面板数据模型下的出租车资源配置合理性研究——基于“滴滴打车”软件的数据

肖蓬（福州外语外贸学院福建福州350202）

面板数据模型下的出租车资源配置合理性研究
——基于“滴滴打车”软件的数据

肖蓬（福州外语外贸学院福建福州350202）

即使在“互联网+”时代，“打车难”现象仍一直受到政府和社会各界的高度关注。用面板数据（Panel Data）与空间自回归（Spatial Autoregressive）相结合的时空数据自回归模型，通过java程序挖掘相关数据，对互联网时代出租车资源问题进行分析，结果表明：不同时间、区域的出租车资源配置存在显著差异。

面板数据模型；向量自回归模型

移动打车软件，如“滴滴”打车，作为一种创新的商务模型,从乘客与出租车司机之间信息不对称入手,缓解了乘客“打车难”与出租车司机“空载率”居高不下的问题。目前学术界在打车软件领域的研究甚[1-5]少,本文打车软件的视角出发,试图通过建立相关指标，探索出租车资源的“供求匹配”程度的时空差异。

1.数据来源

目前，打车软件市场中“滴滴打车”和“快的打车”软件占有率达99%，且二者已于2015年合并，本文基于“滴滴快的智能出行平台”（http://v.kuaidadi.com/）的数据，利用Java程序（详见附录1）挖掘数据。主要采用北京、成都、广州、杭州、南京、上海、深圳、沈阳、武汉、西安这十大城市的在一周内每小时的数据，主要提取X1（出租车需求量）、X2（被抢单时间）、X3（出租车分布）和X4（车费）及Y（打车难易度）的数据进行处理，挖掘的数据十个城市共1680个数据。

2.从相关系数角度看打车难易程度和各因素的协调关系

利用挖掘的数据十个城市共1680个数据，对X1、X2、X3、X4、Y5个变量用SPSS软件进行标准化处理.在Pearson检验下,Y(打车难易度）与X1（出租车需求量）、X2（被抢单时间）、X3（出租车分布）和X4（车费）对之间的相关性在0.05水平上显著相关。

3.向量自回归模型（VAR）及Panal Data模型原理及实证分析

3.1 研究方法

3.1.1 向量自回归模型

向量自回归模型（Vector Auto-regression,VAR）的建立对研究多变量时序的变动关系有重要意义。向量自回归（VAR）模型的构造思路是把所有内生变量的滞后项作为解释变量，同时，把单变量模型推广到多元，组成了“向量”自回归模型。VAR模型的重点在于通过探索随机扰动对于系统的冲击，并分析结果，进而对系统冲击带来的影响进行解释和预测。VAR模型的形式如：

其中：yt是k维内生变量，xt是d维外生变量，p是滞后阶数，T是样本个数。A1,...,Ap,B都是所要估计的系数矩阵。εt是k维扰动向量。

3.1.2 Panal Data模型原理

设有因变量yit与k×1维解释变量向量xit=(x1,it,x2,it,...,xk,it)'满足线性关系。

式子（3.1.2.1）是考虑因变量与k个解释变量、N个截面成员及T个时间点上的变化关系。N为截面成员的个数，T为每个截面成员的观测时期总数，参数αit为常数项，βit是对应于解释变量向量xit的k×1系数向量，k是解释变量个数。设随机误差项uit相互独立，为各个变量的方差，且方差相等。

模型参数的估计可以从以下两点考虑：在时间点上考虑，建立含T个截面成员方程的Panel Data模型；或者从截面成员角度考虑，建立含有N个截面成员方程的Panel Data模型。该模型可简化为：

此处αit解释为第i个截面成员的常数项，xi表示第i个截面成员的指标。根据截距向量α和系数向量β中的各分量的不同限制要求，可将Panel Data模型划分为3类特殊的模型：无个体效应影响的不变系数模型、变截距模型、含有个体效应影响的变系数模型。

3.2 实证分析

3.2.1 Granger因果检验

为了保证回归结果的准确性，避免出现伪回归现象，VAR模型要求各变量同阶单整，因此在建立VAR模型之前，有必要对时间序列数据进行平稳性检验。此处，利用A Levin,Lin&Chu t*检验对经过处理后的变量Y,X1,X2,X3,X4进行平稳性检验，由于这些数据都是时序性的，以24小时为变化周期，故对上述5组数据进行一阶差分的单位根检验，检验的结果见表1。

表1 单位根检验结果

从表1可以看出：Y,X1,X2,X3,X4在滞后阶数为24的一阶差分下均通过5%的显著性检验，说明这些变量一阶平稳，可以用于拟合VAR模型。

Granger因果检验结果对滞后长度的p选择极其敏感。滞后阶数太小或太大均会影响模型参数估计的有效性，一般有AIC准则和SC准则比较不同滞后阶数下的统计量，这两个统计量越小，说明模型越有效。通过观察，在滞后阶数p=8时，各个统计量通过显著性检验。故选择滞后阶数为8。确定滞后阶数后，表2给出Granger因果检验结果：

表2 Granger因果检验的结果

从表2的结果可以看到，在10%的显著性水平下，X1（出租车需求量）和Y（打车难易度）互为Granger原因，说明二者之间是互相反映的；在第二组检验中，在10%显著性水平下，拒绝原假设X2（被抢单时间）不能一起Y（打车难易度），数据表明X2、Y互为Granger原因，二者之间是互相作用的；在第三组假设检验中，在10%的显著性水平下，拒绝原假设X3（出租车分布）不能granger引起Y（打车难易度），即出租车分布情况能解释打车难易度，而由于Y不能Granger引起X3的概率为43.83%，所以不能拒绝原假设，说明打车难易度不能解释车辆分布数量。同理，在第四组假设检验中，X4（车费）在10%的显著性水平下拒绝原假设，说明车费收入多少对打车难易度具有显著的Granger影响，但反之不成立。

Granger因果检验说明了指标X1、X2、X3、X4、的波动都能够合理反映于Y。用这四个指标说明对Y建立模型，可避免伪回归产生。

3.2.2 Panel Data模型

首先，利用计算机程序提取数据，全国10个重要城市关于打车难易度、出租车需求量、被抢单时间、出租车分布及车费的168个时间点的数据，利用Eviews软件创建Pool并运行,得到全国10个重要城市的打车难易度的个体效应模型。考虑空间特定效应的变截距模型，即让变截距的模型中的截距项作为时间恒量（截距项不随时点变化），仅随空间单元变化，我们得到了表3，不难发现时空特定效应模型的拟合优度为0.8875说明时间效应对“打车难易度”的影响很大。同时发现，空间差异对打车难易度的影响则比较明显。引入时空特定效应模型以后，R2从0.6325增至0.8875。如此高的拟合优度完全是对各截面各单元的特定效应的肯定，反映了全国10个市的打车难易度的值存在时空差异性。

表3 变截距时空模型的拟合优度

其中反映各地区打车难易度对平均打车难易度的偏离(α*)的估计结果由表4给出。

表4 各地区打车难易度对平均打车难易度偏离(α*)的估计结果

这结论说明，一线城市的出租车打车不一定就难，如上海目前的出租车供给能力“自我消化”城市打车难问题，但与此相反，北京作为一线城市，其交通网却很拥堵，而且经常出现打车难线性，这一点在苍穹数据库中也能体现。

图1 一周内不同时间段对平均打车难易度(γ*t)的偏差值

4.结论与讨论

通结合Panel Data模型的基本思想，建立时间特定效应回归模型、空间特定效应回归模型及时空特定效应回归模型，根据拟合优度得知出租车资源配置存在显著的时空差异特征，且杭州、上海打车相对容易，而“打车难”现象频繁在北京、广州、沈阳、西安、南京出现。同时，07:00-09:00、13:00-14：00及17：00-20:00时间段是到打车高峰期，且每周五、周六、周天均为打车难的日期。

［1］包希璐.南京滴滴打车满意度研究——基于顾客感知价值[J].管理观察，2015 (18).

［2］李骏.快的+滴滴:引领移动互联网成功营销的启示[J].传媒评论，2015(03).

［3］李冬新,栾洁.滴滴打车的营销策略与发展对策研究[J].青岛科技大学学报(社会科学版)，2015(01).

［4］李林,陈吉慧.我国移动支付商业模式发展趋势研究[J].商业时代，2010 (30).

［5］陈芬.打车软件撬动了什么[J].中国经济信息,2014(11).

TP319

A

2095-7327（2016）-12-0155-02

基金来源于福州市社会科学研究规划课题（课题批号为2015C03）。

肖蓬(1954.11—)，男，副教授，研究方向为应用数学。