互聯(lián)網+時代的出租車資源配置

1、“互聯(lián)網+”時代的出租車資源配置摘要本文通過搜集相關數(shù)據(jù)、建立數(shù)學模型，描述了在不同時空下影響出租車供求的各變量間的內在關系，并在此基礎上構造出合理的指標，定量分析出租車資源的“供求匹配”程度。而后，在此基礎上分析了現(xiàn)行各出租車補貼方案是否對“緩解打車難”，即提高出租車資源“供求匹配”程度有所幫助。最后，以提高早晚高峰擁堵時期的供求匹配度為出發(fā)點，提出了新的補貼政策。對于問題(1)，本文對兩個環(huán)境變量時間和地點進行了分段和分塊處理，并對其編號，既在一定程度上平滑了數(shù)據(jù)、簡化了計算，又方便在建模比較過程中控制變量。而后，用其他內部變量分別構造了需求函數(shù)和供給函數(shù)，利用多元線性回歸模型解得二者的參

2、數(shù)并進行顯著性檢驗。其中，為了將線段化的出行量點陣化，先利用Dijkstra最短路算法求得最佳出行路徑,進而求出各路段平均出行量和平均空駛率。最后，將供給函數(shù)與需求函數(shù)之差選作了衡量供求匹配程度的指標。隨機挑選了兩個不同的時段和地段進行實證分析，發(fā)現(xiàn)供求匹配程度最好的地址恰巧是，北京市海淀區(qū)玉淵潭公園附近，該地是著名休閑旅游區(qū)，供需兩旺。對于問題(2)，在研究了目前各大打車軟件常見的補貼方式，及其對供求函數(shù)的自變量產生的影響后，本文對問題（1）中的模型進行了適當改進。重新回歸并求出參數(shù)后，將不同補貼比例和數(shù)額的匹配度指標值進行比較，可以看出對司機的補貼政策確實可以提高供求匹配程度，但對乘客進行

3、數(shù)額補貼卻會使匹配程度降低。對于問題（3），本文的著眼點在于如何提高早晚高峰擁堵期間出租車的供求匹配程度。首先利用經濟學原理進行了簡單預測，而后利用改進后的供求匹配程度模型進行定量檢驗，證明了在高峰時段對司機發(fā)放額外補貼，和在軟件中增加小費功，雖無法完全抵消高峰擁堵期增加的供求差，但確實有改善作用。關鍵詞：出租車供求匹配程度 定量分析 補貼方案最短路算法 高峰擁堵一、問題重述出租車是市民出行的重要交通工具之一，“打車難”是人們關注的一個社會熱點問題。隨著“互聯(lián)網+”時代的到來，有多家公司依托移動互聯(lián)網建立了打車軟件服務平臺，實現(xiàn)了乘客與出租車司機之間的信息互通，同時推出了多種出租車的補貼方案。

4、要求建立數(shù)學模型研究如下問題： (1) 搜集相關數(shù)據(jù)并建立合理的指標，分析不同時空下出租車資源的“供求匹配”程度。 (2) 分析現(xiàn)行各公司的出租車補貼方案是否對“緩解打車難”有幫助。(3) 如果要創(chuàng)建一個新的打車軟件服務平臺，設計并論證合理的補貼方案。二、問題分析本題要求我們搜集相關數(shù)據(jù)并建立合理的指標，分析不同時空下出租車資源的“供求匹配”程度。然后，在此基礎上分析各公司的出租車補貼方案是否對“緩解打車難”，即提高出租車資源“供求匹配”程度有幫助。最后，嘗試創(chuàng)建一個新的打車軟件服務平臺，設計合理的補貼方案，并論證其合理性。因為城市出租車運營屬于公共事業(yè)，其收費標準及投放數(shù)量都是由各市政府統(tǒng)一

5、規(guī)劃的，所不同城市的出租車基礎運價和出租車保有量存在較大差異，因此在建模分析時應當具體城市具體分析。2.1問題(1)的分析問題(1)目前可收集到的數(shù)據(jù)有：9月4日0時至9月11日24時，北京市不同地點（經緯度坐標）的出租車數(shù)、打車需求量、從下單到接單所需等候的時間、車費、出行起始點及對應出行量。根據(jù)生活經驗，用時段及車費構造出租車數(shù)的函數(shù)，用時段、車費及下單到接單所需等候時間構造打車需求量的函數(shù)，利用多元線性回歸模型解得二者的參數(shù)并進行顯著性檢驗。根據(jù)出行起始點及對應出行量和北京市交通軌道圖，利用Dijkstra最短路算法1求得起始點間的最佳路徑,進而求出各路段平均出行量，得到該時段不同地點的

6、空載出租車數(shù)作為供給量。將供給函數(shù)與需求函數(shù)之差作為衡量供求匹配程度的指標。2.2問題(2)的分析問題(2)要求分析補貼方案對“緩解打車難”的作用，即在打車軟件補貼政策下，乘客打車時的供求匹配程度是否發(fā)生變化。目前，各大打車軟件最常見的補貼方式是，每完成一筆訂單，分別對乘客和司機補貼一定數(shù)額，即需求函數(shù)中的車費變量降低，供給函數(shù)中的車費變量提高。利用問題(1)中模型的變形解出匹配度指標并觀察變化情況。2.3問題(3)的分析我們在問題(2)中所分析的補貼政策是以完成的訂單數(shù)來計量的。現(xiàn)實中還存在另外一種情況，行車高峰時期的道路擁堵使得出租車司機為節(jié)約成本而放棄出車，但此時乘客對于出租車需求卻相比

7、非高峰時期有大幅度提升2。因此，為了提高高峰時段的供求匹配程度，可以考慮在高峰時段對司機發(fā)放額外補貼，或在軟件中增加小費功能。三、模型假設1. 本文以北京市為例，且只統(tǒng)計北京市主城區(qū)（116.21°E-116.56°E，39.78°N -40.02°N）內的數(shù)據(jù)。2. 假設出租車選擇最佳路徑時只會選擇城市主干道和快速路。3. 假設用城市道路的設計最大時速作為計算最短路時該路段的權，不考慮該路段內因擁堵等因素導致的速度變化。4. 假設出行量在最佳路徑上是平均分布的，所以計算出的空駛率也是各路段的平均空駛率。5.假設每天不同時段出租車的供求匹配程度都是相似的

8、，不考慮工作日與休息日的差別。4、 符號說明符號說明i時段編號，i=1,2,3,，24j地段編號，j=1,2,3,，840D打車需求量P車費W下單到接單所需等待時間YUSO出租車總量空駛率出租車供給量出行量（注：其它未提及的符號在文中說明）五、模型建立與求解5.1問題(1)的模型建立與求解問題(1)要求建立合理的指標，分析不同時空下出租車資源的“供求匹配”程度。城市中出租車的需求和供給在一天當中的不同時段是存在波動的。早晚高峰來臨時，居民整體的出行需求明顯增加，出租車作為城市交通方式其中的一種也隨之增加 3。而不同地段由于繁華程度和交通通達度等方面的不同，供給和需求函數(shù)也不盡相同。因此，我們需

9、對北京市各地段每天不同時段建立供給和需求函數(shù)，并求二者差值作為衡量供求匹配程度的指標。5.1.1對原始數(shù)據(jù)的預處理因為在原始數(shù)據(jù)中，各時段表示不同地段的經緯度坐標并不相同，所以為了固定表示地段的參數(shù)，需要將整個城區(qū)分成若干0.001°×0.001°的地段，并分別統(tǒng)計每個地段對應的各種變量值。具體方法如下： （1）其中，代表經度，代表緯度,j代表第j個地區(qū)，代表數(shù)據(jù)總行數(shù),代表區(qū)域左端，代表區(qū)域右端，為時間，為需要累加的各個變量。最終將北京市城區(qū)劃分為了840個小塊，在之后的建模過程中，我們將用地段編號j代替經緯度值表示不同地段。為使模型進一步簡化，不再考慮如工作日

10、與休息日等不同日期間的差別，將不同日期的數(shù)據(jù)按日內相同時段進行平均，建立一天內不同時段不同地點的供求匹配程度模型。5.1.2需求函數(shù)模型的建立與求解根據(jù)生活常識，打車需求量Dij與以下兩個變量相關：1) 下單到接單所需等待時間Wij。該相關性有兩種可能的解釋：一方面，等待時間短，說明此時在該區(qū)域附近供大于求，即需求相對較少，二者可能是正相關關系；另一方面，等待時間過長可能會使乘客放棄打車，導致需求下降，二者此時就是負相關關系。2) 車費Pij。根據(jù)經濟學原理，價格與需求一般成負相關關系。據(jù)此建立多元線性回歸模型：（2）以9點（i=9）為例，估計得，擬合優(yōu)度較差；,顯著水平較高；p，回歸模型成立

11、，且絕大多數(shù)殘差處于置信區(qū)間之內（如圖1），1=12.30。圖1 殘差圖同理估計得其他時段的多元線性回歸模型，參數(shù)見表1。表1 不同時段需求的多元線性回歸函數(shù)參數(shù)表5.1.3供給函數(shù)模型的建立與求解同樣依據(jù)生活經驗，出租車數(shù)量Yij該地車費Pij相關，據(jù)此建立出租車數(shù)量的多元線性回歸模型：（3）估計得不同時段出租車數(shù)量多元線性回歸函數(shù)，參數(shù)見表2表2 不同時段出租車數(shù)量的多元線性回歸函數(shù)參數(shù)表因為出租車供給量S空駛率U×出租車數(shù)量Y，所以：（4）其中，Uij為某地區(qū)七天內的平均空駛率。為求得Uij的具體數(shù)值，需首先求出人們在不同路段上的平均出行量Oij,即出現(xiàn)在該路段的載客出租車數(shù)量

12、，則：（5）用經緯度坐標系與北京市區(qū)快速路與主干路系統(tǒng)規(guī)劃圖4抽象出一張賦權有向圖，基本包含北京市的主要快速路和主干道，其中不同路段的權重為通過該路段的最大限速。具體權重數(shù)據(jù)和可選路徑見表3和圖2.表3北京市主要道路最大限速及其在圖1中代號一覽表圖2基于北京市實際交通情況構建的賦權有向圖根據(jù)某一組出行起始點的經緯度坐標，在圖中確定乘車點和落客點，利用Dijkstra最短路算法1，解出當?shù)暮妥畲髸r的最短路。假設在所有路段上，出行量都是平均分布的，將不同出行軌跡上的出行量累加后求平均，可得圖3。圖3北京市不同路段平均出行量Oij分布圖根據(jù)公式（5）即可得出平均空載率Uij,進而解得供給函數(shù)參數(shù)表表

13、4 不同時段供給的多元線性回歸函數(shù)參數(shù)表5.1.4構造供求匹配程度指標用供給函數(shù)與需求函數(shù)的差值來構造供求匹配程度指標k，即： （6）kij函數(shù)的參數(shù)見表5。表5不同時段kij函數(shù)的參數(shù)表計算得到的kij的值越趨近于0，該地區(qū)供求匹配程度越好；越偏離0，該地區(qū)供求匹配程度越差。我們可以用表6來舉例說明：表6 j i 813178-5.74194-11.341282-6.99077-7.04461通過比較可知，表中供求匹配程度最好的點是i=8,j=178.該點的實際位置是海淀區(qū)玉淵潭公園附近，是著名的旅游度假區(qū)。5.2問題(2)的解答問題(2)要求分析補貼方案對“緩解打車難”的作用，即在打車軟件

14、補貼政策下，乘客打車時的供求匹配程度是否發(fā)生變化。目前，各大打車軟件最常見的補貼方式是，每完成一筆訂單，分別對乘客和司機給予一定數(shù)額或比例的補貼。5.2.1給予一定比例補貼對供求匹配程度的影響假設，現(xiàn)在打車軟件給予乘客m的折扣，給予司機n的補貼，則公式（2）和公式（3）會被改寫成（2.1）（3.1）在其他條件都不變的情況下，重新估計Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)表，參見支撐文件“補貼比例改變對參數(shù)的影響.Xls”此時，當我們固定比例分別為0%,20%,40%時，對某一區(qū)塊，某一時間的k值影響如下表7。表7觀察可知，當對乘客折扣率越大，對司機補貼率越大，供求匹配程度越好。5.2.2

15、給予一定數(shù)額補貼對供求匹配程度的影響假設，現(xiàn)在打車軟件給予乘客c元的折扣，給予司機d元的補貼，則公式（2）和公式（3）會被改寫成（2.2）（3.2）在其他條件都不變的情況下，重新估計Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)，參見支撐材料“定額補貼對參數(shù)的影響.xls”此時，當我們對司機和乘客的補貼額分別為0元、5元、10元時，對某一區(qū)塊，某一時間的k值影響如下表8。表8觀察可知，給予乘客的補貼越多，匹配程度越差；給予司機的補貼越多，匹配程度越差。5.3問題(3)的解答我們在問題(2)中所分析的補貼政策是以完成的訂單數(shù)來計量的?，F(xiàn)實中還存在另外一種情況，行車高峰時期的道路擁堵使得出租車司機為

16、節(jié)約成本而放棄出車，但此時乘客對于出租車需求卻相比非高峰時期有大幅度提升2。因此，為了提高高峰時段的供求匹配程度，可以考慮在高峰時段對司機發(fā)放補貼，同時在軟件中增加小費功能。高峰時段對司機發(fā)放補貼增加小費功能對供求匹配程度的影響北京市的早晚高峰高峰時間為：07：0009：00、17：0019：00，即當i=8、9、18、19時，司機會拿到補貼。假設，高峰期司機每接一單，可拿到c元補貼，乘客會支付小費d元，則公式（2）和公式（3）會被改寫成（2.3）（3.3）在其他條件都不變的情況下，重新估計Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)，參見支撐材料“高峰時補貼參數(shù)變化.xls”此時，當我們固定

17、補貼和小費分別為0元、5元、10元時，對某一區(qū)塊，某一時間的k值影響如下表9。表9 觀察可知，小費和補貼的增大，雖無法完全抵消高峰擁堵期增加的供求差，但從k值的增長速度并非十分迅速來看，該補貼政策確實有改善作用。七、模型評價模型的優(yōu)點：1. 本文創(chuàng)造性地利用地段編號替代繁瑣的經緯度數(shù)據(jù)來描述地點的變化，既簡化了模型，又在一定程度上起到了平滑數(shù)據(jù)的作用；2. 本文利用Dijkstra最短路算法求解最佳路徑得到各路段平均出行量，達到了微觀宏觀與宏觀兼顧的效果。3. 成功將所有可用數(shù)據(jù)都用作了模型的變量，考慮較為全面。模型的缺點：1. 本文假設條件具有一定的局限性，空間上只選取了北京市和城市主干路及

18、快速路，在時間上忽略了不同日期供求匹配程度的差異性。在一定程度上不具有普遍適用性。2，模型未考慮其他交通工具，如地鐵等對出租車市場產生的擠出效應。八、模型推廣本文對兩個環(huán)境變量時間和地點進行了分段和分塊處理，并對其編號，既在一定程度上平滑了數(shù)據(jù)、簡化了計算，又方便在建模比較過程中控制變量。該方法在研究不同時空下的多元函數(shù)模型的性質時具有一定的普遍適用性。參考文獻1 運籌學教材編寫組，運籌學（第三版）M，北京：清華大學出版社，2005.6，262-264頁。2 王一帆, 基于打車軟件的出租車服務模式優(yōu)化研究D，上海：上海交通大學安泰經濟與管理學院，2014，第1頁。3 王一帆, 基于打車軟件的出

19、租車服務模式優(yōu)化研究D，上海：上海交通大學安泰經濟與管理學院，2014，第24頁。4 新浪網，北京市區(qū)快速路與主干路系統(tǒng)規(guī)劃圖，201。附錄程序所用軟件：MATLAB程序1：北京車輛統(tǒng)計繪圖clc;clear;load 'bj_car_0411.mat'car=bj01,bj02,bj03,bj04,bj05,bj06,bj07;ss(1:24,1:840)=0;q=length(car);for q=1:7%數(shù)據(jù)天數(shù)obj=carq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(

20、i,2)<116.21 | obj(i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內）obj(i,:)=0;endendobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) &

21、& obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標需大于0，進行處理 %計算分塊計車數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24);for tim

22、e=1:24sx=ss(time,:);c=reshape(sx,35,24);fori=1:35for j=1:24x(i*35+j)=i;y(i*35+j)=j;z(i*35+j)=c(i,j); endendX,Y,Z=griddata(x,y,z,linspace(1,35)',linspace(1,24),'v4');%插值set(0,'DefaultFigureVisible', 'on');figure,surf(X,Y,Z);axis(0,35,0,24,0,300)title('分塊插值后不同地點車輛數(shù)隨時間變動

23、情況');xlabel('經度分塊');ylabel('緯度分塊');zlabel('車輛數(shù)');M(:,time)=getframe; endmovie(M,1,1)%movie2avi(M,'filename.avi','fps',1)程序2：北京車費數(shù)據(jù)處理繪圖per=0.4241;m=0;n=0;%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(t

24、ime,:);fee=(1-m/100)*avfee(time,:);x=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(time,1:3)=b(1:3,1);%c(time,4)=stats(4);endfor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:).*per;wait=

25、avwait(time,:);fee=(1+n/100)*avfee(time,:);x=ones(840,1) fee' ;b,bint,r,rint,stats=regress(car',x); %rcoplot(r,rint);set(gca,'Color','w'); c2(time,1:2)=b(1:2,1);%c(time,4)=stats(4);endc(:,1)=c1(:,1)-c2(:,1);c(:,2)=c1(:,2)-c2(:,2);c(:,3)=c1(:,3)clc;clear;load 'bj_fee_0611.

26、mat'fee=bj01,bj02,bj03,bj04,bj05,bj06;ss(1:24,1:840)=0;q=length(fee);for q=1:length(fee)%數(shù)據(jù)天數(shù)obj=feeq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內）obj(i,:)=0;endendfori=1:column

27、obj(i,1)=0;obj(i,1)=fix(i/(column/23.99);endobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) &

28、;& obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標需大于0，進行處理 %計算分塊計數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35,24);surf(c);M(:,i)=ge

29、tframe; endmovie(M,1,0.5) %播放畫面1次程序三：北京需求量數(shù)據(jù)處理繪圖clc;clear;load 'bj_car_0411.mat'need=bj01,bj02,bj03,bj04,bj05,bj06,bj07;ss(1:24,1:840)=0;q=length(need);for q=1:7%數(shù)據(jù)天數(shù)obj=needq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(i,2)>116.56 | obj(i,

30、3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內）obj(i,:)=0;endendobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(

31、i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,5);%下標需大于0，進行處理 %計算分塊計車數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35

32、,24);surf(c);M(:,i)=getframe; endmovie(M,1,0.5) %播放畫面1次程序四：北京等待時間數(shù)據(jù)處理clc;clear;load 'bj_wait_0711.mat'wait=bj01,bj02,bj03,bj04,bj05;ss(1:24,1:840)=0;q=length(wait);for q=1:length(wait)%數(shù)據(jù)天數(shù)obj=waitq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(

33、i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內）obj(i,:)=0;endendfori=1:columnobj(i,1)=0;obj(i,1)=fix(i/(column/23.99);endobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:co

34、lumn% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標需大于0，進行處理 %計算分塊計數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,

35、j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35,24);surf(c);M(:,i)=getframe; endmovie(M,1,0.5) %播放畫面1次程序五：對司機和乘客定比例補貼分析per=0.4241;d%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(time,:);fee=(1-m/100)*avfee(time,:)

36、;x=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(time,1:3)=b(1:3,1);%c(time,4)=stats(4);endfor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:).*per;wait=avwait(time,:);fee=(1+n/100)*avfee

37、(time,:);x=ones(840,1) fee' ;b,bint,r,rint,stats=regress(car',x); %rcoplot(r,rint);set(gca,'Color','w'); c2(time,1:2)=b(1:2,1);%c(time,4)=stats(4);endc(:,1)=c1(:,1)-c2(:,1);c(:,2)=c1(:,2)-c2(:,2);c(:,3)=c1(:,3)程序六：固定額度補貼乘客司機分析per=0.4241;d=0;c=0;%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(time,:);column,row = size(avfee);fori=1:columnfor j=1:columnfee(i,j)=avfee(1,j)-d;endendx=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(t