论文部分内容阅读
[摘 要]本文以郑州出租车市场为例，借用滴滴快的智能出行平台，抽取6个观测点，搜集不同时刻的出租车供给量与打车需求量，用Eviews软件从纵横两个截面分析它们之间的关系，建立了基于面板数据供求匹配模型，并用LSDV的固定效应模型进行估计，找到需求量与供给量之间的关系，以预测值与真实值差值绝对值的对数作为评价指标，得出郑州市出租车供求匹配度指数。
[关键词]LSDV；固定效应模型；仿真；郑州
doi：10.3969/j.issn.1673 - 0194.2017.20.083
[中图分类号]F572.88 [文献标识码]A [文章编号]1673-0194（2017）20-0-02
0 引 言
随着社会的不断发展和科技的迅速进步，互联网已经渗入人们生活的每一个角落。由于互联网的便捷性、实用性和可靠性等优势，使“互联网 ”成为“新宠儿”。滴滴打车和优步等网络打车软件成为人们出行的新选择，然而打车软件过快发展也产生了一些问题，如资源配置失衡、打车难、空载甩客等现象。因此，本文利用信息资源匹配、模糊化数据处理来改善“出租车”资源配置不平衡和打车难等问题，是十分必要的。
1 基于面板数据的供求匹配模型
面板数据是同时在时间和截面空间上获取的二维数据，主要有固定效应模型和随机效应模型。出租车市场出现的问题主要体现在空载率高、打车难和等待时间长。本文为了反映这一问题的程度，引入了出租车的供求匹配度φ（P，N），建立的模型如下。
（1）量化不同时间、不同观测点出租车的供给量P及打车需求量N作为面板数据的输入；
（2）分析P、N与时间、观测点的关系以及不同时空P、N之间的关系；
（3）用Eviews软件对P、N进行参数估计与假设检验，确定采用固定效应模型还是随机效应模型；
（4）給出回归方程N（P），将初始值P带入N（P），计算出不同时空打车需求量的估计值；
（5）计算供求匹配度。（这里实际上是匹配度指数，就像统计年鉴上的生产指数一样，它的值越接近10，说明匹配程度越好。）
2 数据仿真
郑州市出租车市场起步较早，凸显的问题也比较多，因此本文选取郑州市出租车市场具有一定的实际意义。本文借助苍穹滴滴快的智能出行平台，选取2017年8月9日0～24时的部分数据，分别从郑州市一环、二环、三环选取二七广场（EQGC）、大卫城（DWC）、中原万达（ZYWD）、王府井（WFJ）、曼哈顿（MHD）和二七万达（EQWD）6个不同的观测点作为研究对象，进行仿真分析，见表1。
本文通过使用Eviews软件对数据进行随机效应估计，得F-statistic=0.062 96，R-squared=0.000 861，可以看出，拟合度非常低，随机效应模型显得不合理；用Eviews软件进行固定截面估计，得F-statistic=5.698 93，R-squared=0.604 19，可以看出，个体效应十分显著，会产生较大误差，需要进一步改进；对原始出租车供给量N和打车需求量P做一次差分，再进行LSDV估计，得R-squared=0.975 28，F=147.290 7，可以看出，回归系数显著，模型的拟合度比较高。6个地方的需求—供给函数具体见表2。
由回归方程可以计算出每个地方的出租车需求量的预测值，并对预测值数据四舍五入取整后，计算出预测值与真实值的误差绝对值Eij（见表3），通过计算可以得出匹配度
3 结 语
通过上述模型可以看出，郑州市出租车市场供求匹配度还是比较低的。这也比较符合实际情况，一方面，郑州市公交系统比较方便，很多市民选择公交出行，导致部分区域出现租车供大于求、空载率较高的现象；另一方面，由于时间和区域位置的限制，会造成市民扎堆出行，导致部分市民等待时间较长，出现供小于求、打车难的现象。
主要参考文献
[1]王志刚.面板数据模型及其在经济分析中的应用[M].北京：经济科学出版社，2008.
[2]司守奎，孙兆亮.数学建模算法与应用[M].第2版.北京：国防工业出版社，2015.
[3]张晓峒.Eviews使用指南与案例[M].北京：机械工业出版社，2007.
[关键词]LSDV；固定效应模型；仿真；郑州
doi：10.3969/j.issn.1673 - 0194.2017.20.083
[中图分类号]F572.88 [文献标识码]A [文章编号]1673-0194（2017）20-0-02
0 引 言
随着社会的不断发展和科技的迅速进步，互联网已经渗入人们生活的每一个角落。由于互联网的便捷性、实用性和可靠性等优势，使“互联网 ”成为“新宠儿”。滴滴打车和优步等网络打车软件成为人们出行的新选择，然而打车软件过快发展也产生了一些问题，如资源配置失衡、打车难、空载甩客等现象。因此，本文利用信息资源匹配、模糊化数据处理来改善“出租车”资源配置不平衡和打车难等问题，是十分必要的。
1 基于面板数据的供求匹配模型
面板数据是同时在时间和截面空间上获取的二维数据，主要有固定效应模型和随机效应模型。出租车市场出现的问题主要体现在空载率高、打车难和等待时间长。本文为了反映这一问题的程度，引入了出租车的供求匹配度φ（P，N），建立的模型如下。
（1）量化不同时间、不同观测点出租车的供给量P及打车需求量N作为面板数据的输入；
（2）分析P、N与时间、观测点的关系以及不同时空P、N之间的关系；
（3）用Eviews软件对P、N进行参数估计与假设检验，确定采用固定效应模型还是随机效应模型；
（4）給出回归方程N（P），将初始值P带入N（P），计算出不同时空打车需求量的估计值；
（5）计算供求匹配度。（这里实际上是匹配度指数，就像统计年鉴上的生产指数一样，它的值越接近10，说明匹配程度越好。）
2 数据仿真
郑州市出租车市场起步较早，凸显的问题也比较多，因此本文选取郑州市出租车市场具有一定的实际意义。本文借助苍穹滴滴快的智能出行平台，选取2017年8月9日0～24时的部分数据，分别从郑州市一环、二环、三环选取二七广场（EQGC）、大卫城（DWC）、中原万达（ZYWD）、王府井（WFJ）、曼哈顿（MHD）和二七万达（EQWD）6个不同的观测点作为研究对象，进行仿真分析，见表1。
本文通过使用Eviews软件对数据进行随机效应估计，得F-statistic=0.062 96，R-squared=0.000 861，可以看出，拟合度非常低，随机效应模型显得不合理；用Eviews软件进行固定截面估计，得F-statistic=5.698 93，R-squared=0.604 19，可以看出，个体效应十分显著，会产生较大误差，需要进一步改进；对原始出租车供给量N和打车需求量P做一次差分，再进行LSDV估计，得R-squared=0.975 28，F=147.290 7，可以看出，回归系数显著，模型的拟合度比较高。6个地方的需求—供给函数具体见表2。
由回归方程可以计算出每个地方的出租车需求量的预测值，并对预测值数据四舍五入取整后，计算出预测值与真实值的误差绝对值Eij（见表3），通过计算可以得出匹配度
3 结 语
通过上述模型可以看出，郑州市出租车市场供求匹配度还是比较低的。这也比较符合实际情况，一方面，郑州市公交系统比较方便，很多市民选择公交出行，导致部分区域出现租车供大于求、空载率较高的现象；另一方面，由于时间和区域位置的限制，会造成市民扎堆出行，导致部分市民等待时间较长，出现供小于求、打车难的现象。
主要参考文献
[1]王志刚.面板数据模型及其在经济分析中的应用[M].北京：经济科学出版社，2008.
[2]司守奎，孙兆亮.数学建模算法与应用[M].第2版.北京：国防工业出版社，2015.
[3]张晓峒.Eviews使用指南与案例[M].北京：机械工业出版社，2007.