機場出租車司機決策模型研究

劉興 王亮策 陳艷萍

[摘?要]文章針對機場出租車司機的選擇排隊拉客還是空車返回城區的決策問題，首先分析影響出租車決策因素，選取了航班數、時間段等確定型因素、出租車分擔率和延誤率等不確定性因素，得到了各個影響因素之間的關聯關系和乘客數量的變化規律;其次建立等待時間模型，對出租車司機的等待時間進行預測;最后建立選擇決策模型，以司機不同決策的期望收益為決策依據，給出司機的選擇策略。

[關鍵詞]選擇決策模型;期望收益;機場出租車司機

[DOI]10.13939/j.cnki.zgsc.2020.22.031

1?引言

大多數乘客下飛機后要去市區的目的地，出租車是主要的交通工具之一。[1]國內多數機場都是將送客與接客通道分開的。送客到機場的出租車司機會面臨兩個選擇：一個是前往到達區排隊等待載客返回市區;另一個是直接放空返回市區拉客。文章分析研究與出租車司機決策相關因素的影響機理，分析影響出租車決策因素，選取了航班數、時間段等確定性因素和出租車分擔率和延誤率等不確定性因素，綜合考慮機場乘客數量的變化規律和出租車司機的收益，建立了出租車司機選擇決策模型，并給出司機的選擇策略。

2?問題描述

針對到達機場的出租車司機的決策，如果選擇前往到達區排隊等待載客返回市區，那么出租車必須到指定的“蓄車池”排隊等候，依“先來后到”排隊進場載客，等待時間長短取決于排隊出租車和乘客的數量多少，需要付出一定的時間成本;如果選擇直接放空返回市區拉客，出租車司機會付出空載費用和可能損失的潛在載客收益。

2.1?符號說明

3構建機場出租車司機選擇決策模型

3.1?影響出租車司機決策因素的分析

在實際中，有許多影響司機決策的因素，本節將其分為確定因素與不確定因素，分別進行分析。選取的確定因素包括航班數量、時間段、蓄車池已有車輛數;選取的不確定因素包括出租車分擔率。

3.1.1?航班數量和時間段

機場出租車需求量與航班高峰的高度吻合，即到港或起飛的飛機數量多，則機場出租車的需求量大。以浦東國際機場為例，表2表示各時段浦東國際機場的出租車流量分布。

從表2可以明顯看到，出租車16：30—17：30與22：30—23：30兩個時間段出現高峰，入港與起飛飛機架次的高峰出現在12：30—0：30、10：30—11：30、15：30—16：30、21：30—22：30，由于乘客下飛機之后需要辦理一系列的手續，乘客離開機場的時間需要往后推遲1小時左右，因此，下飛機乘客對出租車的需求量具有一定的滯后性，這與出租車的需求高峰期16：30—17：30與22：30—23：30是吻合的，且在23：00之后，地鐵和公交車等公共交通停運，造成出租車的分擔率上升，因此出租車的需求量在22：30—23：30出現激增[1]。

將落地航班數量直接影響著下機乘客的多少，根據航班信息，出租車司機可以推測出即將下飛機的乘客數量，n為即將下飛機的乘客數量，ni為第i架次的航班的載客數量，下飛機乘客數量的函數表達如式（1）所示：

n=∑ni（1）

各個機場由于所處的地理位置以及機場附近的公共交通不同，出租車的分擔率也不同，乘坐出租車人數與下機人數成正相關，因此，抵達機場的航班數量越多，司機決定等待載客的可能性越大。N表示選擇乘坐出租車離開機場的乘客數量，α1為目標機場的出租車分擔率，N與α1的函數關系如式（2）所示：

N=n×α1（2）

3.1.2?蓄車池已有車輛數

蓄車池已有車輛的數目與出租車司機的等待時長成正相關，在乘坐出租車乘客充足的情況下，出租車司機的等待時間主要為排在前方出租車的上客時間，T1表示蓄車池已有出租車的上客時間， m表示蓄車池已有出租車數量，v表示一輛出租車的上客時間，本節據此得到m與v的函數關系如式（3）所示[2]：

T1=m×n（3）

3.1.3?出租車分擔率

不同機場所處的地理位置不同，導致機場不同交通工具的分擔率也不同[4]，以浦東國際機場為例，虹橋機場距離市中心約55km，對于出租車的依賴性大于其他交通樞紐，因此，虹橋機場的出租車分擔率高達36%;以雙流國際機場為例，雙流國際機場連通成都地鐵十號線和高鐵，可以在航站樓直接換乘地鐵或者高鐵，因此，雙流國際機場的出租車分擔率較虹橋機場偏低，為22%。

3.2?機場出租車司機等待時間預測模型

通過對航班數量和蓄車池已有車輛的分析，可以獲得出租車司機等待載客的時間。Tw表示出租車司機等待載客的時間，指出租車司機加入排隊隊伍到搭載乘客離開的時間。T1表示在蓄車池已有出租車的上客時間;由于航班延誤等事件，可能出現某個時段出租車上車口無乘客排隊上車的狀況，此時所有蓄車池的出租車都處于等待狀態，因此，T2表示出租車上車口無乘客上車時所耽誤的時間。本節據此獲得出租車等待載客的時間T，如式（4）所示：

T=T1+T2（4）

其中T1受到蓄車池已有車輛數目的影響，m為蓄車池已有出租車數量，v為每輛車上客所需時間，因此：

T1=m×v（5）

v1為乘客進入“乘車區”乘坐出租車的速度，ΔN表示在T-Δt，T+Δt時間段內選擇乘坐出租的乘客數，ΔN隨著時間點T變化，與出租車的分擔率α和航班數，因此：

v1=ΔN2Δt（6）

ΔN=fT，α（7）

根據假設一，“乘車區”總是有出租車等待乘客，因此乘客乘坐出租車離開“乘車區”的速度恒定不變，為v2。v3為“上車點”排隊隊伍人數的增長速度，N1為“上車點”排隊隊伍人數，則：

v3=fT，α2Δt-v2（8）

N1=∫T0fT，α2Δt-v2dt（9）

當“上車點”排隊隊伍人數N1=0時，造成無人上出租車的情況，此時蓄車池所有出租車司機都處于等待狀態，T2表示出租車上車口無乘客上車時所耽誤的時間，如式（10）所示：

T2=f2N1=0（10）

綜上所述，得到等待時間模型，如式（11）所示：

T=T1+T2T1=m×vT2=f2∫T0ft，α2Δt-v2dt=0（11）

3.3?機場出租車司機選擇決策模型

從出租車司機的視角出發，司機會對比等待載客與返回市區拉客的期望收益，其會選擇期望收益大的方案，因此，本節嘗試比較等待乘客于返回市區拉客兩種情景下的期望收益，并以此為依據，建立選擇決策模型，并給出司機的選擇策略。

3.3.1?確定等待載客的收益期望值

I1為出租車等待載客回市區的收入，D為出租車等待載客回市區的路程長度，結合出租車打表計價規則，得到I1與D的函數關系，如式（12）所示：

I1=f3D（12）

Cj為出租車等待載客回市區的路程成本，包括郵費等成本，Cj與D成正相關，得到Cj與D的函數關系，如式（13）所示：

Cj=f4D（13）

Ct與租車司機等待載客的時間T成正相關，q為出租車司機在市區拉客單位時間的平均收益，描述時間成本Ct與等待載客時間T之間的關系，如式（14）所示：

Ct=T×q（14）

綜合以上分析，可以得到等待載客的期望收益E1，如式（15）所示：

E1=I1-Cj-CtI1=f3DCj=f4DCt=m×v+f4∫T0ft2Δt-v2dt=0×q（15）

3.3.2?確定返回市區拉客的收益期望值

由于出租車空車返回市區，因此需要承擔空車返回市區的路程成本，載客返回市區的路程成本與空車返回市區的路程成本相同，由于空車返回市區，沒有收入，因此返回市區拉客的期望收益值E2為負值，如式（16）所示：

E2=-Cj（16）

3.3.3?建立選擇決策模型

出租車司機會比較等待載客與空車返回的期望收益，選取期望收益大的選擇，決策模型如式（17）所示：

A=0E1E2（17）

當E1E2時，等待載客收益大于返回市區拉客收益，此時A取值為1，表示出租車司機選擇等待載客。

綜合式（14）（15）（16）（17），匯總得到選擇決策模型，如式（18）所示：

A=0I1CtI1=f3DCt=m×v+∫∫T0ft2Δt-v2dt<0dt×q（18）

4?結論

本模型主要用于機場出租車司機根據各因素決策是否留在機場等待載客，以及幫助機場設計上車點以提高運輸效率。類似的問題還有很多，文章為解決大部分運輸點的設置，以及交通樞紐處的包括出租車、滴滴等司機的決策問題提供了思路。

參考文獻：

[1]謝東昊.“互聯網+”背景下傳統出租車行業的困境及出路探析[J].中國市場，2016（41）：145-147.

[2]顏超.?上海市樞紐機場陸側公共交通管理研究[D].上海：華東師范大學，2015.

[3]倪志偉.?基于排隊論的訂單處理系統建模與仿真[D].北京：北京交通大學，2009.

[4]?滴滴出行，第一財經商業數據中心，無界智庫.知道—中國智能出行 2015 大數據報告[J].中國廣播，2016（3）：95.

[基金項目]2020年四川師范大學大學生創新創業訓練計劃項目（項目編號：S202010636253）。

[作者簡介]劉興（1999—），男，漢族，四川成都人，研究方向：優化調度等。