چکیده

در چین، صنعت تاکسیرانی سنتی مطابق با روند زمانه است و رانندگان تاکسی با برنامه‌های e-hailing کار می‌کنند. این اصلاحات نه تنها برای صنعت تاکسیرانی، بلکه برای صنعت حمل و نقل، شهرها و جامعه در کل اهمیت زیادی دارد. هدف ما تجزیه و تحلیل تغییرات در رفتار رانندگی از زمان پیوستن رانندگان تاکسی به پلت فرم های e-hailing بود. بنابراین، این مقاله داده‌های مسیر تاکسی را از شانگهای استخراج کرد و داده‌های می 2015 را با داده‌های می 2017 مقایسه کرد تا به ترتیب مرحله قبل از برنامه و مرحله استفاده کامل را نشان دهد. با استخراج رویدادهای دو سفره (به عنوان مثال، سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه (به عنوان مثال، نقطه تحویل و رها کردن)، تغییرات رفتار رانندگی تاکسی به صورت زمانی، مکانی و کارآمد تجزیه و تحلیل شد. نتایج نشان می‌دهد که برنامه‌های تگرگ الکترونیکی، سواری‌های طولانی‌تر و مکان‌های جدید وانت را برای رانندگان استخراج می‌کنند. علاوه بر این، ابتکار راننده در شب از زمان استفاده از برنامه های کاربردی e-hailing افزایش یافته است. علاوه بر این، تسهیلات پرداخت تلفن همراه باعث صرفه جویی در زمان می شود که در غیر این صورت برای مرتب سازی تغییرات صرف می شود. اگرچه اپلیکیشن‌های e-hailing می‌توانند به شهروندان کمک کنند تا سریع‌تر تاکسی را دریافت کنند، اما از دیدگاه راننده، این اپلیکیشن‌ها زمان سفر آنها را کاهش نمی‌دهند. به طور کلی نرم افزارهای e-hailing نسبت خالی تاکسی ها را کاهش می دهد و نسبت عملکرد را بهبود می بخشد. در نهایت، رفتارهای جدید رانندگی می تواند درآمد راننده را افزایش دهد. این کار برای تدوین قوانین راهنمایی و رانندگی معقول و برای تصمیم گیری ترافیک شهری معنادار است. ابتکار راننده در شب از زمان استفاده از برنامه های کاربردی e-hailing افزایش یافته است. علاوه بر این، تسهیلات پرداخت تلفن همراه باعث صرفه جویی در زمان می شود که در غیر این صورت برای مرتب سازی تغییرات صرف می شود. اگرچه اپلیکیشن‌های e-hailing می‌توانند به شهروندان کمک کنند تا سریع‌تر تاکسی را دریافت کنند، اما از دیدگاه راننده، این اپلیکیشن‌ها زمان سفر آنها را کاهش نمی‌دهند. به طور کلی نرم افزارهای e-hailing نسبت خالی تاکسی ها را کاهش می دهد و نسبت عملکرد را بهبود می بخشد. در نهایت، رفتارهای جدید رانندگی می تواند درآمد راننده را افزایش دهد. این کار برای تدوین قوانین راهنمایی و رانندگی معقول و برای تصمیم گیری ترافیک شهری معنادار است. ابتکار راننده در شب از زمان استفاده از برنامه های کاربردی e-hailing افزایش یافته است. علاوه بر این، تسهیلات پرداخت تلفن همراه باعث صرفه جویی در زمان می شود که در غیر این صورت برای مرتب سازی تغییرات صرف می شود. اگرچه اپلیکیشن‌های e-hailing می‌توانند به شهروندان کمک کنند تا سریع‌تر تاکسی را دریافت کنند، اما از دیدگاه راننده، این اپلیکیشن‌ها زمان سفر آنها را کاهش نمی‌دهند. به طور کلی نرم افزارهای e-hailing نسبت خالی تاکسی ها را کاهش می دهد و نسبت عملکرد را بهبود می بخشد. در نهایت، رفتارهای جدید رانندگی می تواند درآمد راننده را افزایش دهد. این کار برای تدوین قوانین راهنمایی و رانندگی معقول و برای تصمیم گیری ترافیک شهری معنادار است. برنامه ها زمان سفر خود را کاهش نمی دهند. به طور کلی نرم افزارهای e-hailing نسبت خالی تاکسی ها را کاهش می دهد و نسبت عملکرد را بهبود می بخشد. در نهایت، رفتارهای جدید رانندگی می تواند درآمد راننده را افزایش دهد. این کار برای تدوین قوانین راهنمایی و رانندگی معقول و برای تصمیم گیری ترافیک شهری معنادار است. برنامه ها زمان سفر خود را کاهش نمی دهند. به طور کلی نرم افزارهای e-hailing نسبت خالی تاکسی ها را کاهش می دهد و نسبت عملکرد را بهبود می بخشد. در نهایت، رفتارهای جدید رانندگی می تواند درآمد راننده را افزایش دهد. این کار برای تدوین قوانین راهنمایی و رانندگی معقول و برای تصمیم گیری ترافیک شهری معنادار است.

کلید واژه ها:

خدمات سواری الکترونیکی (ERS) ; کار بر اساس تقاضا ؛ رفتار رانندگی تاکسی ; سیاست ؛ الگوی تحرک

1. مقدمه

خدمات منبع سواری، به عنوان بخشی ضروری از اشتراک گذاری تلفن همراه، تغییرات قابل توجهی را در نحوه سفر افراد ایجاد کرده است. خدمات منبع یابی سواری شامل خدمات e-hailing (ERS) است که خدمات درخواستی است که مالکان خودروهای شخصی و مسافران را از طریق تلفن های هوشمند به یکدیگر متصل می کند. از آنجایی که ride-source خدمات باکیفیت برای مسافران فراهم می کند، عموم مردم از آن استفاده می کنند. با این حال، با گسترش سریع نرم افزار حمل و نقل الکترونیکی، صنعت تاکسیرانی متحمل زیان های سنگینی شده است [ 1 ، 2 ، 3 ]، از نظر سهم بازار، درآمد و نیروی کار [ 4 ].
راحتی اپلیکیشن‌های e-hailing را می‌توان در هر جنبه‌ای از سفر مشاهده کرد، از جمله برنامه‌ریزی سفر، تگرگ و انتظار تاکسی، رسیدن به مقصد، پرداخت و بازخورد (عمدتاً ارزیابی یک سرویس). فناوری اینترنت پیشرفته برنامه‌های e-hailing از کیفیت خدمات از جمله قابلیت اطمینان سفر، امنیت، دسترسی و پاسخگویی پشتیبانی می‌کند. قبل از شروع یک سفر، برنامه‌ها می‌توانند قیمت سفر و زمان انتظار را پیش‌بینی کنند تا عدم قطعیت سفر [ 5 ] را کاهش دهند، به‌ویژه برای افرادی که حالت‌های مختلف سفر دارند و باید به موقع در جایی حاضر شوند. علاوه بر این، این برنامه‌ها می‌توانند ایمنی سفر را افزایش دهند، زیرا برنامه‌ریزی مسیر و داده‌های موقعیت مکانی را در زمان واقعی ارائه می‌کنند تا مسافر احساس امنیت بیشتری کند [ 6 ]]. علاوه بر این، گرفتن تاکسی به دلیل الگوریتم تطبیق می تواند راحت تر باشد. به عنوان مثال، مسافران می توانند در هر جایی که هستند درخواست خودرو بدهند. رانندگان با سواران مجاور تطبیق داده می شوند [ 7 ]. هنگام رسیدن به مقصد، مسافر به جای پول نقد، کرایه را از طریق یک پرداخت الکترونیکی مانند کارت اعتباری پرداخت می کند [ 8 ]. در نهایت، مکانیسم پاسخگویی بهبود یافته است تا مسافران بتوانند مستقیماً در برنامه به رانندگان امتیاز دهند [ 9 ]. رانندگانی که خدمات ضعیف ارائه می دهند، امتیازات پایینی دریافت می کنند، که می تواند بر احتمال دریافت درخواست های آینده تأثیر بگذارد.
در مورد صنعت تاکسیرانی: اگر رانندگان تاکسی با اپلیکیشن های e-hailing کار کنند، می توان توسعه مثبت صنعت تاکسیرانی سنتی را ارتقا داد.
در 1 ژوئن 2015، پلتفرم خدمات اطلاعات تاکسی شانگهای (STISP، که از این پس “پلتفرم” نامیده می شود) به طور رسمی با مشارکت مشترک کمیسیون حمل و نقل شانگهای، چهار شرکت بزرگ تاکسی شانگهای و “DiDi” راه اندازی شد. (DiDi یک شرکت شبکه حمل و نقل چینی است که خدمات حمل و نقل الکترونیکی را ارائه می دهد و تقریباً 99٪ از بازار را از سپتامبر 2015 در اختیار دارد). این اولین باری است که یک اپلیکیشن حمل خودرو رسما با مقامات همکاری می کند و درهای بین بخش های کنترل ترافیک محلی و بزرگترین شرکت تاکسی اینترنتی چین را نشان می دهد. از زمان راه اندازی این پلتفرم، صنعت تاکسی در حال حاضر این فناوری را با DiDi به اشتراک می گذارد. بنابراین، ما تعجب می کنیم، چه اتفاقی برای رانندگان تاکسی با استفاده از آخرین فناوری می افتد؟ این تغییرات چگونه بر رانندگان تأثیر می گذارد؟ آیا این فناوری در نهایت می تواند مزایای بیشتری برای رانندگان به همراه داشته باشد؟
برای بررسی پاسخ به این سؤالات، این مقاله داده های مسیر مه 2015 را با داده های می 2017 بر اساس دو مرحله رانندگان تاکسی در شانگهای، یعنی مرحله قبل از برنامه و مرحله استفاده کامل، مقایسه کرد. رویدادهای دو سفره (یعنی سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه ای (یعنی نقطه تحویل و نقطه سقوط) را از داده های مسیر استخراج کردیم و سپس تغییرات مکانی و زمانی و کارایی را تجزیه و تحلیل کردیم. این مطالعه پایه و پیشنهاداتی را برای ارتقای همکاری بین صنعت تاکسیرانی و شرکت‌های شبکه حمل و نقل (TNCs) ارائه می‌کند که به توسعه سالم حمل‌ونقل نوآورانه کمک می‌کند.
بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 به طور خلاصه مطالعات مرتبط را مرور می کند و بخش 3 داده ها و پیش پردازش را شرح می دهد. بخش 4 تغییرات مکانی و زمانی در رفتار رانندگی تاکسی را تجزیه و تحلیل می کند و کارایی عملیاتی و درآمد را مقایسه می کند. بخش 5 یافته ها را تجزیه و تحلیل می کند و بحث را ارائه می دهد. در نهایت، یافته های این مقاله در بخش آخر خلاصه می شود.

2. آثار مرتبط

داده های شناور خودرو (FCD) به طور گسترده ای برای تجزیه و تحلیل رفتار رانندگان تاکسی استفاده شده است. لیو و همکاران [ 10 و 11 ] با مشاهده رفتارهای رانندگی مکانی-زمانی تلاش کرد تا الگوهای عملکرد تاکسی و همچنین الگوهای تحرک رانندگان با درآمد بالا را تشخیص دهد. لی و همکاران [ 12 ] مبدا و مقاصد سفرهای دریایی را کاوش کرد و راهبردهای مسافر یابی رانندگان را کشف کرد. بر اساس تجزیه و تحلیل FCD، با 33000 تاکسی، یوان و همکاران. [ 13 ] یک سیستم توصیه ای برای رانندگان تاکسی ارائه کرد تا مسافرانی را با سریعترین مسیر در زمان و مکان معین انتخاب کنند. در مطالعه ای مشابه، یوان و همکاران. [ 14] الگوهای تحرک رفتارهای سوار و پیاده کردن را استخراج کرد و یک سیستم توصیه برای رانندگان و مسافران با 12000 تاکسی در 110 روز توسعه داد. علاوه بر این، برخی تحقیقات با هدف بهبود سود رانندگان تاکسی انجام شده است. دینگ و همکاران [ 15 ] نقاط ثابت و سفرهای دریایی را بین گروه‌های رانندگان با درآمد بالا و پایین با استفاده از FCD با 2000 تاکسی به مدت 47 روز در شانگهای چین مقایسه کرد. ناجی و همکاران [ 16 ] رانندگان تاکسی را بر اساس میانگین درآمد روزانه به سه گروه طبقه بندی کرد، رابطه بین رفتار عملیاتی مکانی-زمانی با سود آنها را آشکار کرد و بهبودهایی را برای درآمد و کارایی پیشنهاد کرد. گائو و همکاران [ 17] تلاش کرد تا درآمدها را در مکان‌های مختلف پیک آپ بررسی کند و سعی کرد استراتژی‌های با درآمد بالا را برای رانندگان تاکسی تعیین کند. علاوه بر این، روش های تجسم نیز برای درک عملکرد تاکسی استفاده شده است. پاول و همکاران [ 18 ] یک نقشه سود مکانی-زمانی را تجسم کرد تا رانندگان را در کاهش نرخ اشغال نشده و زمان سفر برای افزایش سود راهنمایی کند. شن و همکاران [ 19 ] نقاط داغ را بر اساس FCD با تاریخ کوتاه تجزیه و تحلیل و تجسم کرد تا به رانندگان تاکسی های کروز کمک کند تا مسافران بالقوه را پیدا کنند.
از آنجایی که منبع سواری تنها در سال‌های اخیر پدیدار شده است و داده‌های شرکت‌های TNC خصوصی هستند، تحقیقات مربوطه در مورد تجزیه و تحلیل تأثیر برنامه‌های e-hailing در بازار تاکسی سنتی نسبتاً محدود است. لنگ و همکاران [ 20 ] داده های سفر 37 روزه بیش از 9000 تاکسی را برای رسیدگی به تأثیر جنگ یارانه ها در پکن بر خدمات تاکسی جمع آوری کرد. Nie [ 21 ] با استفاده از داده‌های مسیر تاکسی شنژن از سال 2013 تا 2015، تأثیر جنگ یارانه‌ها را بر صنعت تاکسی را بررسی کرد و مزایا و معایب برنامه‌های e-hailing و تاکسی‌های سنتی را در مقایسه با یکدیگر در رانندگی فضایی و زمانی بررسی کرد. رفتار – اخلاق. به طور مشابه، فانگ و همکاران. [ 22] بر روی تغییرات تاکسی ها تحت یک جنگ یارانه ای برنامه های الکترونیکی در مناطق عملیاتی، بر اساس FCD از 9648 تاکسی در شنژن، چین متمرکز شد. با این حال، مطالعات کمی روی تغییرات رانندگان تاکسی قبل و بعد از شروع کار با اپلیکیشن‌های e-hailing متمرکز شده‌اند. یه و همکاران [ 23 ، 24 ، 25 ] تحقیقات نسبی را از منظر عرضه و تقاضا برای خدمات تاکسی بر اساس داده های مسیر تاکسی در شانگهای در سال های 2012، 2015 و 2016 برای هر هفته انجام دادند و تغییرات سفارشات تاکسی را پس از توسعه e تجزیه و تحلیل کردند. برنامه های استقبال کننده
برخلاف مطالعات قبلی، ما از دو مجموعه داده از مسیرهای تاکسی با مدت زمان یک ماه در دو سال (2015 و 2017) استفاده کردیم تا تأثیر برنامه‌های e-hailing بر عملیات تاکسی را تعیین کنیم. دو مجموعه داده از یک ماه در دو سال (یعنی ماه مه) انتخاب شدند تا تأثیر تغییرات فصلی در صنعت تاکسی را رد کنند. خاطرنشان می‌کنیم که سال 2016 یک سال گذار بود، زیرا اپلیکیشن‌های e-hailing به طور گسترده در بازار تاکسی‌ها به کار گرفته شدند. بنابراین، انتخاب مجموعه‌های داده در سال‌های 2015 و 2017 داده‌ها را قابل مقایسه‌تر کرد. هدف ما تجزیه و تحلیل تغییرات در رفتار رانندگی تاکسی پس از پیوستن رانندگان تاکسی به پلت فرم های e-hailing بود. بنابراین، این مقاله رویدادهای دو سفره (یعنی سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه ای (یعنی نقطه سوار شدن و خروج) را استخراج و رفتار رانندگی تاکسی را تحلیل کرد (یعنی، مسافت اشغال شده، مدت زمان اشغال نشده، مکان دریافت، مدت پرداخت، جریان ترافیک، نسبت اشغال نشده، نسبت عملیاتی و درآمد) به صورت زمانی، مکانی و کارآمد تغییر می کند. تا آنجا که ما می دانیم، تا به امروز، توجه کمی به بررسی تأثیر برنامه های e-hailing بر کار رانندگان تاکسی شده است. این تحقیق سعی دارد به سوالات زیر پاسخ دهد: (1) برنامه های e-hailing چه تغییراتی می توانند برای رانندگان تاکسی ایجاد کنند؟ (2) این تغییرات چگونه بر رانندگان تأثیر می گذارد؟ (3) آیا این برنامه ها در نهایت می توانند مزایای بیشتری برای رانندگان به ارمغان بیاورند؟ توجه اندکی به بررسی تأثیر برنامه های تگرگ الکترونیکی بر کار رانندگان تاکسی شده است. این تحقیق سعی دارد به سوالات زیر پاسخ دهد: (1) برنامه های e-hailing چه تغییراتی می توانند برای رانندگان تاکسی ایجاد کنند؟ (2) این تغییرات چگونه بر رانندگان تأثیر می گذارد؟ (3) آیا این برنامه ها در نهایت می توانند مزایای بیشتری برای رانندگان به ارمغان بیاورند؟ توجه اندکی به بررسی تأثیر برنامه های تگرگ الکترونیکی بر کار رانندگان تاکسی شده است. این تحقیق سعی دارد به سوالات زیر پاسخ دهد: (1) برنامه های e-hailing چه تغییراتی می توانند برای رانندگان تاکسی ایجاد کنند؟ (2) این تغییرات چگونه بر رانندگان تأثیر می گذارد؟ (3) آیا این برنامه ها در نهایت می توانند مزایای بیشتری برای رانندگان به ارمغان بیاورند؟

3. مجموعه داده و پیش پردازش

3.1. مجموعه داده های مطالعه

از آنجایی که تمرکز ما بر بررسی تأثیر برنامه های تگرگ الکترونیکی بر رانندگان تاکسی بود، لازم بود ابتدا رویدادهای مهمی که منجر به همکاری شرکت های TNC با صنعت تاکسیرانی در شهر شانگهای شد، مرور شود. در 1 ژوئن 2015، پلت فرم خدمات اطلاعات تاکسی شانگهای به طور رسمی راه اندازی شد. این پلت فرم مرکز اعزام تاکسی محلی را با DiDi متصل می کند. در سپتامبر 2015، DiDi به طور رسمی با Shanghai Seagull Holdings Co., Ltd. برای راه اندازی خدمات تاکسی شانگهای Seagull شریک شد. در آوریل 2016، DiDi قراردادی با Haibo Rentals در شانگهای برای ایجاد همکاری استراتژیک امضا کرد. علاوه بر این، DiDi یک فرآیند رقابتی شدید را تجربه کرد. در 14 فوریه 2015، DiDi یک ادغام استراتژیک با Fast Taxi را اعلام کرد. در 1 آگوست 2016، Uber در چین با DiDi ادغام شد. در 21 مارس 2018، Meituan رسما رقابت جدیدی را با DiDi در شانگهای راه اندازی کرد که در ابتدا در نانجینگ توسعه داده شد. در ترکیب با سابقه همکاری DiDi با دولت، و رویدادهای DiDi که سایر رقبای قدرتمند را بلعید، می‌توان دو نکته را استنباط کرد: (1) سال 2016 یک سال گذار بود، با برنامه‌های e-hailing که به طور گسترده در بازار تاکسی‌ها به کار گرفته شدند. (2) از جنگ یارانه برنامه های الکترونیکی در می 2015 و مه 2017 اجتناب شد.
این مطالعه بر اساس دو نوع مجموعه داده انجام شد. اولین مجموعه داده، مسیرهای تاکسی بود که دو دوره می 2015 و مه 2017 را پوشش می داد، که نشان دهنده مراحل قبل از برنامه و استفاده کامل در شانگهای است. ما همان ماه را برای حذف اثرات فصلی انتخاب کردیم. از اتفاقاتی که در بالا توضیح داده شد، می توان دریافت که این دو دوره از تأثیر جنگ یارانه ها جلوگیری کردند. علاوه بر این، مجموعه داده مسیر ما در دو سال مختلف توسط یک شرکت ارائه شده است تا از تجربیات رانندگی مشابه در دو دوره اطمینان حاصل شود. با فرض بالا، پلت فرم باعث تغییراتی در رفتارهای رانندگی شد. فرکانس نمونه برداری GPS از مجموعه داده 10 ثانیه بود. مجموعه داده حدود 5000 تاکسی را در هر یک از دو دوره پوشش می دهد (بیش از 11٪ از کل تاکسی های ثبت شده در شانگهای) و 10 ویژگی را ثبت می کند، به عنوان مثال، تاریخ، زمان، نام شرکت، شناسه خودرو، طول جغرافیایی، عرض جغرافیایی، سرعت، جهت، وضعیت خودرو، و اثربخشی GPS (توضیح دهید که آیا نقطه نمونه برداری موثر است یا خیر). مجموعه داده دوم نقشه تقسیم اداری شانگهای و داده های شبکه جاده است. داده های شبکه راه شامل اطلاعات مکانی (لایه چند خطی جاده) و اطلاعات ویژگی (نام راه، شماره شناسه، عرض و طول و غیره) است.

3.2. پیش پردازش

منطقه مورد مطالعه منطقه شانگهای (به استثنای جزیره چونگمینگ) بود. مراحل پیش پردازش داده برای FCD به شرح زیر بود: (1) حذف رکوردهای پیش فرض، نقاط رانش و داده های خطا. (2) تبدیل طول و عرض جغرافیایی به سیستم مختصات پیش بینی شده، و سپس محاسبه فاصله و اختلاف زمانی رکوردهای مجاور (به وضوح، اختلاف زمانی 10 ثانیه بود، همان وضوح زمانی مجموعه داده، در حالی که اختلاف فاصله اقلیدسی است. فاصله بر اساس مختصات پیش بینی شده از نقاط نمونه برداری مجاور)؛ (3) بازسازی سفرهای اشغال شده و خالی با برش توالی با همان “وضعیت خودرو” و تخمین مسافت و مدت زمان جداگانه (فاصله سفر، فاصله اقلیدسی تجمعی نقطه نمونه گیری مجاور بود)،26 ]) (4) تطبیق سفرهای اشغال شده و غیرمسکونی، تمیز کردن مجدد، و سپس تقسیم FCD به رویدادهای دو سفره (یعنی سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه ای (یعنی نقطه تحویل و نقطه سقوط)، همانطور که در جدول 1 توضیح داده شده است. درک اینکه مبدأ یک سفر اشغالی و نقطه تحویل در یک مکان هستند و مکان مبدا یک سفر خالی مطابق با نقطه تخلیه است، دشوار نیست. (5) انتخاب تصادفی 5000 تاکسی از هر یک از دو دوره. این فرآیند انتخاب تصادفی با هدف اطمینان از یکسان بودن تعداد خودروهای نمونه برداری در هر دو طرف انجام شد.
شکل 1شاخص های مورد استفاده برای تجزیه و تحلیل را نشان می دهد. بسته به وضعیت یک تاکسی، مسیر به اشغال شده، یعنی با مسافر (O) و غیر اشغال، یعنی بدون مسافر (N) تقسیم می شد. بدیهی است که رفتار رانندگی اولی می تواند مستقیماً بر درآمد راننده تأثیر بگذارد. وقتی تاکسی خالی بود، آن را یا به دنبال مسافر بعدی می‌گشتیم یا در حال استراحت. رانندگان اغلب انتظار دارند مشتریان جدید را سریعتر پیدا کنند و زمان بیشتری را صرف سفارشات برای افزایش درآمد می کنند. در مورد رویدادهای دو نقطه‌ای، مبدأ و مقصد سفر با رویداد نقطه تحویل (P) و رویداد نقطه سقوط (D) مطابقت دارد. اگر وضعیت تاکسی از N به O تغییر کند، به عنوان نقطه وانت طبقه بندی می شود. در غیر این صورت، به عنوان یک نقطه سقوط تعیین شد. توزیع نقاط وانت عمدتاً تحت تأثیر تقاضا است.
تگرگ الکترونیکی یک سرویس درخواستی است که بر رانندگان تاکسی تأثیر می گذارد و منعکس کننده توزیع ظرفیت حمل و نقل شهری است. هنگامی که به مقصدی می رسید، پرداخت های نقدی سنتی می تواند زمان زیادی را برای راننده تلف کند. این یک حدس منطقی است که رانندگان تاکسی می توانند از یک تسهیلات پرداخت آنلاین کمک بگیرند و بازده کاری خود را از طریق این پلت فرم بهبود بخشند. علاوه بر این، با توجه به جریان ترافیک، می‌توان نقاط وانت و جابه‌جایی را نیز در نظر گرفت. نقاط تحویل و رهاسازی به عنوان مبدا-مقصد سفر (OD) نامیده می شود.
در مرحله بعد، این مطالعه الگوهای مکانی و زمانی رویدادهای دو سفری و رویدادهای دو نقطه ای را، همانطور که در شکل 1 نشان داده شده است، تجزیه و تحلیل کرد . علاوه بر این، ما دو رویداد فرعی سفرهای غیر اشغالی، یعنی کروز (C) و استراحت طولانی (B) را در نظر گرفتیم. کروز به حرکت تاکسی بدون مسافر اشاره دارد، در حالی که یک استراحت طولانی به معنای خالی بودن بیش از یک ساعت است. در نهایت، کارایی را از نسبت اشغال نشده، نسبت عملیاتی و درآمد محاسبه کردیم.

4. الگوهای مکانی و زمانی رفتار رانندگی

در این بخش، ما رفتار رانندگی را به رویدادهای دو سفری (یعنی سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه ای (یعنی نقطه تحویل و رها کردن) تقسیم کردیم. علاوه بر این، رویدادهای سفر غیر اشغالی بیشتر به دو رویداد فرعی طبقه‌بندی می‌شوند – کروز و استراحت. سپس، الگوهای مکانی و زمانی همه رویدادهای رفتار رانندگی تاکسی را تحلیل و تجسم کردیم. در نهایت، ما تأثیر برنامه های e-hailing را از منظر کارایی اندازه گیری کردیم.

4.1. الگوهای زمانی سفر اشغالی

4.1.1. الگوهای عمومی

برای دریافت نمای کلی از سفر اشغال شده، نقشه توزیع فرکانس مسافت اشغال شده را همانطور که در شکل 2 نشان داده شده است، ترسیم کردیم . می توان مشاهده کرد که الگوهای شکل 2 a,b سازگار هستند. نسبت سفرهای بین 5 تا 10 کیلومتر بزرگترین بود، در حالی که نسبت سفرهای کمتر از 5 کیلومتر افزایش یافت و بالای 10 کیلومتر به تدریج کاهش یافت.
به طور گسترده ای شناخته شده است که شانگهای یک کلان شهر بین المللی با سیستم حمل و نقل بسیار غنی و متراکم است. مردم ترجیح می دهند سوار مترو شوند، زیرا راحت و سریع است. برعکس، مسافت های طولانی تر از طریق تاکسی هزینه های بالایی را به همراه دارد. به طور کلی، مردم به منظور دستیابی به حمل و نقل مقرون به صرفه، یک سفر ترکیبی را ترجیح می دهند که شامل سواری مترو، اتوبوس و تاکسی باشد. بنابراین نسبت سفرهای کوتاه مدت بیشتر از سفرهای دوردست بود. در همان زمان مشخص شد زمانی که فاصله بین 5 تا 10 کیلومتر بود، مردم تاکسی سواری را ترجیح می دادند. سفرهای اشغالی در 10 کیلومتری در تعطیلات آخر هفته بیشتر از روزهای هفته بود، که نشان می‌دهد مردم در تعطیلات آخر هفته فعالیت‌های نزدیک بیشتری دارند. همانطور که در شکل 2 نشان داده شده است، این پدیده بارزتر استب
تفاوت بین شکل 2a،b نیز یافت می شود. بیش از 80 درصد از سفرهای اشغال شده در 10 کیلومتر بوده است، در حالی که بیش از 90 درصد در 15 کیلومتر در سال 2015 بوده است. تا مسافت بیش از 15 کیلومتر را به مسافران منتقل کند. در ماه مه 2017، نسبت سفرهای بیش از 10 کیلومتر نسبت به می 2015 به طور قابل توجهی افزایش یافت و نسبت سفرهای داخل 3 کیلومتری به سرعت کاهش یافت. بنابراین، می توان به طور منطقی استنباط کرد که این پلت فرم به رانندگان اجازه می دهد تا سفارش های طولانی مدت بیشتری را دریافت کنند و در مسافت های کوتاه کمتری داشته باشند. فاصله 3 کیلومتری به عنوان یک سفر اشغال شده در مسافت کوتاه (SDOT) تعریف شد، در حالی که مسافت بیشتر از 10 کیلومتر به عنوان یک سفر اشغال شده از راه دور (LDOT) تعریف شد.
4.1.2. الگوهای زمانی سفرهای اشغالی در مسافت کوتاه و طولانی

در این بخش، الگوهای زمانی SDOT و LDOT را بررسی کردیم. به منظور مقایسه تغییرات از سال 2015 تا 2017، نرخ رشد SDOT و LDOT در 24 ساعت مطابق با فرمول (1)، همانطور که در شکل 3 نشان داده شده است، محاسبه شد . شکل 3 a نشان می دهد که SDOT در روزهای کاری اندکی افزایش یافته و در آخر هفته ها کاهش یافته است. شکل 3b نشان می دهد که LDOT رشد مثبتی را در 24 ساعت تجربه کرده است، هم در روزهای کاری و هم در آخر هفته. به طور دقیق تر، افزایش LDOT در روزهای کاری بیشتر بود. همانطور که مشخص است، تقاضای SDOT اغلب در تعطیلات آخر هفته افزایش می یابد و تقاضای کمتری برای LDOT وجود دارد. بنابراین، پدیده استخراج نرم افزار LDOT در روزهای کاری آشکارتر بود. نرخ رشد در ساعات غیر رفت و آمد، از ساعت 18:00 تا 4:00 صبح، بالا بود و به رشد 100% برای روزهای کاری نزدیک می شد یا از آن فراتر می رفت. نرخ رشد، از ساعت 10:00 صبح تا 1:00 بعد از ظهر، پایین بود، در محدوده 40٪. همچنین نرخ رشد در ساعات رفت و آمد بین 40 تا 70 درصد بود. ما به طور منطقی معتقدیم که این پلت فرم به رانندگان این امکان را می دهد که در شب و صبح زودتر “فعال تر” شوند تا سفارشات بیشتری را دریافت کنند. علاوه بر این، پلت فرم در حفاری LDOT بسیار برجسته است. از آنجایی که ظرفیت دو سال نزدیک بود (همان تعداد تاکسی در دو سال)، به ناچار میزان SDOT کاهش یافت. این تغییر رویدادهای اشغالی تأثیر مستقیمی بر رفتار رانندگی داشت که در نهایت بر درآمد راننده تأثیر گذاشت.

Var = (Trip 2017 − Trip 2015 )/Trip 2015 .
4.1.3. الگوهای فضایی سفرهای اشغالی
الگوهای فضایی SDOT و LDOT نیز باید در نظر گرفته شوند، به جز الگوهای زمانی. نمودارهای دایره‌ای برای مقایسه الگوها بین سال‌های 2015 و 2017 استفاده شد. ما آماری را در مورد نقاط شروع سفرهای اشغال شده بر اساس شبکه‌ها تهیه کردیم و نقشه چگالی را در ArcGIS 10.2 انجام دادیم. با توجه به اطلاعات کاربری زمین در اطراف متراکم ترین مناطق در نقشه گرمایی، نقاط داغ در دو مرحله شناسایی شدند که عبارتند از: ایستگاه راه آهن هونگ کیائو، فرودگاه هونگ کیائو، گوبی، خوجیاهوی، مرکز خورشید-ماه-نور، ایستگاه راه آهن شانگهای، ووجیائوچانگ. ، The Bound ، معبد Jingan ، میدان مردم و Lujiazui. در مرحله بعد، یک نقشه حرارتی از مبدا به عنوان نقشه پایه استفاده شد و ما نمودارهای دایره ای برای نشان دادن SDOT و LDOT در هر هات اسپات ایجاد کردیم، همانطور که در شکل 4 نشان داده شده است.. همانطور که در بالا توضیح داده شد، ما سفرهای اشغال شده را به سه فاصله مسافتی تقسیم کردیم: SDOT (<3 کیلومتر)، LDOT (> 10 کیلومتر) و سفرهای اشغال شده در مسافت متوسط ​​بین 3 تا 10 کیلومتر، و سپس در هر منطقه هات اسپات، در نقشه پایه، تعداد رویدادهای سفر در هر بازه زمانی. رنگ‌ها (به عنوان مثال، آبی برای SDOT، نارنجی برای LDOT، و سفید برای MDOT) بخش‌های نمودار دایره‌ای با سه فاصله فاصله مطابقت دارند، و این بخش‌ها به نسبت تعداد سفرها در هر فاصله فاصله اندازه‌گیری می‌شوند. شکل 4نشان می‌دهد که همه نمودارهای دایره‌ای نقاط داغ به طور یکنواخت با نسبت SDOT کاهش و LDOT افزایش یافته است. این پدیده در گوبی، خوجیاهوی، مرکز خورشید-ماه-نور، معبد جینگان، میدان مردم و لوجیازوی مشهود است. به طور کلی، پس از پیوستن رانندگان تاکسی به سکو، مسافت سفرهای اشغال شده طولانی تر شد.

4.2. الگوهای زمانی سفرهای غیر اشغالی

با توجه به طولانی بودن یا نبودن مدت زمان و اینکه تاکسی در حال حرکت است یا نه، یک سفر خالی از سکنه به سه وضعیت تقسیم می شود (همانطور که در جدول 2 نشان داده شده است ): استراحت (B)، گشت و گذار (C) و ایستادن (S). به طور کلی، C رایج ترین حالت است (زمانی که رانندگان امیدوارند در اسرع وقت مشتری پیدا کنند). B به یک زمان طولانی و بدون اشغال، با کمترین فرکانس اشاره دارد که می تواند برنامه بقیه را بهتر منعکس کند. رانندگان در S منفعل هستند. مکان برای S اغلب بر اساس تجربه است و تحت تاثیر پلت فرم نیست. بنابراین، رویدادهای C و B در اینجا در نظر گرفته شدند.

4.2.1. الگوهای عمومی

برای به دست آوردن یک نمای کلی از سفرهای غیر اشغالی، نقشه توزیع فرکانس مدت سفرهای غیر اشغالی را ترسیم کردیم (نشان داده شده در شکل 5 ) و میانگین مدت زمان بدون اشغال ساعتی بین دو مرحله را محاسبه کردیم (نشان داده شده در شکل 6 ). شکل 5نشان می دهد که رانندگان در سال 2017 معمولاً نسبت بالایی را در عرض 5 دقیقه از دست دادند که بین 15 تا 60 دقیقه افزایش یافت. فرکانس تجمعی در 30 دقیقه از 80٪ و فرکانس تجمعی در 60 دقیقه از 90٪ بیشتر شد. این به این معنی است که الگوریتم‌های پلتفرم می‌توانند به سرعت با هم مطابقت داشته باشند، اما درایورها برای مدت طولانی‌تری نسبت به قبل از استفاده از پلت فرم خالی بودند. باید توجه داشته باشیم که اگرچه نسبت بیش از 60 دقیقه کمتر از 7٪ بود، افزایش بیش از 60 دقیقه کوچک بود، اما با نسبت تغییر بزرگتر.
در شکل 6 ، می توان دید که مدت زمان اشغال نشده به طور قابل توجهی در بازه های زمانی اولیه صبح، قبل از ساعت 5:00 صبح کاهش یافته است و پلت فرم فرصت های بیشتری را برای سفارشات فراهم می کند. با این حال، مدت زمان خالی در طول روز طولانی تر بود، به خصوص از ساعت 9:00 صبح تا 7:00 بعد از ظهر که برای ما غیرمنتظره بود. مدت زمان خالی 1.2-4.2 دقیقه در روزهای هفته و 1.5-6 دقیقه در آخر هفته افزایش یافت. برای بررسی بیشتر این تغییرات، تجزیه و تحلیل دو رویداد فرعی سفرهای غیر اشغالی – رویدادهای کروز و رویدادهای استراحت ضروری بود.
4.2.2. الگوهای زمانی سفرهای دریایی
کروز یکی از مظاهر رفتار رانندگی است، بنابراین باید تغییرات در مدت زمان سفر را در نظر گرفت. از آنجایی که مدت زمان سفر دریایی با فشار ترافیک نیز مرتبط است، باید ساعت شلوغی را تشخیص دهیم تا تداخل افزایش فشار ترافیک که سال به سال اتفاق می‌افتد را از بین ببریم. به طور همزمان، سفرهای سواری ساکنان در ساعات اولیه صبح بسیار کمتر است، که باعث می شود رانندگان به ندرت مسافر پیدا کنند. برای رویدادهای کروز، دوره‌های اولیه صبح اهمیت کمی دارند و زمان رفت و آمد از ساعت 7 صبح تا 11 شب در شکل 7 انتخاب شده است. تفاوت در مدت زمان سفر در 30 و 60 دقیقه در شکل 7 نشان داده شده است.a، b، به ترتیب. واضح است که این پلتفرم تأثیر منفی بر ملاقات رانندگان با مشتریان داشت. شکل 7 الف نشان می دهد که رانندگان در سال 2017 زمان بیشتری صرف کردند، تقریباً 0.7-1 دقیقه برای ملاقات با مشتریان با استفاده از پلت فرم در روزهای هفته و 0.2-1.5 دقیقه در تعطیلات آخر هفته. شکل 7b نشان می دهد که رانندگان در سال 2017 زمان بیشتری، تقریباً 1.1 تا 3.5 دقیقه، برای ملاقات با مشتریانی که از پلت فرم در روزهای هفته و 1 تا 2.4 دقیقه در تعطیلات آخر هفته استفاده می کردند، صرف کردند. بنابراین، دو نتیجه می‌توان گرفت: (1) تگرگ الکترونیکی به رانندگان تاکسی کمک نکرد تا سفارش‌های جدید را سریع‌تر دریافت کنند، و (2) طولانی‌تر شدن مدت سفر تا حدی ناشی از مدت‌زمان‌های خالی طولانی‌تر بود. دو توضیح ممکن برای مدت زمان طولانی تر سفر وجود دارد. از یک طرف، پلت فرم سفارشات را با رعایت اصل اولویت فاصله ارسال می کند، که باعث می شود تاکسی بدون اشغال فرصت های نزدیک را از دست بدهد. این به این معنی است که این پلت فرم می‌تواند منجر به از دست دادن نزدیک‌ترین نیازهای رانندگان شود. از طرف دیگر تطبیق سریع به معنای ملاقات سریع نیست. هنگامی که یک راننده با یک مسافر جفت می شود، معمولاً هنوز بین دو طرف فاصله وجود دارد. گاهی، مسافران باید با رانندگان ارتباط برقرار کنند تا موقعیت مکانی خود را با جزئیات توصیف کنند. بنابراین، رانندگان زمان بیشتری را برای ملاقات با مسافران خود صرف خواهند کرد.
4.2.3. الگوهای زمانی سفرهای طولانی مدت
بقیه رویدادهایی که در 24 ساعت رخ داده اند در شکل 8 نشان داده شده است. پس از شروع کار رانندگان تاکسی با این پلت فرم، دو تغییر از نظر رویدادهای استراحت رخ داد. اولین و آشکارترین تغییر این بود که رویدادهای استراحت طولانی در اوایل صبح، هم در روزهای هفته و هم در تعطیلات آخر هفته کاهش یافت و به تدریج در طول روز دوباره بازگشت. دوم این است که یک تغییر کوچک در ساعات اوج رویدادهای استراحت وجود دارد: از ساعت 6:00 تا 7:00 صبح در سال 2015، در سال 2017 یک ساعت به عقب در روزهای هفته (یا اوج پیشرفته تر) حرکت می کند. اوج دیگری از ساعت 11:00 صبح تا 12:00 در سال 2015 وجود داشت که در سال 2017 تا ساعت 5:00 بعدازظهر در تعطیلات آخر هفته ادامه داشت و یک اوج جدید از ساعت 3:00 تا 4:00 بعد از ظهر در تعطیلات آخر هفته در سال 2017 رخ داد، به این معنی که رانندگان انتخاب جدیدی برای ترتیب زمان استراحت داشت. می توانیم استنباط کنیم که اطلاعات سواری ارائه شده توسط پلت فرم به رانندگان تاکسی اجازه می دهد تا با برنامه کاری خود انعطاف پذیرتر شوند.

4.3. الگوهای فضایی و زمانی رویدادهای نقطه ای

مبدأ و مقصد یک سفر با رویدادهای نقطه تحویل و تحویل مطابقت داشت. توزیع فضایی نقاط وانت تحت تأثیر عواملی مانند تقاضای سواری، محورهای حمل و نقل، بخش‌های جاده و دوره‌ها قرار می‌گیرد. از زمان راه اندازی STISP، تسلیم الکترونیکی به تطابق عرضه و تقاضا کمک کرده است. این تغییر را می توان از توزیع فضایی و زمانی نقاط برداشت فهمید. علاوه بر این، این تغییر همچنین می تواند درک نیازهای سواری را تازه کند و به تخصیص منطقی منابع ترافیک کمک کند. در مورد مکان‌های خروج، پرداخت‌های نقدی سنتی زمان را برای راننده تلف می‌کند. خوشبختانه، رانندگان اکنون می توانند پرداخت های آنلاین را بپذیرند و می توانند بازده کاری خود را از طریق این پلت فرم بهبود بخشند. این نه تنها برای رانندگان مفید است، بلکه سرعت عملیات شهری را نیز افزایش می دهد.

4.3.1. الگوهای فضایی نقاط وانت

به طور سنتی، شهروندان بیشتر به جاده های اصلی برای سوار شدن به تاکسی می روند. نقاط وانت اغلب در تقاطع های جاده ای کلیدی یا در جاده های اصلی انجام می شود. به منظور برجسته کردن تغییر مکان های دریافت، ما روش “شبکه جاده + شبکه” را برای منعکس کردن تغییرات اتخاذ کردیم. جزئیات این “شبکه راه + شبکه” به شرح زیر است:
  • مرحله 1: بر اساس داده های جاده شانگهای، بافرهایی را برای تمام بخش های جاده ایجاد کنید و عرض جاده را 1/2 به عنوان شعاع تعیین کنید. اگر نقاط دریافت در می 2015 و مه 2017 در یک بافر قرار داشتند، این نقاط باید حذف شوند.
  • مرحله 2: شبکه هایی با طول ضلع 500 متر بکشید تا مساحت زمین شانگهای (به استثنای جزیره چونگمینگ) را پوشش دهد. سپس شمارش کنید که آیا نقاط برداشت در هر شبکه پوشانده شده است یا خیر.
در نهایت، شکل 9 مناطق پیک آپ را در می 2015 و می 2017 به ترتیب با شبکه های صورتی و نارنجی نشان می دهد. مناطق برداشت مشترک در می 2015 و می 2017 با شبکه های آبی نشان داده شده است.
از سمت چپ شکل 9 ؛ تعداد شبکه های وانت در سال 2017 گسترده تر و گسترده تر بود. جزئیات هر منطقه اداری در سمت راست شکل 9 قابل مشاهده است. پوشش گسترده‌تر و جامع‌تری در منطقه جدید پودونگ، منطقه فنگ شیان و منطقه چینگپو رخ داد. در منطقه Minhang و Songjiang، پوشش در سال 2017 کمی گسترده تر از قبل بود. توزیع در منطقه Jinshan، منطقه Baoshan و مرکز شهری تقریباً برای دو مرحله بدون تغییر باقی ماند، اگرچه منطقه Jiading در سال 2015 سواری بیشتری داشت. با این پلت فرم، هنگام سوار کردن مسافران، رانندگان تاکسی دیگر محدود به نقاط مهم یا صندوق عقب نیستند. بخش ها، اما گزینه های جدید بیشتری دارند. رانندگان برای تسهیل شهروندان، کاهش اضطراب رانندگان از سفر دریایی و ارسال منطقی ظرفیت حمل‌ونقل شهری به جایی که تقاضای تاکسی وجود دارد، پراکنده می‌شوند.
4.3.2. الگوهای زمانی پرداخت
در چین، پرداخت های تلفن همراه (به دلیل راحتی) بسیار مورد استفاده قرار می گیرد. پلت فرم اطلاعاتی به کانال های اصلی پرداخت آنلاین داخلی (Alipay و WeChat) متصل است و در نتیجه شهروندان ترجیح می دهند که e-hailing را ترجیح دهند. با یک گوشی هوشمند، شهروندان نیازی به پرداخت پول نقد برای سواری ندارند و رانندگان کمتر دچار مشکل می شوند که مجبور به انجام تغییرات باشند، که باعث صرفه جویی در زمان برای طرف عرضه و تقاضا می شود و بر رفتار رانندگی تاکسی تأثیر می گذارد. این رفتار رویداد پرداخت نامیده می شود که پس از یک رویداد حذفی رخ می دهد. یک رویداد پرداخت با یک نقطه کاهش شروع می شود و در اولین نقطه متحرک به پایان می رسد، به این معنی که مدت پرداخت فاصله زمانی بین دو نقطه است. بر اساس تعریف بالا، ممکن است اشتباهات کوچکی در رویدادهای پرداخت استخراج شده وجود داشته باشد. به عنوان مثال، در نیمه شب، مقصد سفر اغلب یک کارائوکه بار، هتل، منطقه مسکونی و غیره است که رانندگان نیز دوست دارند در شب منتظر مسافران باشند. بنابراین، رانندگان پس از پیاده کردن مسافران، همچنان برای سفارشات بعدی خود ایستاده اند. این وضعیت منجر به خطای بزرگ در مدت پرداخت می شود. به منظور از بین بردن تداخل بی حرکت ماندن در محل پس از رها کردن، توزیع فرکانس مدت زمان پرداخت را مشاهده کردیم و دریافتیم که مدت زمان بیش از 5 دقیقه کمتر از 0.1٪ است. بنابراین، 5 دقیقه به عنوان آستانه رویدادهای پرداخت در نظر گرفته شد و مدت زمان پرداختی که بیش از این آستانه بود حذف شد. این وضعیت منجر به خطای بزرگ در مدت پرداخت می شود. به منظور از بین بردن تداخل بی حرکت ماندن در محل پس از رها کردن، توزیع فرکانس مدت زمان پرداخت را مشاهده کردیم و دریافتیم که مدت زمان بیش از 5 دقیقه کمتر از 0.1٪ است. بنابراین، 5 دقیقه به عنوان آستانه رویدادهای پرداخت در نظر گرفته شد و مدت زمان پرداختی که بیش از این آستانه بود حذف شد. این وضعیت منجر به خطای بزرگ در مدت پرداخت می شود. به منظور از بین بردن تداخل بی حرکت ماندن در محل پس از رها کردن، توزیع فرکانس مدت زمان پرداخت را مشاهده کردیم و دریافتیم که مدت زمان بیش از 5 دقیقه کمتر از 0.1٪ است. بنابراین، 5 دقیقه به عنوان آستانه رویدادهای پرداخت در نظر گرفته شد و مدت زمان پرداختی که بیش از این آستانه بود حذف شد.
به منظور مقایسه مدت زمان پرداخت در دو مرحله، دو میلیون رویداد پرداخت به صورت تصادفی از هر مرحله انتخاب شد. در شکل 10 a، هیستوگرام توزیع مدت زمان پرداخت را در 5 دقیقه در می 2015 نشان می دهد، در حالی که شکل 10 b رویدادهای پرداخت را در می 2017 نشان می دهد. علاوه بر این، میانگین زمان پرداخت در هر نوار در شکل 10 c نشان داده شده است.
با مقایسه شکل 10 الف با شکل 10 ب، 86 درصد از رویدادهای پرداخت در ماه مه 2017 در عرض 1 دقیقه تکمیل شدند، در حالی که 86 درصد از رویدادهای پرداخت در می 2015 به 2 دقیقه نیاز داشتند. تقریباً 95٪ از رویدادهای پرداخت در می 2017 در عرض 2 دقیقه به پایان رسید، در حالی که همین نسبت در می 2015 به 5 دقیقه افزایش یافت. ما دریافتیم که مدت زمان پرداخت ها پس از معرفی پلتفرم به میزان قابل توجهی کاهش یافته است. در ماه مه 2017، بیشتر پرداخت ها در عرض 1 دقیقه انجام شد. از شکل 10 قابل مشاهده استج که مدت پرداخت ها از 36 به 16 ثانیه در 1 دقیقه کاهش یافت. نه تنها نسبت در عرض 1 دقیقه افزایش یافت، بلکه میانگین زمان پرداخت در 1 دقیقه کاهش یافت. به طور کلی، پلتفرم در زمان پرداخت برای رانندگان صرفه جویی می کند و این زمان صرفه جویی شده می تواند برای سوار کردن مسافران بیشتر یا استراحت استفاده شود. حتی اگر زمان پرداخت کوتاه شود، زمان خالی افزایش می یابد. بنابراین، می توان استنباط کرد که زمان صرفه جویی شده برای سفر دریایی استفاده نشده است و بیشتر برای استراحت استفاده می شود.
4.3.3. الگوهای فضایی جریان تاکسی
با توجه به مکان نقاط تحویل و رها کردن، جریان تمام سواری ها بین 9 منطقه اداری قابل شمارش است. جریان های ترافیکی که توسط نمودار وتر مشاهده می شود در شکل 11 نشان داده شده است. مناطق مختلف اداری در شکل با کمان هایی با رنگ های مختلف نشان داده شده اند و نوارهای همرنگ با قوس ها نشان می دهد که تاکسی های مناطق مربوطه به مناطق دیگر حرکت کرده اند. پهنای باند در شکل مقادیر مطلق را نشان می دهد. هرچه پهنای باند بیشتر باشد، حجم ترافیک بیشتر می شود. به عنوان یک مرور کلی، پنج منطقه (مرکز شهری، پودونگ، مینهنگ، جیادینگ، و بائوشان) پس از استقرار برنامه‌های e-hailing کاهش یافته‌اند. در مقابل، چهار منطقه دیگر (فنگ شیان، سونگ جیانگ، چینگپو و جینشان) فعال تر شدند. به طور خاص، سه نوع تغییر رخ داد. اول، تعامل بین مرکز شهری و چهار منطقه (Baoshan، Jiading، Minhang و Pudong) ضعیف شد. در نتیجه، جریان ورودی و خروجی مرکز شهری، پودونگ و بائوشان کاهش یافت. در مورد Jiading، این امر عمدتاً به دلیل تاکسی های کمتری بود که از مرکز شهری می آمدند. دوم، Fengxian، Qingpu، و Songjiang فعالیت کمی تقویت شده با Minhang را تجربه کردند. سوم، Minhang با سه منطقه Fengxian، Songjiang و Qingpu فعال تر شد. در میان آنها، تعامل بین Songjiang و Qingpu نیز تقویت شد. به طور خلاصه، مرکز شهری برای رانندگان تاکسی جذابیت کمتری پیدا کرد، زیرا این پلت فرم به رانندگان اجازه می داد تا از حومه شهرها سفارش دریافت کنند. این با نتایج فوق در مورد نقاط پراکنده بیشتر مطابقت دارد. تعامل بین Songjiang و Qingpu نیز تقویت شد. به طور خلاصه، مرکز شهری برای رانندگان تاکسی جذابیت کمتری پیدا کرد، زیرا این پلت فرم به رانندگان اجازه می داد تا از حومه شهرها سفارش دریافت کنند. این با نتایج فوق در مورد نقاط پراکنده بیشتر مطابقت دارد. تعامل بین Songjiang و Qingpu نیز تقویت شد. به طور خلاصه، مرکز شهری برای رانندگان تاکسی جذابیت کمتری پیدا کرد، زیرا این پلت فرم به رانندگان اجازه می داد تا از حومه شهرها سفارش دریافت کنند. این با نتایج فوق در مورد نقاط پراکنده بیشتر مطابقت دارد.

4.4. کارایی و درآمد

4.4.1. نسبت غیر اشغالی

نسبت غیر اشغالی معیاری برای سنجش بازده رانندگی بر اساس مسافت دو سفر است و همیشه نشانه ای برای بهبود سیستم دیسپاچینگ تاکسی است. نسبت اشغال نشده به صورت فاصله (N)/(فاصله (O) + فاصله (N) محاسبه می شود. علاوه بر این، فاصله (O) در ویژگی “dis” رویدادهای اشغال شده و فاصله (N) در ویژگی “dis” رویدادهای اشغال نشده ثبت می شود. ما “دیس” دو رویداد را جمع آوری کردیم و نسبت اشغال نشده هر ساعت را محاسبه کردیم. شکل 12 نسبت اشغال نشده را در 24 ساعت نشان می دهد. شکل 12 a روزهای کاری را نشان می دهد، در حالی که شکل 12 b تعطیلات آخر هفته را نشان می دهد. در شکل 12الف، پدیده رانندگی بدون اشغال کاهش یافته است. نسبت خالی از سکنه در شب از ساعت 12:00 تا 5:00 صبح به طور قابل توجهی کاهش یافته است که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری است. در طول روز، بعد از ساعت 7:00 صبح، دویدن بدون اشغال کمی تسکین یافت. شکل 12 ب نشان می دهد که نسبت خالی در تعطیلات آخر هفته کاهش می یابد، اما به مراتب کمتر از آن در روزهای هفته کاهش می یابد. به طور کلی، پلت فرم نسبت خالی تاکسی ها را کاهش می دهد.
4.4.2. نسبت عملیاتی
نسبت عملیاتی، نسبت تعداد تاکسی های باز شده برای تجارت به تعداد کل تاکسی ها است. لازم است نسبت عملکرد را از نسبت غیر اشغالی متمایز کنیم، زیرا اولی بر برنامه راننده تمرکز می کند، در حالی که دومی کارایی را در محل کار مطالعه می کند. تغییر نسبت عملکرد تاکسی در 24 ساعت از سال 2015 تا 2017 در شکل 13 نشان داده شده است.. گره نسبت عملیاتی را در می 2015 ثبت کرد و نقطه پایانی فلش نشان دهنده نسبت عملیاتی در می 2017 است. جهت پیکان روند را از می 2015 تا 2017 نشان می دهد، یعنی بالا نشان دهنده افزایش و پایین نشان دهنده کاهش است. در سال 2017، نسبت عملیات در طول روز کاهش یافت که در ساعات شلوغی صبح بیشتر مشهود بود. قابل درک است که شهروندان برای جلوگیری از ترافیک در ساعات شلوغی با رانندگان تاکسی ترجیح می دهند مترو سوار شوند، بنابراین ترجیح می دهند از دوره هایی که رانندگان ابتکار بیشتری دارند اجتناب کنند. با این حال، الگوی مخالف را می توان از ساعت 11:00 شب تا 6:00 صبح مشاهده کرد. به طور سنتی، بارگیری در شب با تگرگ الکترونیکی کمتر اتفاق می‌افتد، زیرا رانندگان ترجیح می‌دهند به خانه بروند یا منفعلانه در نقاط داغ (مانند بیمارستان‌ها، خیابان‌ها، دروازه‌های اجتماع، هتل‌ها، هتل‌ها، بارهای کارائوکه و ایستگاه‌های قطار) منتظر بمانند. فناوری این پلتفرم می تواند این انفعال را جبران کند و شانس دریافت سفارش های جدید را به میزان قابل توجهی افزایش دهد. بنابراین، همانطور که در اینجا مشاهده می شود، رانندگان توجه بیشتری به کار در شب دارند و ساعات کاری از روز به شب تا حدی تنظیم می شود.
4.4.3. درآمد

همه تغییرات در رفتارهای رانندگی به طور جامع بر درآمد راننده تأثیر می گذارد. این مقاله بر اساس رفتارهای ماه مه 2015 بود و بر تغییرات از 2015 تا 2017 تمرکز داشت. به طور مشابه، ما حالت شارژ را برای تاکسی‌های شانگهای در می 2015 انتخاب کردیم (در جدول 3 نشان داده شده است.) به عنوان استاندارد، و از فرمول (2) برای محاسبه هزینه یک سواری استفاده کرد. به راحتی می‌توان فهمید که 3 کیلومتر و 10 کیلومتر نقاط شکست فاصله هستند که منجر به قیمت‌های شارژ متفاوت در هر مایل می‌شود. به طور خاص، آنها به ترتیب مربوط به سفرهای طولانی و کوتاه هستند. واضح است که سفرهای کوتاه مدت را می توان به سرعت به پایان رساند و سفرهای کوتاه چندگانه به معنای کرایه های پایه چندگانه است که در نتیجه درآمد بیشتری به همراه دارد. در مورد سفرهای طولانی مدت، قیمت آنها در هر کیلومتر با بالاترین سطح است. هم سفرهای کوتاه و هم از راه دور برای افزایش درآمد مفید هستند.

کرایه (d) = F 0 + F 3 × Min(Max(d − 3, 0)، 7) + F 10 × Max(d – 10, 0) + 1.
توزیع متوسط ​​درآمد روزانه رانندگان در شکل 14 نشان داده شده است . سه تغییر را می توان یافت. ابتدا، در توزیع فرکانس می 2017، نوار با بیشترین نسبت به سمت راست حرکت کرد و مقدار μ در مقایسه با می 2015 بزرگتر شد. بنابراین، می‌توان نتیجه گرفت که بیشتر رانندگان پول بیشتری به دست آورده‌اند، و متوسط ​​درآمد در سال 2017 افزایش یافت. دوم، نسبت درآمد کم کاهش یافت، در حالی که از طرف دیگر، نسبت درآمد بالا افزایش یافت. در شکل 14 الف، رانندگان به ندرت از 800 یوان در روز فراتر می رفتند، اما شکل 14b درآمد یکنواخت روزانه بیش از 1000 یوان را نشان می دهد. سوم، توزیع درآمد در می 2015 متمرکزتر بود، اما در می 2017 یکنواخت شد. این پلت فرم تمایز تجربه رانندگی به درآمد را ضعیف می کند. بنابراین می‌توانیم استنباط کنیم که تأثیر مثبت افزایش سفرهای طولانی‌مدت بیشتر از تأثیر منفی کاهش سفرهای کوتاه‌مدت است. به طور کلی، میانگین درآمد روزانه رانندگان پس از راه اندازی این پلت فرم بهبود یافته است.

5. بحث و نتیجه گیری

این مقاله بر روی تغییرات مکانی – زمانی در رفتار رانندگی و تأثیرات بر رانندگان تاکسی پس از کار با برنامه‌های e-hailing متمرکز شده است. ما FCD را در مراحل قبل از برنامه و استفاده کامل برای دور زدن داده های خصوصی TNC ها انتخاب کردیم. علاوه بر این، تداخل جنگ یارانه ها نیز مورد توجه قرار گرفت. بنابراین، داده های مسیر تاکسی در ماه می 2015 و می 2017 در شانگهای برای به دست آوردن نتایج جامع، پایدار و قابل اعتماد انتخاب شدند.
این مقاله رفتار رانندگی رانندگان را به رویدادهای دو سفری (یعنی سفر خالی و سفر اشغال شده) و رویدادهای دو نقطه ای (یعنی نقطه تحویل و نقطه سقوط) تقسیم کرد. سپس شاخص‌های هر رویداد، مسافت سفرهای اشغالی، مدت سفرهای غیرمسکونی، توزیع مکان‌های دریافت و مدت زمان پرداخت و جریان ترافیک با رویدادهای دو نقطه‌ای را به ترتیب استخراج کردیم. در نهایت، نسبت اشغال نشده، نسبت عملیاتی و درآمد را محاسبه کردیم.
نتایج تغییرات از مرحله قبل از برنامه به مرحله استفاده کامل، چهار بخش مربوط به چهار رویداد رفتار رانندگی را نشان داد. در سفرهای اشغال شده، نسبت سفرهای بیش از 10 کیلومتر (یعنی LDOT) به طور قابل توجهی افزایش یافت و نسبت سفرهای درون 3 کیلومتری (یعنی SDOT) به سرعت کاهش یافت. در الگوهای زمانی، SDOT به طور قابل توجهی بین ساعت 4:00 صبح تا 9:00 بعد از ظهر کاهش یافت و قبل از ساعت 4:00 صبح بعد از ساعت 9:00 بعد از ظهر افزایش یافت، SDOT در روزهای کاری کمی افزایش یافت و در آخر هفته ها کاهش یافت. LDOT در 24 ساعت، هم در روزهای کاری و هم در تعطیلات آخر هفته، رشد مثبتی را تجربه کرد. در ساعات غیر رفت و آمد، از ساعت 18:00 تا 4:00 صبح، نرخ رشد بالا بود و به رشد 100 درصدی برای روزهای کاری نزدیک شد یا از آن فراتر رفت. نرخ رشد از 10:00 صبح تا 1:00 بعد از ظهر کم بود، در حدود 40٪. علاوه بر این، نرخ رشد در ساعات رفت و آمد بین 40 تا 70 درصد بود. در الگوهای فضایی، نمودارهای دایره‌ای، SDOT و LDOT را در هر نقطه نقطه شروع در سال‌های 2015 و 2017 نشان می‌دهند. همه 11 نقطه کانونی به طور یکنواخت در نسبت SDOT کاهش و LDOT افزایش یافته متفاوت بودند. در رویدادهای غیرمسکونی، نتایج نشان داد که در نتیجه مدت زمان خالی در سال 2017، رانندگان تاکسی معمولاً نسبت زیادی از مدت زمان خالی را در عرض 5 دقیقه از دست می‌دهند و بین 15 تا 60 دقیقه افزایش می‌یابند. به طور جزئی، مدت زمان خالی در ساعات اولیه صبح، قبل از ساعت 5:00 صبح به طور قابل توجهی کاهش یافت و در طول روز طولانی تر بود، به خصوص از ساعت 9:00 صبح تا 7:00 بعد از ظهر. همچنین در روزهای هفته 1.2 تا 4.2 دقیقه افزایش یافت. و 1.5-6 دقیقه در تعطیلات آخر هفته. برای بررسی بیشتر این تغییرات، دو رویداد فرعی استخراج شد: سفرهای دریایی و رویدادهای استراحت طولانی در طول زمان رفت و آمد، رانندگان در سال 2017 تقریباً 1.1 تا 3.5 دقیقه بیشتر برای ملاقات با مسافران با سکو در روزهای هفته و 1 تا 2.4 دقیقه بیشتر در تعطیلات آخر هفته زمان بردند. در صبح‌های اولیه، رویدادهای استراحت طولانی در روزهای هفته و آخر هفته نادر بود و در عوض به روز سرایت می‌کرد. در مورد دو رویداد نقطه ای، ما توزیع نقاط برداشت را با استفاده از روش مبتنی بر شبکه تجسم کردیم و نتایج نشان داد که نقاط برداشت پراکنده تر بودند و منطقه جدید پودونگ، منطقه فنگ شیان و منطقه چینگپو را پوشش دادند. جامع تر در رویدادهای حذفی، 86 درصد از رویدادهای پرداخت در ماه می 2017 در عرض 1 دقیقه تکمیل شد، در حالی که 86 درصد از رویدادهای پرداخت در می 2015 به 2 دقیقه نیاز داشتند. در پرداخت‌های 1 دقیقه‌ای، میانگین مدت پرداخت در سال 2017 20 ثانیه سریع‌تر از سال 2015 بود. یک نمودار وتر برای نشان دادن تغییرات در جریان ترافیک نقاط مبدا-مقصد استفاده شد. به طور کلی، پنج منطقه جریان کاهش یافته بودند: مرکز شهری، پودونگ، مینهنگ، جیادینگ و بائوشان. در مقابل، چهار منطقه دیگر (فنگ شیان، سونگ جیانگ، چینگپو و جینشان) فعال تر بودند. از منظر کارایی، نسبت خالی از سکنه در شب از ساعت 12 تا 5 بامداد به میزان قابل توجهی کاهش یافت که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری بود. در طول روز، بعد از ساعت 7:00 صبح، تسکین مختصری از دویدن بدون اشغال وجود داشت. در سال 2017، نسبت عملیات در طول روز کاهش یافت و در ساعات شلوغی صبح که دقیقا برعکس از ساعت 11:00 شب تا 6:00 صبح بود، مشهودتر بود. پنج منطقه جریان کاهش یافته بودند: مرکز شهری، پودونگ، مینهنگ، جیادینگ و بائوشان. در مقابل، چهار منطقه دیگر (فنگ شیان، سونگ جیانگ، چینگپو و جینشان) فعال تر بودند. از منظر کارایی، نسبت خالی از سکنه در شب از ساعت 12 تا 5 بامداد به میزان قابل توجهی کاهش یافت که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری بود. در طول روز، بعد از ساعت 7:00 صبح، تسکین مختصری از دویدن بدون اشغال وجود داشت. در سال 2017، نسبت عملیات در طول روز کاهش یافت و در ساعات شلوغی صبح که دقیقا برعکس از ساعت 11:00 شب تا 6:00 صبح بود، مشهودتر بود. پنج منطقه جریان کاهش یافته بودند: مرکز شهری، پودونگ، مینهنگ، جیادینگ و بائوشان. در مقابل، چهار منطقه دیگر (فنگ شیان، سونگ جیانگ، چینگپو و جینشان) فعال تر بودند. از منظر کارایی، نسبت خالی از سکنه در شب از ساعت 12 تا 5 بامداد به میزان قابل توجهی کاهش یافت که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری بود. در طول روز، بعد از ساعت 7:00 صبح، تسکین مختصری از دویدن بدون اشغال وجود داشت. در سال 2017، نسبت عملیات در طول روز کاهش یافت و در ساعات شلوغی صبح که دقیقا برعکس از ساعت 11:00 شب تا 6:00 صبح بود، مشهودتر بود. و جینشان) فعال تر بودند. از منظر کارایی، نسبت خالی از سکنه در شب از ساعت 12 تا 5 بامداد به میزان قابل توجهی کاهش یافت که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری بود. در طول روز، بعد از ساعت 7:00 صبح، تسکین مختصری از دویدن بدون اشغال وجود داشت. در سال 2017، نسبت عملیات در طول روز کاهش یافت و در ساعات شلوغی صبح که دقیقا برعکس از ساعت 11:00 شب تا 6:00 صبح بود، مشهودتر بود. و جینشان) فعال تر بودند. از منظر کارایی، نسبت خالی از سکنه در شب از ساعت 12 تا 5 بامداد به میزان قابل توجهی کاهش یافت که مربوط به سکوی ارسال سفارشات و ابتکارات فزاینده رانندگان برای یافتن مشتری بود. در طول روز، بعد از ساعت 7:00 صبح، تسکین مختصری از دویدن بدون اشغال وجود داشت. در سال 2017، نسبت عملیات در طول روز کاهش یافت و در ساعات شلوغی صبح که دقیقا برعکس از ساعت 11:00 شب تا 6:00 صبح بود، مشهودتر بود.
می‌توانیم استنباط کنیم که پلتفرم LDOT بیشتری را برای رانندگان حفر کرده است. از آنجایی که ظرفیت دو سال نزدیک بود، مقدار SDOT ناگزیر کاهش یافت، به ویژه با توجه به اینکه شانگهای یک کلانشهر است که در آن شبکه مترو و اتوبوس بسیار متراکم است. بنابراین، در صورت داشتن SDOT، استفاده از مترو برای افراد راحت تر است. در شهرهای کوچکی که شبکه مترو متراکم نیست، راحتی استفاده از تگرگ های الکترونیکی ممکن است SDOT ها را برای رانندگان افزایش دهد، و این باید در کارهای آینده بیشتر تأیید شود. دلایل احتمالی افزایش LDOT به شرح زیر است:
–
اول: الگوریتم پلتفرم در استخراج LDOT خوب است.
–
دوم: رانندگان LDOT ها را برای افزایش درآمد خود ترجیح می دهند.
–
سوم: شبکه مترو و اتوبوس شهری راحت تر است.
از نتایج رویدادهای خالی از سکنه، در طول زمان رفت و آمد، رانندگان زمان بیشتری را صرف گشت و گذار می کنند. اگرچه اپلیکیشن‌های ارسال الکترونیکی می‌توانند به شهروندان کمک کنند تا سریع‌تر تاکسی سواری کنند، اما از دیدگاه رانندگان، زمان سفر کاهش نیافته است. به عنوان یک مکمل، این پلت فرم به رانندگان این امکان را می دهد که در شب فعال تر شوند و در اوایل صبح سفارشات بیشتری دریافت کنند. رانندگان تاکسی نیز زمان استراحت جدیدی دارند. علاوه بر این، توزیع پراکنده‌تر نقاط وانت به این معنی است که پلتفرم از مکان‌های بیشتری برای وانت برای رانندگان پشتیبانی می‌کند. مکان ها از مرکز شهری به حومه شهر گسترش یافته اند و مرکز شهری برای رانندگان تاکسی جذابیت کمتری پیدا کرده است. این پدیده را می توان از تغییرات در جریان ترافیک نیز یافت. اول اینکه تعامل با مرکز شهر ضعیف شده است. دوم، Fengxian، Qingpu، و Songjiang فعالیت کمی تقویت شده با Minhang را تجربه کرده اند. سوم، Minhang به تعاملات فعال تری با سه منطقه Fengxian، Songjiang و Qingpu دست یافته است. در میان آنها، تعامل بین Songjiang و Qingpu نیز افزایش یافته است. در مورد رویدادهای حذفی، اپلیکیشن‌های e-hailing پرداخت‌های موبایلی را معرفی کرده‌اند که در روش سنتی پرداخت نقدی صرفه‌جویی می‌کند و امکان تغییر را فراهم می‌کند. در همین حال، ما همچنین نگران این هستیم که برخی از انصراف ها زمان زیادی را برد، به این معنی که روش پرداخت سنتی به طور کامل جایگزین نشده است. از منظر کارایی، نسبت اشغال نشده در روزهای هفته و آخر هفته کاهش یافته است. نسبت های عملیاتی رانندگان افزایش یافت و در نهایت درآمد آنها افزایش یافت. به طور سنتی، برداشتن در شب با برنامه های e-hailing کمتر اتفاق می افتد، بنابراین رانندگان ترجیح می دهند به خانه بروند یا به طور غیر فعال در نقاط داغ (مانند بیمارستان ها، خیابان ها، دروازه های اجتماع، هتل ها، هتل ها، بارهای کارائوکه و ایستگاه های قطار) منتظر بمانند. فناوری این پلتفرم می تواند این انفعال را جبران کند و شانس دریافت سفارشات جدید را به میزان قابل توجهی افزایش دهد. علاوه بر این، رانندگان در حال حاضر توجه بیشتری به کار در شب دارند و تا حدی ساعات کار خود را از روز به شب تنظیم کرده اند.
این تحقیق سعی در پاسخگویی به سوالات ذکر شده در بخش 1 دارد. پس از کار با اپلیکیشن های e-hailing، رفتار رانندگی رانندگان تاکسی از نظر مکانی و زمانی تغییر کرده است. به طور کلی، برنامه های e-hailing سفارشات بیشتری را در شب و صبح زود به صورت موقت و در مناطق حومه شهر به صورت مکانی استخراج می کنند. به طور خاص، این برنامه ها سفارشات راه دور را برای رانندگان ارائه می دهند. با کمال تعجب، زمان سفر کاهش نیافته است، اما زمان صرفه‌جویی شده به دلیل تغییر روش‌های پرداخت، به احتمال زیاد به استراحت اختصاص داده شده است. در نهایت، پلت فرم نرم افزاری نسبت خالی تاکسی ها را کاهش داده و نسبت عملکرد آنها را بهبود بخشیده است. در نهایت، رفتار جدید رانندگی درآمد بیشتری را برای رانندگان به ارمغان آورده است.
در این مقاله، ما دیدگاه متفاوتی را ارائه کردیم، مقایسه رانندگان تاکسی قبل و بعد از شروع کار با اپلیکیشن‌های e-hailing. تحقیق ما یک روش جهانی برای تجزیه و تحلیل تاثیر کاربردهای e-hailing در صنعت تاکسی را ارائه می دهد که برای FCD تاکسی نه تنها در شانگهای، بلکه در هر شهر دیگری مناسب است. نتایج نشان می دهد که تغییرات در رفتار رانندگی تاکسی می تواند به توزیع منطقی ظرفیت ترافیک شهری کمک کند، می تواند همکاری بین صنعت تاکسی و شرکت های TNC را ارتقا دهد و می تواند به توسعه سالم حمل و نقل نوآورانه کمک کند.
در نهایت، برنامه‌های e-hailing راندمان رانندگی و انعطاف‌پذیری در برنامه‌های کاری رانندگان را بهبود بخشیده است. با این حال، ما همچنان باید به سلامت رانندگان تاکسی توجه بیشتری داشته باشیم، زیرا ممکن است مشکلاتی ناشی از این رفتار جدید رانندگی باشد. به عنوان مثال، برای استفاده از فرصت سفارشات در شب، تنظیم برنامه کاری ممکن است منجر به خستگی و افزایش خطر تصادفات رانندگی شود. علاوه بر این، منطقه مورد مطالعه ما یک شهر بزرگ بود و تغییرات در شهرهای کوچک و متوسط ​​باید در آینده مورد تجزیه و تحلیل قرار گیرد.

منابع

  1. کوریا، دی. زی، ک. اوزبای، ک. بررسی تقاضای تاکسی و اوبر در شهر نیویورک: تحلیل تجربی و مدل‌سازی فضایی. در مجموعه مقالات نود و ششمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 8 تا 12 ژانویه 2017. [ Google Scholar ]
  2. کیان، ایکس. ژانگ، دبلیو. اوکوسوری، اس وی؛ یانگ، سی. تخصیص بهینه و طراحی انگیزشی در مسئله سواری گروهی تاکسی. ترانسپ Res. روش قسمت B. 2017 ، 103 ، 208-226. [ Google Scholar ] [ CrossRef ]
  3. Contreras، SD; Paz, A. اثرات شرکت‌های سواری بر صنعت تاکسی در لاس وگاس، نوادا. ترانسپ Res. بخش A سیاست سیاست. 2018 ، 115 ، 63-70. [ Google Scholar ] [ CrossRef ]
  4. رایل، ال. دای، دی. چان، ن. سرورو، آر. شاهین، س. فقط تاکسی بهتر؟ مقایسه ای مبتنی بر نظرسنجی از تاکسی ها، حمل و نقل و خدمات سواری در سانفرانسیسکو. ترانسپ سیاست 2016 ، 45 ، 168-178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. براون، ا. LaValle, W. Hailing a change: مقایسه کیفیت خدمات تاکسی و سواری در لس آنجلس. حمل و نقل 2020 ، 1-25. [ Google Scholar ] [ CrossRef ]
  6. گلوس، ام. مک گرگور، ام. براون، ب. طراحی برای نیروی کار: اوبر و نیروی کار سیار بر اساس تقاضا. در مجموعه مقالات کنفرانس CHI 2016 در مورد عوامل انسانی در سیستم های محاسباتی، سان خوزه، کالیفرنیا، ایالات متحده آمریکا، 7 تا 12 مه 2016؛ صفحات 1632-1643. [ Google Scholar ]
  7. او، اف. Shen, Z.-JM مدل سازی خدمات تاکسی با برنامه های کاربردی e-hailing مبتنی بر گوشی های هوشمند. ترانسپ Res. قسمت C Emerg. تکنولوژی 2015 ، 58 ، 93-106. [ Google Scholar ] [ CrossRef ]
  8. سیتین، تی. دیکین، ای. تنظیم تاکسی ها و افزایش اشتراک سواری. ترانسپ سیاست 2019 ، 76 ، 149-158. [ Google Scholar ] [ CrossRef ]
  9. Edelman، BG; Geradin, D. کارایی ها و میانبرهای نظارتی: چگونه باید شرکت هایی مانند Airbnb و Uber را تنظیم کنیم. استن فنی L. Rev. 2015 , 19 , 293. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. لیو، ال. آندریس، سی. بیدرمن، ا. Ratti, C. افشای هوش حرکتی راننده تاکسی از طریق ردیابی او. در برنامه های کاربردی آگاه از حرکت برای تحرک پایدار: فناوری ها و رویکردها . IGI Global: Hershey، PA، USA، 2010; صص 105-120. [ Google Scholar ]
  11. لیو، ال. آندریس، سی. راتی، سی. کشف الگوهای رفتاری تاکسیران از ردپای دیجیتالی آنها. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 541-548. [ Google Scholar ] [ CrossRef ]
  12. لی، بی. ژانگ، دی. سان، ال. چن، سی. لی، اس. چی، جی. یانگ، س. شکار یا انتظار؟ کشف استراتژی‌های مسافر یابی از مجموعه داده تاکسی در مقیاس بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در کارگاه های آموزشی فراگیر محاسبات و ارتباطات (کارگاه های آموزشی PERCOM)، سیاتل، WA، ایالات متحده آمریکا، 21-25 مارس 2011. صص 63-68. [ Google Scholar ]
  13. یوان، جی. ژنگ، ی. Xie، X. Sun، G. T-drive: بهبود جهت های رانندگی با هوش رانندگان تاکسی. IEEE Trans. بدانید. مهندسی داده 2011 ، 25 ، 220-232. [ Google Scholar ] [ CrossRef ]
  14. یوان، نیوجرسی؛ ژنگ، ی. ژانگ، ال. Xie, X. T-finder: یک سیستم توصیه‌کننده برای یافتن مسافران و تاکسی‌های خالی. IEEE Trans. بدانید. مهندسی داده 2012 ، 25 ، 2390-2403. [ Google Scholar ] [ CrossRef ]
  15. دینگ، ال. فن، اچ. Meng, L. درک رفتارهای رانندگی تاکسی از داده های حرکت. در AGILE 2015 ; Springer: برلین/هایدلبرگ، آلمان، 2015; صص 219-234. [ Google Scholar ]
  16. ناجی، ح. وو، سی. ژانگ، اچ. درک تأثیر الگوهای تحرک انسانی بر سودآوری رانندگان تاکسی با استفاده از تکنیک‌های خوشه‌بندی: مطالعه موردی در ووهان، چین. اطلاعات 2017 ، 8 ، 67. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. گائو، ی. خو، پی. لو، ال. لیو، اچ. لیو، اس. Qu, H. تجسم درآمد و هوش تحرک رانندگان تاکسی. در مجموعه مقالات سمپوزیوم بین المللی محاسبات بصری ; Springer: برلین/هایدلبرگ، آلمان، 2012; ص 275-284. [ Google Scholar ]
  18. پاول، جی دبلیو. هوانگ، ی. باستانی، ف. Ji, M. به سوی کاهش زمان سفر با تاکسی با استفاده از نقشه‌های سودآوری مکانی-زمانی. در مجموعه مقالات سمپوزیوم بین المللی پایگاه های داده مکانی و زمانی ; Springer: برلین/هایدلبرگ، آلمان، 2011; ص 242-260. [ Google Scholar ]
  19. شن، ی. ژائو، ال. Fan, J. تجزیه و تحلیل و تجسم برای توصیه مسیر مبتنی بر نقطه داغ با استفاده از ردیابی GPS تاکسی با تاریخ کوتاه. اطلاعات 2015 ، 6 ، 134-151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. لنگ، بی. دو، اچ. وانگ، جی. لی، ال. Xiong, Z. تجزیه و تحلیل رفتار رانندگان تاکسی در نبرد بین دو برنامه تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 17 ، 296-300. [ Google Scholar ] [ CrossRef ]
  21. نه، YM چگونه صنعت تاکسی می تواند از جزر و مد منابع سواری جان سالم به در ببرد؟ شواهد از شنژن، چین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 79 ، 242-256. [ Google Scholar ] [ CrossRef ]
  22. نیش، ز. سو، آر. Huang, L. درک تأثیر جنگ یارانه برنامه های الکترونیکی بر روی مناطق عملیاتی تاکسی. J. Adv. ترانسپ 2018 ، 2018 ، 7687852. [ Google Scholar ] [ CrossRef ]
  23. بله، س. سن، جی. چن، ایکس. ژانگ، اچ. چگونگی تغییر عملکرد تاکسی در توسعه برنامه‌های تگرگ الکترونیکی: مطالعه موردی در شانگهای، چین. در CICTP 2017: اصلاحات و تغییر حمل و نقل – برابری، فراگیری، اشتراک گذاری و نوآوری ؛ انجمن مهندسین عمران آمریکا: Reston، VA، ایالات متحده آمریکا، 2018؛ صص 2167–2177. [ Google Scholar ]
  24. چن، ایکس. بله، س. ژانگ، اچ. بررسی تغییر در دسترس بودن سرویس تاکسی تحت مکانیسم عملیاتی برنامه‌های ارسال الکترونیکی. در مجموعه مقالات پانزدهمین کنفرانس جهانی تحقیقات حمل و نقل، بمبئی، هند، 26 تا 31 مه 2019. [ Google Scholar ]
  25. بله، س. چن، ایکس. اوزبای، ک. وانگ، ی. چگونه مردم رویدادهای ویژه در تحرک مشترک را مشاهده می‌کنند و به آنها پاسخ می‌دهند: مطالعه موردی دو حادثه ایمنی دیدی از طریق Sina Weibo. در مجموعه مقالات بیستمین کنفرانس بین المللی COTA متخصصان حمل و نقل، شیان، چین، 14 تا 16 اوت 2020؛ صص 3229–3240. [ Google Scholar ]
  26. سیما، ع. Cattaneo، P. باوملر، ام. Axhausen، KW عوامل موثر بر رفتار خرید فردی: مورد سوئیس. فدرال رزرو سوئیس خاموش تف کردن توسعه دهنده 2004 247 . _ [ Google Scholar ] [ CrossRef ]
Ijgi 10 00077 g001 550
شکل 1. تاثیر برنامه های e-hailing بر رانندگان تاکسی. 1 مسافت مسافت سفر، 2 N سفر غیر اشغالی، 3 O سفر اشغال شده است.
Ijgi 10 00077 g002 550
شکل 2. توزیع فراوانی مسافت سفرهای اشغال شده در ( الف ) 2015 و ( ب ) 2017.
Ijgi 10 00077 g003 550
شکل 3. تفاوت نسبی بین ( الف ) سفرهای مسافت کوتاه و ( ب ) مسافت طولانی اشغال شده. نسبت تغییرات نسبی به نرخ رشد سفر بین 2015 و 2017 اشاره دارد و فرمول رشد مطابق فرمول (1) است. اگر شیر y > 0 باشد، رشد تعداد سفرها بیش از 0 درصد بوده و تعداد سفرها افزایش یافته است. در عوض، اگر دریچه y < 0 باشد، رشد تعداد سفرها زیر 0 درصد بوده و تعداد سفرها کاهش یافته است.
Ijgi 10 00077 g004 550
شکل 4. سفر اشغال شده در مسافت کوتاه (SDOT) و سفر اشغال شده از راه دور (LDOT) در هر نقطه از نقاط شروع در 2015 ( a ) و 2017 ( b ). بخش های نمودار دایره ای قرمز و آبی به ترتیب نشان دهنده SDOT و LDOT هستند. نمودارهای دایره ای متناسب با تعداد سفرها در هر فاصله مسافتی، در داخل هات اسپات قرار دارند.
Ijgi 10 00077 g005 550
شکل 5. توزیع فراوانی مسافت سفرهای اشغال نشده در ( الف ) 2015 و ( ب ) 2017.
Ijgi 10 00077 g006 550
شکل 6. تفاوت نسبی بین مدت زمان اشغال نشده از 2015 تا 2017.
Ijgi 10 00077 g007 550
شکل 7. رشد مدت زمان سفر دریایی سال به سال در ماه مه: ( الف ) سفرهای دریایی در 30 دقیقه. ( ب ) سفرهای دریایی در 60 دقیقه.
Ijgi 10 00077 g008 550
شکل 8. کیفیت سفرهای خالی بیش از 1 ساعت، بر حسب ساعت.
Ijgi 10 00077 g009 550
شکل 9. توزیع نقاط برداشت. جهت گیری از بالا به پایین، از چپ به راست: (1) مرکز شهری؛ (2) منطقه جدید پودونگ؛ (3) منطقه جینشان؛ (4) منطقه Minhang. (5) منطقه Fengxian; (6) ناحیه جیادینگ؛ (7) منطقه Songjiang; (8) ناحیه بائوشان; (9) منطقه Qingpu.
Ijgi 10 00077 g010 550
شکل 10. مدت زمان پرداخت. ( الف ) توزیع مدت زمان پرداخت در 5 دقیقه در می 2015؛ ( ب ) توزیع مدت زمان پرداخت در 5 دقیقه در ماه مه 2017؛ ( ج ) میانگین زمان پرداخت در هر نوار.
Ijgi 10 00077 g011 550
شکل 11. جریان ترافیک در ( الف ) 2015 و ( ب ) 2017.
Ijgi 10 00077 g012 550
شکل 12. نسبت خالی ( الف ) در روزهای کاری و ( ب ) در تعطیلات آخر هفته.
Ijgi 10 00077 g013 550
شکل 13. نسبت عملیات تاکسی.
Ijgi 10 00077 g014 550
شکل 14. میانگین درآمد روزانه رانندگان تاکسی در ( الف ) 2015 و ( ب ) 2017.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید