得出：被搶單時間與需求量成正比，而與供給量成反比。

3.6需求與打車難易度分析

以打車難易度與時間為變量繪制出圖4：打車難易度條形圖。據圖與需求曲線對比，可以看出其與需求曲線的趨勢基本一致，都在早、晚高峰及中午時達到波峰，在0～6時達到波底。結合上文分析出的打車難易度與打車需求量具有高度的正相關性，可以得出：當需求量增大時，難易度也隨之上升;當需求量減小時，難易度也隨之下降。以此可以對供給量做出調整：在打車難易度高的時區，增加車輛供給量來滿足打車的需求量。

3.7價格因素分析

滴滴公司在2019元旦調整了新的價格規則：

（1）獎勵規則改動：

①新人獎。完成2單快車訂單獎勵50元，完成5單快車訂單獎勵100元，獎勵按最高值計算，滴滴快車新人獎勵在周期結束后統一發放。

②翻倍獎。早/晚/夜高峰（7：00～10：00，17：00～20：00，21：00～23：00）時間段每單1.6倍收入，午高峰（12：00：00～13：59：59）時間段每單1.4倍收入，其他時間段1.2倍收入，并且每單獎勵25元封頂。而單單2倍收入含義是指訂單金額為8元，司機收入為8*分賬比例+8，如果訂單金額為80元，司機收入為80*分賬比例+25（每單獎勵封頂25元）。

（2）價格調整：起步價均從13元上漲至14元。里程費調整到1.45元至2.15元。

通過對滴滴出行平臺價格政策的解讀，我們可以知道滴滴出

行平臺通過優惠政策即20%的固定提成率和80%的薪酬支付率來吸引私家車車主，使其成為滴滴司機，擴大了提供打車服務的司機規模，以滿足消費者的打車需求量，從而促使更多的消費者選擇滴滴出行平臺，進而提升了平臺的總體收益。滴滴公司可以通過對不同時段的打車價格進行調整及乘客的價格競價政策來影響滴滴司機的數量，結果反映在車輛的供給數量上，同時滴滴出行平臺將制定收益最大化的最優定價策略和薪酬支付策略。

4?結論

從上述的分析和數據結果來看，將被搶單時間、打車難易度、價格因素考慮在內對供需之間的平衡調整具有重要意義，對滴滴公司的市場預測及調度具有參考價值。

（1）實時調度：需求分析可以幫助企業進行打車需求的預測與實時調度，結合供給量（司機數量），將車輛調度到需求量供不應求的時區地方。如果在打車高峰，當此區域的車輛供給已經飽和，就無需再向此區域派遣車輛。這樣的預測可以合理配置車輛資源，既使乘客用戶與司機達到高程度的匹配，也使供需趨于平衡。

（2）動態地調整價格：在固定的薪酬支付率下，滴滴司機數量趨于穩定。此時若出現打車高峰，滴滴平臺可以調整車輛起步價，或通過乘客加價策略來使司機數量增加，平衡需求。當處于晚間階段，此時司機的數量和消費者的打車需求都會減小，出行平臺可以提高出行起步價來吸引增加司機車輛供給，避免消費者匹配時間過長，實現供需平衡。但不宜調整過多使供大于求造成資源浪費。

（3）提高匹配技術：當出行“車多人少”或“人多車少”也就是供需不一致的問題時，就需要滴滴公司提高行程匹配技術，來使那些具有相似行程的出行乘客匹配在一起拼車，選出合適的上車點，不僅可以提高匹配度、乘客間可以分攤費用，也可以緩解供需緊張、資源配置不等的問題。

參考文獻：

[1]李謳.成都市出租汽車服務質量分析及改進[D].電子科技大學，2004.

[2]劉建剛，馬德清，陳昌杰，余婷婷.基于扎根理論的“互聯網+”商業模式創新路徑研究——以滴滴出行為例[J].軟科學，2016，30（07）：30-34.

[3]邱雪林.共享經濟背景下滴滴出行營銷策略分析[J].企業改革與管理，2017（10）：109.

[4]李小春.“互聯網+”時代的出租車資源配置問題研究[J].現代商貿工業，2019，40（11）：85-86.

[5]陳琛，楊昊，付子辰.滴滴打車面臨的問題分析和優化方案[J].現代商貿工業，2019，40（04）：79-80.

[6]賈瑤.基于時空特征分析的網約車短時需求預測研究[D].北京交通大學，2019.

[7]薛薇.基于SPSS的數據分析[M].北京：中國人民大學出版社，2017.

[8]汪亞金.基于策略消費者的滴滴出行平臺供應鏈研究[D].中國科學技術大學，2019.

作者簡介：

周寶建（1965-），男，漢族，福建廈門人，碩士，副教授，廈門大學嘉庚學院管理學院，研究方向：信息管理，信息系統，數據分析;

鄭川奇（1998-），男，漢族，福建漳州人，大學本科，廈門大學嘉庚學院管理學院，研究方向：信息管理，信息系統，數據分析。