论文总字数：9973字

摘 要

随着人们生活方式的改变，网约车出行已经成为人们出行的一项重要方式，因此，滴滴打车的运营方式值得思考。本文主要采用应用统计的因子分析和相关分析的方法，对影响滴滴打车应用频率和时段的因素进行分析，以期找出关键的影响因素；分析网约车区别于出租车的特殊计价策略以及网约车出行在学生和社会群体中占有较高地位的原因。

关键词：计价方式；影响因素；因子分析；相关分析

Abstract：With the changing of people’s lifestyle, online car-hailing has become an important method for people to go out. Therefore, the operational way of Didi taxi is worth of further thinking. Factor analysis and correlation analysis were applied to this paper. It analyzed the factors on the applied frequency and the period of time of Didi APP. It hoped to find the key impact factor. Researches results show the differences between online car-hailing and common taxi on its special pricing strategy. The reasons of the online car-hailing had a high social status in students and social groups.

Key words: pricing method;influence factor; factor analysis; correlation analysis

目 录

1 引言 4

2 预备知识 4

2.1多元统计分析的定义及发展历程 4

2.2因子分析定义 5

2.3相关性分析的定义、分析前提及相关系数简介 5

2.4网约车运营模式 6

2.5多元统计分析方法解决滴滴出行问题的可行性 7

3 现状分析 7

3.1 因子分析 9

3.2 相关性分析 11

3.3 调查结果 11

4 结论 12

结 束 语 13

参 考 文 献 14

致谢 15

1 引言

滴滴打车是对原始打车方式的一种颠覆，是科技化信息时代的出行方式之一。完全区别于路边的招手停车，它把移动互联网的功能运用到极致，将线上打车与线下乘车相结合，画出一个从乘客打车到司机接单再到支付车费，各个环节紧密相连的完美闭环，革命性地改变了出租车的运营模式，滴滴司机根据客户的终点，选择是否“接单”，这种方式大大降低了司机与乘客沟通成本，对出租车不载人空跑的情况有所改善，节省了司机与驾驶员双方的时间和精力。滴滴出行分为滴滴快车^[1]、专车^[2]、顺风车^[3]、代驾^[4]、租车等，每一种都有其各自的特点。对于滴滴出行方面的研究，研究方式多种多样，研究方向各不相同，文献[5]表明滴滴打车是对当前行业的一种升级，增加了这一行业的利益产出，对其利益分配方式也有大的改变；同时，乘客可以更便捷地打到车，司机可以最少的成本，取得最大的收益。也有文献分析了滴滴打车的运营模式，例如文献[6]就阐述了滴滴打车的一系列问题：没有做好乘客的安全保障，无法进行有效投诉，法律法规制定不完善导致缺少相关部门的监管或者出现问题后处理突发事件又出现延迟或推诿的情况。以淮安市为例，分析影响滴滴打车应用频率和时段的因素，将这些影响因素提炼整合成几个大的方面，探讨淮安市校园及社会的滴滴打车的现状及滴滴公司应对策略。

2 预备知识

2.1多元统计分析的定义及发展历程

多元统计分析是对事务中多个变量之间关系的分析的方法，是经典统计学的一个分支。我们称这样的数据为多元数据，即如果说描述某个事情可以有多个维度，或者说可以在n维空间中表示这些信息。多元统计分析就是对多元数据进行描述与分析的方法。多元统计分析几乎可以渗透进现代大多数学科中，有着广泛的应用，随着计算机技术的发展，许多统计软件都可以进行分析。人们使用SPSS,SAS这些软件，使得他们在利用多元统计分析方法解决实际问题时变得更加简便。

虽然系统地研究多维概率分布问题是在进入20世纪后才开始的，但是在19世纪时就已经有人开始对二维正太总体进行研究，并得出其研究方法。学界公认把1928年导出维夏特分布作为多元统计分析成为独立学科的标志。但是由于计算的复杂性以及战争原因，多元统计的发展一度陷入了停滞。到了50年代中期，伴随着电子计算机的发展和普及，多元统计分析在诸多领域得到了广泛的应用，也促进了理论的发展。

2.2因子分析定义

因子分析的基本思想是根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组变量间的相关性较低。该方法的基本思想是将内涵相同或相似的变量分为一个因素，以减少变量的数量。并且这些少数几个因子可以保留原来的大部分信息。对这些技术的应用，我们可以判断出影响消费者使用网约车的时段、频率以及满意度的主要因素是哪些，还可以判断各种因素影响程度的大小。

因子分析有两个关键问题：一个是因子变量的选择与构造；另一个是如何命名和解释因子变量。所以，因子分析的研究步骤和解决方案集中在这两个核心问题上。

2.3相关性分析的定义、分析前提及相关系数简介

我们称这样的分析方法为相关性分析，即对两个或两个以上的具有相关关系的变量进行分析，用以判断几个变量之间相关程度的大小。需要注意的是，如果把任意两组数据拿来做相关性分析，仍然可以得到一个相关系数，甚至有时候这个相关系数的值还很大，但是由于逻辑上的不符，所以并不能认为这两组数据之间存在相关性。因此，在选择进行相关分析的数据组前，变量之间必须有内在的关系。相关性分析可以通过统计指标客观地表达客观事物之间关系的紧密性。

分析前提：在使用因子分析解决实际问题之前，必须计算KMO统计量，并且当KMO值大于等于0.6时，说明该组数据适宜采用因子分析。

皮尔森相关系数用于测量直线上是否有两个数据集，并用于测量固定范围变量之间的线性关系。

协方差的公式如下：

皮尔森相关系数的公式如下：

皮尔森相关系数是表示两个变量间线性相关性强弱的统计量。如果相关系数越接近于1，则表示这两个变量间存在着明显的正线性相关关系；反之，如果相关系数越接近于-1，则这两个变量间存在着明显的负线性相关关系；如果相关系数越接近于0，则表示两个变量间的线性相关关系极弱或没有线性相关。也可表述为，相关系数的绝对值越大，意味着线性相关性越强，反之，则越弱。

2.4网约车运营模式

剩余内容已隐藏，请支付后下载全文，论文总字数：9973字