互联网+时代的出租车资源配置

“互联网+”时代的出租车资源配置

摘要

“互联网+”时代实现了乘客与出租车司机之间的信息互通。本文通过建立 合理的数学模型，对出租车资源配置问题进行了分析。

针对问题一，通过确立里程利用率和供求比率两个指标。从供给角度和需求角度出发，求得里程利用率和供求比率的理想值。将这两个指标抽象为二维空间中的坐标，通过实际点与平衡点之间的距离来判断综合不匹配程度。以此，我们求解出在广州高峰时段、常规时段、天河区和番禺区的综合不匹配程度，从而分析得出高峰时段的供求匹配程度优于常规时段，番禺区的供求匹配程度优于天河区。

针对问题二，利用层次分析法判断不同公司的补贴方案是否对“打车难”问题的缓解有帮助。通过综合的评价，选取万人拥有量、满载率、里程利用率、等车时间，和乘车价格五个指标建立模型，得到滴滴打车、快的打车两个公司对缓解“打车难”有一定的帮助。

针对问题三，建立一个新的打车软件服务平台，首先应该考虑在缓解“打车难”这个难题基础上，增加其核心竞争力，在初期实施一些大型的优惠补贴政策，吸引客户，从而抢占市场份额。因此，就要设计出自己新的补贴方案，在充分汲取现有打车软件服务平台的优点后，与现有的补贴方案相关数据进行比较，分析原来的补贴数目，做出相应当的调整。并进行试验，从而得出其合理性。

关键词：打车 供求匹配 层次分析 补贴方案

一、问题重述

出租车是市民出行的重要交通工具之一，“打车难”是人们关注的一个社会热点问题。随着“互联网+”时代的到来，有多家公司依托移动互联网建立了打车软件服务平台，实现了乘客与出租车司机之间的信息互通，同时推出了多种出租车的补贴方案。

请你们搜集相关数据，建立数学模型研究如下问题：

(1) 试建立合理的指标，并分析不同时空出租车资源的“供求匹配”程度。 (2) 分析各公司的出租车补贴方案是否对“缓解打车难”有帮助？

(3) 如果要创建一个新的打车软件服务平台，你们将设计什么样的补贴方案，并论证其合理性。

二、问题分析

由于该问题是一个即时性、开放性、实用性很强的热点问题，所以我们针对某一个城市的实际情况进行研究。收集该城市出租车的相关数据。通过对数据的分析，统计挖掘出相关规律，来支持所建立的数学模型和模型的结论。

2.1问题一的分析

问题一要求建立合理的指标，并分析不同时空出租车资源的“供求匹配”程度。通过分析，我们可以定义里程利用率和供求比率来作为反映不同时空变化规律的合理性供求关系指标。

利用实际数据，统计计算不同时空下的供求关系指标，对供求关系的时间、空间的分布规律和匹配程度进行具体的分析讨论。

针对里程利用率这一指标，可以从供给角度和需求角度分别测量出租车的载客里程，通过是这两者相等，得到里程利用率的理想值K?。针对供求比率这一指标，我们可以依据供求关系将研究区域分为三个部分：供过于求部分、供求相等部分、供不应求部分，利用供给比率的相关定义，求得供求比率??。最后将这两个指标抽象为二维空间的坐标，将里程利用率K和供求比率?转化为点

Q?K,??，通过归一化处理后，计算实际点与平衡点距离。距离越大，则供求匹配度越低，距离越小，则供求匹配程度越高；当距离为零时，达到平衡点，即供求完全匹配。

2.2问题二的分析

考虑到这一个需要考虑不同层面的问题，是否缓解不能用单一的指标考虑，也不能仅仅根据现有的数据做纯理论的分析，需要考虑到乘客和司机的共同关心的问题和他们之间存在的矛盾，所以这一题需要收集市民对打车中主要关心的问题。通过这些指标做一个定性的综合考虑是一个比较合理的方案。

2.3问题三的分析

建立一个新的打车软件服务平台首先应该考虑在缓解“打车难“这个难题基础上，增加其核心竞争力，在充分汲取现有打车软件服务平台的优点，寻找背后合作伙伴，在初期实施一些大型的优惠补贴政策，吸引客户，并抢占市场份额。这就需要我们设计出自己的补贴方案，与在原来的补贴方案下相关数据进行比较，分析原来的补贴数目，从而做出相应的调整。并进行试验，从而得出其合理性。同时我们要在用户体验这个最重要的环节设计得更加智能化，这样他才能长时间在众多打车软件服务平台中生存。

三、模型假设

1. 假设司机和等车乘客按二维正态分布存在于在一个城市中； 2. 假设使用打车软件打车的情况可以估计所有的打车情况； 3. 假设只考虑广州市注册的出租车数量；

4. 假设出租车只有载客状态和空驶状态，不存在停留等候时间。

四、符号说明

符号

l N

n

意义

载客里程 出租车总保有量 人口总量 人均日出行次数 供求比率 平均出行距离 里程利用率

?

?

d

K

五、模型一的建立与求解

5.1指标的定义

对于“供求匹配”，我们将其分为三种情况，即：供过于求，供不应求，供求平衡。同时，为了分析不同时空出租车资源的“供求匹配”程度，我们先定义“里程利用率”和“供求比率”这两个指标。

5.2里程利用率

里程利用率就是指载客里程与行驶里程之比，我们用K来表示，它的公式表达我们定义如下：

里程利用率K=出租车载客里程（千米）?100%

出租车行驶里程（千米）（1）

该指标反映了出租车的载客效率，若该指标高，则说明出租车在行驶过程中载客的比例高，也就是说空载率比较低，此时，对于想打车的乘客来说，可提供租用的出租车不多，供求关系出现紧张。然而，如果该指标比较低的话，说明出租车的载客率比较低，也就是空载率很高，这时候对乘客来说，可供租用的出租车比较多。

5.3供求比率

供求比率指的就是一定时间内某市场可供额的总和与相应的需求额的总和之比，我们用?来表示，它的公式表达如下：

?=S?100% D（2）

其中，式中的S指的是一定时间内某市场可供额的总和，D指的是相应的需求额总和。很显然，当供求比率??1时，可供额就大于需求额，即供过于求，此时的供求比率可称为供过于求程度；当供求比率??1时，说明市场需求额大于供应额，即供不应求，此时的供求比率称为供不应求程度；而当供求比率??1时，市场的供应额与需求额达到平衡，此时的供求比率称为供求平衡程度。

5.4模型的建立与求解

5.4.1里程利用率理想值的确定

我们以出租车的总载客里程l为该模型的衡量标准，对里程利用率K的理想值进行求解。

1）从供给角度测量出租车总载客里程ls

设某地区的出租车总保有量为N，单位为万辆；出租车每日主要时间段的平均运营时间为T，单位为小时（h）；出租车的平均行驶速率为v，单位为km/h，

ls410为出租车总载客里程，单位为km；?为出租车的出车率，本文取90%；?为

出租车运营主要时间段对应的出行量占一天出行量的百分比。则根据公式（1）可以得到：

K=ls??100% TvN?（3）

由上式可得，某地区出租车平均每日可以供给的总载客里程为：

ls?KTvN?? （4）

2）从需求角度测量出租车总载客里程ld

假设：

n

某地区人口总量，单位为10人

人均日出行次数

该地区人民使用出租车出行在所有出

行方式中所占比例

4? p

d

该地区人民每次出行的平均出行距离，

单位为km

Q

出租车承担该地区人民的出行周转量，

4单位为10人?km

ld

4出租车总载客旅程，单位为10km

则出行周转量为：

Q=n?pd

（5）

假设s为该地区平均每天的出租车载客总人数，单位为人，则某地区人民所需求的出租车总载客里程为：

ld?Qn?pd ?ss（6）

3）求解里程利用率的理想值

若供求平衡，即供给量与需求量相等，则里程利用率达到理想值。我们令出 租车载客里程的需求量等于供给量，即（4）式与（6）式相等：

n?pdKTNv?? s?（7）

可以求出：

K??n?pd?

sTNv?（8）

上式即为里程利用率的理想值，在 K 取该值时供求平衡。 5.4.2供求比率理想值的确定

假设使用软件打车的情况可以用来估计总体的打车情况，为了求解供需比率，我们利用苍穹，对不同时间，不同地点的可供出租车数和顾客需求出租车数进行数据采集。

我们将某区域划分为n个四边形区域，由于苍穹软件可以显示出每个地点的 打车订单数，因此我们可以采集出每个四边形区域的订单数，即每个区域顾客需 求的出租车数，记为

Di?i?1,2,3,,n?。接下来我们以每个人为圆心，以出租车

司机为接单愿意行驶的最大距离为半径画圆，我们将此半径称为意愿半径。如果某出租车落在圆中，则说明此出租车会接单，据此我们可以统计出每个人可以打到的出租车数，进而统计出每个矩形区域内出租车的供给量，设为

Si?i?1,2,3,n?,，具体情况如下图所示：

△代表出租车的位置，点K、F、I代表订单的位置

图 1 出租车与乘客位置示意图

由（2）式可得：

S???D?Si?1ni?1ni

i?D（9）

我们依据供求关系将n个四边形区域分为三个部分，每个部分都由若干个四 边形区域组成，三个部分分别为：

? 供大于求部分，设出租车供给量? 供等于求部分，设出租车供给量? 供小于求部分，设出租车供给量

S1S2S3，需求量为，需求量为，需求量为

D1

D2D3由（9）式得：

??因为：

S1?S2?S3S1S2S3D1S1D2S2D3S3????????? （10）

DDDDDD1DD2DD3?i?因此式（10）可以写作：

Si Di（11）

??由上文可得：

DD1D??1?2??2?3??3 DDD（12）

??1?1???2?1 ???1?3

（13）

5.4.3求解供求比率的理想值

通过分析我们可以判断，式（12）并不能准确衡量供求平衡与不平衡的综合程度。由式（12）可以看出总供求比率实际上是权数是需求结构。但是由于大，表示供求越不平衡；而

?1，?2，?3的加权算术平均，

?1，?3 在判断供求平衡程度时是取相反值的，?1越

?3越大，表示供求越平衡，因此这两者的加权结果是

会相互抵消的，用在这里显然不合适。

通过查阅相关资料，我们推导得到了供求比例理想值的正确求法：

??D1D1D??1?2??2?3? DDD?3（14）

????由式（14）可得，最终的值为一个大于1的数，的理想值为1。

5.5供求匹配模型的建立

我们将里程利用率和供求比率两个指标抽象为二维空间上的点

?Q?K,??。通

过前两问，结合相关数据，我们可以求出里程利用率的理想值K和供求比率的

?Q?K?,????理想值，则平衡点的坐标为，在此平衡点上，供求达到平衡，若偏

离该点，供求不平衡。结合实际调查与计算机模拟，可得出不同时空实际情况下 的里程利用率

Kr和

?r，其对应在二维空间的坐标为Q?Kr,?r?。

将实际情况下的坐标进行归一化处理：

?Kr?K??r????Q'?,? ??K???求点Q'到原点的距离，我们将其定义为综合不平衡度：

rOQ'?Kr?K????r?????????? ??K?????rOQ'?0Kr?K??r???，则，，

22供求不平衡度是判断“供求匹配”程度的标准：若达到了一个平衡点，供求完全匹配，供等于求；若

rOQ'

rOQ'?0,则供求不匹配。而且

r

的值越大，匹配程度越差，OQ'的值越小，匹配程度越好，越接近供求平衡。

5.6 模型求解

截至 2013年，广州市人口人数n=625.33万；查阅相关资料得知广州市 2013年出租车保有量约为20300辆，取 N =20300；根据 2008年广州市居民出行调查总报告，取人均日出行次数?= 2.18，出租车平均载客数目s=4 人，居民乘坐出租车日出行里程d= 6.5 km，出租车每日主要运营时间T=15 小时，出租车平均行驶速度v= 24km/h，主要运营时间段出车占全天出车比例?= 0.85，该地区人民使用出租车出行在所有出行方式中所占比例p=0.2，排除保养维修等问题的出租车出车率?= 0.9。

?代入以上各数据可解得K= 57.23%，由前所述?= 1。得到了两个指标的

?理想值之后，我们以广州市为例，应用此模型对出租车的实际供求匹配程度进行评价。

由于难以找到全面的数据，我们以已有的广州市居民出行情况调查数据、“滴滴快的智能打车平台”上的出租车分布数据为基础，对现实世界进行适度的简化和抽象，对城市的出租车行驶即载客状况进行动态的仿真模拟，在仿真时主要考虑时间和空间两个方面。

5.6.1时间角度

我们将全天的时间分为高峰时段和常规时段两部分，通过模拟得到两个时间段的供求比率和里程利用率，得到广州市高峰时段和常规时段的各指标：

高峰时段 常规时段

供求比率 4.3187 3.5813

里程利用率 0.8836 0.4739

综合不平衡度

3.1216 2.7014

将各指标随时间变化情况绘制成下图：

可以发现，在高峰时段的里程利用率显著高于平衡值57.23%，这表明乘客 数目较多，出租车载客率较高，出现了供不应求的情况。而常规时段的里程利用 率显著低于平衡值，说明出现了供过于求的情况，此时居民出行人数较少，出租 车大部分是在不载客的情况下空驶。

同时，在高峰时段出行人数不断增多的情况下，综合不平衡度呈现不断增大 的状态，表示仅当出行人数开始减少时，交通拥堵得以缓解，供需匹配才可以达 到较佳的状态。

5.6.2空间角度

从空间角度来看，我们选取广州市的天河区和番禺区两个区作为研究对象，在高峰时段内，对两区域内的各指标分别进行评价，得到结果如下：

天河区 番禺区

供求比率 4.8129 3.9095

里程利用率 0.7456 0.4423

综合不平衡度

3.2238 2.5493

不难发现，在供求比率方面，番禺区低于天河区，这证明就乘客数量和出 租车数目而言，番禺区更为平衡；天河区里程利用率显著高于平衡值，处于供不应求的状况，而番禺区的里程利用率仅略低于平衡值。综合起来看，相较于天河区，番禺区的供需匹配度更佳。

5.7结果分析

在高峰时段的里程利用率显著高于平衡值 57.23%，出现了供不应求的情况。 而常规时段的里程利用率显著低于平衡值，出现了供过于求的情况。同时，在高峰时段出行人数不断增多的情况下，综合不平衡度呈现不断增大的状态，表示仅 当出行人数开始减少时，供求匹配才可以达到较佳的状态。

在数目不平衡度方面，番禺区低于天河区，但番禺区的里程利用率略低于平衡值。

六、模型二的建立与求解

6.1模型的建立

针对问题二，是否缓解需要考虑各方面的原因，不能仅仅考虑数据呈现的特点，再加上由于收集的数据有限，评价各个公司的补贴方案是否缓解打车难得问题的指标难以量化，因此本题我们采用定性和定量相结合的AHP综合评价模型对全国各个打车软件（滴滴打车、快的打车、传统打车）推行的补贴方案进行评估。首先，将问题转化为以下模型：

? 目标层{补贴方案对缓解市民打车难是否有帮助}；

? 评价细化指标层{万人拥有量，满载率，里程利用率，等车时间，乘车

价格}； ? 决策层{

P1,P2,P3：滴滴打车补贴方案、快的打车补贴方案、传统打车补

贴方案}。

6.1.1建立层次结构模型如下图：

万人拥有量 满载率 缓解打车能力 里程利用率 等车时间 等车价格

目标层 6.1.2构造成对比较矩阵

通 过 主 观 定 义 比 较 各 个 指 标 对 于 目 标 的 权 重，构 造 目

准则层 决策层 标 层 A 对 准 则 层

B1,B2,B3,B4,B5，的成对比较矩阵为：

1A??aij?,aij?0,aji?n?naij上式中 A 称为正互反矩阵，显然有

aii?1。如用

B1,B2,B3,B4,B5依次表示万

人拥有量、满载率、里程利用率、等车时间、乘车价格5个指标，综合考虑广州市区的特点，定义每个指标的权重比例。 把乘车费用的权重指标定义为最大的，其次是等车时间，随着城市生活节奏的加快，市民的时间观念越来越强。万人拥有量、满载率、里程利用率是衡量资源配置的三大指标，三者之间的权重比定义为同一等级，最后得出五大指标的权重排序为乘车价格、等车时间、满载率、里程利用率、万人拥有量，赋予其具体的权重系数，得到的成对比较矩阵如下：

??????A????????A 矩阵中

a12?122571212351215123151312131?7??1?5??1?3?1??3?1??

12表示满载率B2与万人拥有量B1对目标层的重要性之比为

1:2；a51?7表示乘车价格B5与万人拥有量B1之比为7:1，定义价格是缓解打车难的一个相对最重的指标。

构建准则

B1,B2,B3,B4,B5相对于

P1,P2,P3的成对比较矩阵，根据市场上打车软

件的需求量所占的比例（滴滴打车与快的打车市场份额的比值约为3:2）来定性的定义三种补贴方案各个指标的重要性之比，得到方案层的成对比较矩阵

B1,B2,B3,B4,B5，见附录 5。

6.1.3计算特征值和特征向量

?W1???W????W??n?和特征根?max。 ? 利用“和法”求 A的特征向量将

A??Wij?n?n的元素按列归一化得

?0.0588??0.1176A?Wij???0.1176n?n??0.2941?0.4118?将

0.04350.07460.03970.0711??0.08700.02990.06620.0995?0.17390.14930.09930.1659??

0.26090.29850.19870.1659?0.43480.44780.59600.4976??A?Wij?n?n中元素

?W?按行求和得各元素之和可得：

ijWi??Wijj?1n

TA?Wi???2.3429Wi3.73335.833311.333319.0000??W

再将上述矩阵向量归一化得到特征向量近似值：

W??Wj?1nj?1n??0.05550.08840.13810.26830.4498?jT

其中?Wj??2.3429?3.7333?5.8333?11.3333?19.0000??42.2428。

计算与特征向量相对应最大的特征根（近似值）：

?max故有最大特征根

1n?AW?i1naW????ini?1Wini?1Wi

?max?5.0143，

TW??0.05550.08840.13810.26830.4498?同理可计算得出成对比较矩阵表：

B1,B2,B3,B4,B5

的最大特征根及权向量，见下

准则层 权值 决策层 B1 B2 B3 B4 B5 组合权向量 0.0555 0.0884 0.1381 0.2683 0.4498 P1 P2 P3 0.5701 0.3207 0.1093 3.0054 0.0027 0.58 0.6054 0.2915 0.1031 3.0553 0.0277 0.58 0.5294 0.3088 0.1618 3.0121 0.0056 0.58 0.5294 0.3088 0.1618 3.0112 0.0056 0.58 0.5172 0.3695 0.1132 3.0432 0.0216 0.58 0.533 0.335 0.1319 ?max CI RI 综合上表，可求得层次总排序，组合权向量为：

WP??0.5330.3350.1319?

组合一致性检验：

CR??BCIi5i由

?BRIii?1i?15?0.0251?0.1i，故一致性检验通过。

P1根据组合权向量WP各个方案的比值，可以得出

的组合权值最大可超过

50%。当下针对打车软件的补贴方式主要是金钱的补贴，在出租车乘车价格指标权值最大的条件下，市场份额比重最大的滴滴打车软件是人们采用软件打车的最优选择。因为打车软件的补贴方案可直接调动司机的积极性，这对缓解市民打车难起到一定的帮助作用。

但由于打车软件是一个新兴的产业，其运营模式还不够成熟，也为人们的生活带来了一定的困扰，如信息互通的实现，使得出租车司机的挑客现象增多，拒载率提高等。但是事物都有两面性，目前打车软件的初期推行，市场并不稳定且未实现其利益最大化，因此只有给予其一定的发展时间，当其稳定之后再进行定量分析，才能真实的判断其是否会为打车难问题的缓解有明显的帮助。

七、问题三的求解

7.1问题三补贴方案

在打车领域，嘀嘀与快的分别获得腾讯和阿里巴巴的资金全力支持，并把微信支付和支付宝钱包跟打车应用无障碍对接，给移动支付市场带来更多的支付端口，加快移动互联网生态圈的建立。此次我们设计的补贴方案如下：

? 将打车和京东钱包对接，使用京东钱包支付的收单将获得100元京东购物礼券（仅限半年内使用），司机师傅接一个新客户补贴某公司汽油礼券50元，可累计使用。

? 乘客乘车使用京东钱包支付，将获得20元京东礼券（每天限3单），司机师傅将获得10元现金补贴。

? 非高峰期使用打车软件的乘客补贴10元京东礼券（可累计使用），司机师傅补贴10元，高峰期补贴5元。 ? 在京东上买东西超过100元的，可以赠送20元打车经费，仅限京东钱包支付。

7.2论证补贴方案

移动电子商务是通过移动终端进行商品交易、信息交流服务和客户服务过程的电子商务方式，现有打车软件市场是滴滴和快的两家独大的形势，之前的补贴大战不仅仅是它们两个的战争，更是背后的腾讯和阿里之间关于移动电子商务和用户大数据的竞争，没有强硬的后台，怎么能有资本与其竞争，所以这次我们选择了与京东商城合作，一来可以帮助京东钱包这个移动支付平台的推广，二来我们的补贴可以是京东购物礼券这样的虚拟货币，增加乘客在京东上的消费。

首先，建立一个APP最主要的原因是解决现有打车软件的一些弊端，如出租车司机开车时看屏“抢单”直接影响交通安全，与乘客议价收费的行为也违反了出租车行业管理条例。此外，由于打车软件游离于政府监管之外，一些非法运营的黑出租车也加入了“抢单”行列，给乘客的出行安全带来了隐患。针对此问题，本人认为有必要和出租车公司展开深度合作，实现信息共享，这边乘客发布了等车信息，那边出租车公司利用GPS针对乘客位置，在附近空车进行匹配，争取匹配出最近的方案，减少乘客等待时间，这样减少出租车司机跑来了，乘客乘其他出租车走了的情况，对于出租车来说，由总部直接分派任务，减少了由于抢单带来的安全隐患，更是杜绝的黑心出租车挑肥拣瘦的坏毛病。

八、模型评价

8.1模型的优点

1、在数据处理方面，针对查找的数据进行详细分析，得到广州市出租车运载的具体情况，在进一步进行划分后，得到的数据具有比较明显的地域特征，为城市空间的分区提供了数据资料；

2、从城市功能区类型的角度进行分析，可以对比其他地区的城市功能区类型，模型有很强的可复制性；

3、层次分析，利用较少的数据便可对目标有一个相对准确的求解； 4、对补贴进行了细分，使得解决问题时更加具有针对性。

8.2模型的缺点

1、定量数据较少，定性成分多，不易令人信服； 2、指标过多，数据统计量大，且权重难以确定； 3、特征值和特征向量的精确求法比较复杂。

九、参考文献

[1]苍穹，滴滴快的智能出行平台[DB/OL]. http://v.kuaidadi.com/ [2]王昊、王炜、陈峻等，城市出租车交通分布预测模型[J],公路交通科技，2006，23（6）145-147.

[3]张爽，城市出租车拥有量确定方法研究[D]，西安交通大学硕士学位论文，2009.

[4]罗端高、史峰，考虑需求分布影响的城市出租车运营平衡模型[J]，铁道科学与工程学报,2009(1):87-91.

[5] 衡量出租车供求的三大指标——里程利用率、车辆满载率、万人拥有量， http://wenku.http://www.wodefanwen.com//.

十、附录

附录一：

按出租车万人拥有量排序（从高到低） 城市 主城区人口（万） 2013年GDP（亿） 主城区出租车拥有量 亿元GDP出租车拥有量 出租车万人拥有量 里程利用率 大连 沈阳 北京 广州 哈尔滨 西安 武汉 南京 成都 厦门 青岛 宁波 杭州 济南 深圳

360 510 1972 625.33 495 484.6 660 451.49 533.96 195.87 458 227.6 455.426 518.9 1052.76 7650.80 7223.7 19500.6 15123 5141.5 4884.1 9000 8286 9108.89 3018.16 8006.6 7128.9 8343.52 5230.19 14500.23 12929 17200 66646 20300 14300 12115 15637 10732 14898 4462 10018 4627 8923 8043 11433 1.7 2.7 3.4 1.3 2.78 2.48 1.7 1.3 1.64 1.48 1.6 0.65 1.1 1.54 0.79 36 34 34 32 29 25 24 23.77 23.5 22.78 22 20 19.6 15.5 10.86 65.51% 57.40% 68% 73.79% 84.10% 70.00% 69.02% 65.40% 67.88% 72.00% 64.51% 68.00% 69.25% 71.70% 69.10%

附录二：

滴滴打车

1月10日，滴滴打车乘客车费立减10元、司机立奖10元 2月17日，滴滴打车乘客返现10-15元，新司机首单立奖50元 2月18日，滴滴打车乘客返现12至20元 3月7日，滴滴打车乘客每单减免随机“6-15元”

3月23日，滴滴打车乘客返现3-5元 5月17日，打车软件乘客补贴“归零” 7月9日，软件司机端补贴降为2元/单 8月12日，滴滴打车取消对司机接单的常规补贴 快的打车

2014年1月20日快的打车乘客车费返现10元，司机奖励10元 2014年2月17日快的打车乘客返现11元，司机返5-11元 2014年2月18日快的打车乘客返现13元，每天两次

2014年3月4日快的打车乘客返现10元/单，司机端补贴不变 2014年3月5日快的打车乘客补贴金额变为5元 2014年3月22日快的打车乘客返现3—5元 2014年5月17日软件乘客补贴“归零” 2014年7月9日，将司机端补贴降为2元/单。

2014年8月9日，滴滴、快的两大打车软件再出新规，全面取消司机端现金补贴

附录三：

方案层的成对比较矩阵：

??1?1B1???2?1??52113?5??3?, ??1????1?1B2???3?1??53113?5??3?, ??1????1?1B3???2?1??32112?3??2?, ??1????1?1B4???2?1??32112?3??2? ,??1????1?B5??1?1??51113?5??3? ?1??

附录四：

判断矩阵的求解 %判断矩阵

A= [1 1/2 1/2 1/5 1/7; 2 1 1/5 1/3 1/5; 2 2 1 1/2 1/3; 5 3 2 1 1/3; 7 5 3 3 1 ; ] b=0;

for i=1:5 b=b+A(i,1) ; end

for i=1:5

B(i,1)=A(i,1)/b; end

b=0; for i=1:5 b=b+A(i,2); end for i=1:5

B(i,2)=A(i,2)/b; end b=0;

for i=1:5 b=b+A(i,3); end

for i=1:5 B(i,3)=A(i,3)/b; end b=0;

for i=1:5 b=b+A(i,4); end

for i=1:5

B(i,4)=A(i,4)/b; end b=0;

for i=1:5 b=b+A(i,5); end

for i=1:5

B(i,5)=A(i,5)/b;

end B

%行向量求和 a=[0 0 0 0 0 ]; for i=1:5 for j=1:5

a(i)=a(i)+A(i,j); end end c=a' d=0;

for i=1:5 d=d+c(i); end

for i=1:5 c(i)=c(i)/d; end c w=A*c m=0; 23

for i=1:5

m=m+w(i)/c(i); end m=m/5

附录五：

成对比较矩阵的求解 %成对比较矩阵 A=[1 3 5; 1/3 1 3; 1/5 1/3 1; ] b=0;

for i=1:3 b=b+A(i,1); end

for i=1:3

B(i,1)=A(i,1)/b; end b=0;

for i=1:3

b=b+A(i,2); end

for i=1:3

B(i,2)=A(i,2)/b; end b=0;

for i=1:3 b=b+A(i,3); end

for i=1:3

B(i,3)=A(i,3)/b; end B

%行向量求和 a=[0 0 0 ]; for i=1:3 for j=1:3

a(i)=a(i)+A(i,j); end end c=a' d=0;

for i=1:3 d=d+c(i); end 24

for i=1:3 c(i)=c(i)/d; end c w=A*c m=0;

for i=1:3

m=m+w(i)/c(i); end m=m/3

附录六

{\0100\2643,16.0],[\8,34.1969,15.0],[\8.9676,34.276,57.0],[\

\0]],[[\538,23.0],[\,34.2543,60.0],[\08.929,34.2698,22.0]],[[\],[\039,12.0],[\4,34.2241,15.0],[\08.8538,34.2958,34.0],[\],[[\08,26.0],[\,34.2534,30.0],[\9508,34.2976,15.0],[\09.0623,34.2713,44.0],[\\.0]],[[\.2171,20.0],[\1,34.2724,20.0],[\8.9667,34.3468,15.0],[\\6.0],[\9,16.0],[\34.2079,10.0],[\.076,34.2623,22.0],[\\.0],[\997,16.0],[\,34.2371,119.0],[\,108.883,34.1784,63.0],[\],[\6,38.0],[\34.3507,35.0],[\9435,34.3142,38.0],[\\0],[\17,13.0],[\,34.2078,63.0],[\9.0009,34.2076,12.0],[\\,71.0],[\2239,12.0],[\43,34.1875,19.0],[\108.9678,34.1957,28.0],[\,[\

,44.0],[\34.3272,37.0],[\.8722,34.2028,111.0],[\[\22.0],[\282,30.0]],[[\33,34.2408,12.0],[\08.9674,34.2523,40.0],[\[\,13.0],[\4.2384,56.0],[\8785,34.2925,23.0],[\,109.0182,34.2431,68.0],[\0],[\64,22.0],[\4.3635,13.0]],[[\.9513,34.2762,42.0],[\\],[\1,105.0],[\34.2277,23.0],[\08.888,34.2225,18.0],[\[\12.0],[\.2262,10.0],[\896,34.3089,11.0],[\108.8733,34.2077,10.0],[\],[\,26.0],[\4.4045,45.0]],[[\8.8843,34.1703,35.0],[\[\11.0],[\.1972,18.0],[\443,34.1602,18.0],[\,108.9812,34.3018,31.0],[\[\8,44.0],[\34.2012,11.0],[\.0278,34.2041,16.0],[\\0]],[[\2659,32.0],[\14,34.2456,55.0],[\

108.9459,34.353,11.0],[\[[\,35.0],[\4.2025,46.0],[\074,34.2452,22.0],[\,108.9847,34.2517,20.0],[\0],[\,22.0],[\.2414,56.0],[\61,34.3665,31.0],[\,108.8501,34.2079,19.0],[\0],[\31,15.0],[\,34.2284,15.0],[\8.9837,34.1713,26.0]],[[\],[\2,15.0],[\2,34.2281,25.0],[\8.9706,34.2162,34.0],[\[[\5,14.0],[\34.3236,40.0],[\815,34.2035,10.0],[\8.9607,34.229,20.0]],[[\,[\,22.0],[\4.244,50.0],[\229,34.2476,12.0],[\

108.9459,34.353,11.0],[\[[\,35.0],[\4.2025,46.0],[\074,34.2452,22.0],[\,108.9847,34.2517,20.0],[\0],[\,22.0],[\.2414,56.0],[\61,34.3665,31.0],[\,108.8501,34.2079,19.0],[\0],[\31,15.0],[\,34.2284,15.0],[\8.9837,34.1713,26.0]],[[\],[\2,15.0],[\2,34.2281,25.0],[\8.9706,34.2162,34.0],[\[[\5,14.0],[\34.3236,40.0],[\815,34.2035,10.0],[\8.9607,34.229,20.0]],[[\,[\,22.0],[\4.244,50.0],[\229,34.2476,12.0],[\

本文来源：https://www.bwwdw.com/article/ef2r.html