机场出租车决策因素及“上车点”设计和“优先权”的探讨

摘要
本文基于机场出租车司机的决策问题和“上车点”的安排及“优先”方案的设计问
题，建立了等待时间模型、效率安全模型，通过 χ2 检验、因子分析，利用 Matlab、SPSS
软件 [1, 2] 实现了决策方案和安排设计方案问题的求解。
针对问题一，一方面通过构造机场的客流量变化函数，我们建立了排队方案的等待
时间模型。另一方面，我们考虑随机噪音，建立随机微分方程模型，给出最大空载时间
的期望函数。此外，我们首次将空载耗油量等效为可量化等待时间，建立了返回市区载
客方案的等效等待时间模型，并综合以上两个模型给出最优决策方案。
针对问题二，我们利用多项式拟合，基于广州白云机场的数据，建立客流量变化模
型。此外，我们考虑空载时间的正态分布模型，得出空载时间期望。在若干个时间点上，
我们计算两种方案的等待时间，并给出对应的决策方案。值得注意的是，我们利用 χ2
检验 [3] 检测拟合曲线与实际数据，得出 P 值为 1.00，χ2 值为 15111.143，验证了拟合
曲线的合理性。最后，通过直观分析法，我们验证了所建立模型的合理性，并采用因子
分析验证了模型对城市路况因子和机场情况因子具有较高的依赖性，同时进一步验证了
模型的合理性。
针对问题三，我们首次提出安全系数，以量化安全这一抽象概念。其次，通过排队
( 1)
论，我们给出了效率安全模型，并进一步通过非线性影响因子 ω n 2 进行误差修正。基
于直观分析所得结果，我们考虑了“上车点”的独立分布与合并分布两种安排方案，并
分别计算它们的效率。最后，我们将理论结果应用于广州白云机场的“上车点”的安排
方案中，得出此时的最佳方案为合并四个独立“上车点”，验证了理论结果的有效性和
可行性。
针对问题四，一方面我们考虑增设绿色通道，另一方面予以补贴资金，通过司机每
月的机场载客次数，给出具体补贴方案。同时，我们分析了所设立补贴方案的合理性。
本文的主要创新点可陈列如下：一、引入随机噪音、非线性影响因子因素，与实际
情况更加贴近。二、首次将空载耗油等效时间、安全等抽象的因素量化表示并加以分析，
使理论结果更合理、科学。三、通过排队论，详细地分析了“上车点”的安排方案，同
时综合考虑了合并分布的情况。

关键字： 排队论 随机噪音 因子分析 χ2 检验

1
 一、 问题重述

1 . 1 问题背景

将客人送走后，出租车司机可前往到达区排队等待载客；或直接空载返回市区拉
客。前者需要司机付出等待成本；而后者则需付出空载运行费用，并会损失部分潜在收
益。决策因素通常与司机的个人经验有关，即司机需考虑多个影响因素，综合分析后做
出决策。故而有必要给出科学的决策方案，使司机收益尽可能大。同时，对于管理部门
来说，一方面应合理安排乘客上车点的分布，使上车过程安全、高效。另一方面，对于
短途载客后返回机场的出租车，应给予一定程度的补助，均衡出租车的收益。因此，针
对以上问题，如何给出可行、科学的安排方案，成为机场管理部门所关心的核心问题。

1 . 2 问题提出

围绕收集到的数据，本文建立数学模型研究了如下问题：
（1）分析研究与出租车司机决策相关因素的影响机理，综合考虑机场乘客数量的变
化规律和出租车司机的收益，建立出租车司机选择决策模型，并给出司机的选择策略。
（2）收集国内某一机场及其所在城市出租车的相关数据，给出该机场出租车司机的
选择方案，并分析模型的合理性和对相关因素的依赖性。
（3）在某些时候，经常会出现出租车排队载客和乘客排队乘车的情况。某机场“乘
车区”现有两条并行车道，管理部门应如何设置“上车点”，并合理安排出租车和乘客，
在保证车辆和乘客安全的条件下，使得总的乘车效率最高。
（4）机场的出租车载客收益与载客的行驶里程有关，乘客的目的地有远有近，出租
车司机不能选择乘客和拒载，但允许出租车多次往返载客。管理部门拟对某些短途载客
再次返回的出租车给予一定的“优先权”，使得这些出租车的收益尽量均衡，试给出一
个可行的“优先”安排方案。

二、 模型的假设

• 司机掌握客流量变化情况、“蓄车池”内现有车辆数等数据；
• 司机到达“蓄车池”时站台上总有刚到达的乘客，但司机需要排队等待拉客；
• 一辆出租车载两位乘客；
• 司机开始排队时，队伍内车辆数是根据客流量确定的理想数量；
• 在排队论中，乘客到达率为常数，且服从 Poisson 分布；
• 在排队论中，每个乘客的上车效率为常数，服从指数分布。

2
 三、 符号说明

符号 意义 符号 意义

tk 空载时间（min） F (t, v0 , ∆t0 ) 决策函数

td 等待时间（min） S 安全系数

ψ(t) 空载时间 tk 的概率密度 n “上车点”个数

Φ(t) 空载时间 tk 的概率分布 s0 单个“上车点”开口宽度

γ 噪音强度 L 排队区的总长度

B(t) 一维标准布朗运动 λ 单位时间到达乘客平均数

′
tk 实际空载时间（min） µ 单位时间离开乘客平均数

g(t) 等效函数 ρ 乘客上车过程的服务强度

′′
tk 空载耗油等效时间（min） Ls 等候区内的平均顾客数

f (t) 机场客流量变化函数 Lq 等候区内的等待顾客数量

∆t0 (t, t + tk ) 时段内乘客变化量 Ws 乘客等待到离开所需时间

v0 乘客的平均离开速度 Wq 乘客等待到离开所需平均时间
( 1)
M (t) 可预见的最大排队乘客量 ω n2 非线性影响因子

V (t) 排队车辆数 k0 司机每月机场接客的次数

四、 模型的建立与求解

4 . 1 问题一的分析与建模

4 . 1 . 1 问题一的分析

为分析两种决策方案，我们分两种情况分别进行研究。值得注意的是，司机在做出
决策时，无法预测未来的潜在载客收入。所以司机应重点衡量两种方案中的损失。
在返回方案中，司机需要计算接到客前的空载时间 tk 。这与城市、季节、时刻等因
素有关。我们利用概率密度函数 ψ(tk )，计算空载时间 tk 的概率分布。同时，考虑到市
区内交通情况复杂，空载时间易受环境扰动影响，故引入随机噪音，利用随机微分方程

3
模型进行模拟，以更好地贴合实际。此外，通过等效函数 g(tk ) 的选取，我们建立“空
载时间 → 空载运行燃油费 → 等效空载时间”的等效映射，以完善 tk 的计算。
在排队方案中，司机需要计算排队等待时间 td 。据上文分析，司机可先计算返回方
案的等效时间 tk 作为参考。在考虑排队方案时，显然排队时间不超过 tk 。故对任意一时
刻 t，只需要计算 (t, t + tk ) 时间段内上车乘客的数量，根据乘客上车所需平均时间 ∆t0 ，
即可计算出排队所需等待时间 td 。
最后，通过建立时间差函数，量化两种方案的优劣性，做出最优选择。
为了更好地说明问题一的研究思路，如下的流程图被给出：

图1 问题一流程图

4 . 1 . 2 模型的建立

根据以上分析，模型的建立需要分别计算返回方案和排队方案的时间消耗，综合比
较后做出最优决策。
对于返回方案时间模型，考虑到空载时间 tk 的概率密度函数为 ψ(t) ∈ R[0, +∞)，
并记概率分布函数 Φ(t) 如下： ∫ t
Φ(t) = ψ(τ )dτ
0

4
 为研究方便，不妨设 ψ(t) ∈ C[0, +∞)，则空载时间的概率模型可被给出如下：

dΦ(t)
= ψ(t) (1)
dt
考虑到环境扰动，在 (1) 中引入随机因素，则模型 (1) 可被改写如下：

dΦ(t) = ψ(t)dt + γdB(t) (2)

其中 γ 代表噪音强度，B(t) 代表一维标准布朗运动。
为方便起见，令 B(0) = 0，则对于 ∀t ∈ (0, +∞)，有 B(t) ∼ N (0, t)。对 (2) 两端积
分后取数学期望，有 ∫ +∞
′
tk = tψ(t)dt (3)
0
′
其中 tk 代表实际空载时间。
另一方面，选取合适的等效函数 g(t)，它应与当地燃油费、平均空载率、平均里程
′′
数有关，则空载燃油消耗的等效时间 tk 可被计算如下：
′′
( ′)
tk = g tk (4)

综上所述，结合 (1)、(2)、(3) 和 (4) 式，可得如下的返回方案时间模型：



 dΦ(t) = ψ(t)dt + γdB(t)



 ∫ +∞

 ′
tk = tψ(t)dt
( ′)
0 (5)

 ′′

 t = g tk


k


t = t′ + t′′
k k k

对于排队方案时间模型，设机场客流量变化函数为 f (t)，考虑到机场客流量变化呈
现出一定的连续性，不妨设 f (t) ∈ C 1 [0, +∞)。则在最大等待时间 (t, t + tk ) 内，乘客的
变化量 ∆f (t) 可被表示为
∫ t+tk ( )
′
∆f (t) = f (τ ) + v0 dτ
t

其中 v0 代表乘客的平均离开速度。
结合假设，t 时刻司机所能预见的最大排队乘客量为
∫ t+tk ( )
′
M (t) = f (t) + ∆f (t) = f (t) + f (τ ) + v0 dτ
t

根据每辆出租车载两位乘客的假设，此时排队的车辆数为
( ∫ t+tk ( ) )
M 1 ′
V (t) = = f (t) + f (τ ) + v0 dτ
2 2 t

5
 因此，我们建立如下的排队方案时间模型
( ∫ t+tk ( ) )
∆t0 ′
td = V × ∆t0 = f (t) + f (τ ) + v0 dτ (6)
2 t

其中 ∆t0 代表乘客上车所需平均时间。
结合 (5) 和 (6)，决策函数 F (t, v0 , ∆t0 ) 可被表示为


F (t, v0 , ∆t0 ) = td − tk



 ( ∫ t+tk ( ) )

 ∆t0

td = f (t) +
′
f (τ ) + v0 dτ

 2

 t
′ ′′
tk = tk + tk (7)

 ∫ +∞



 ′

tk = tψ(t)dt



 ( )
0

t′′k = g tk′

因此，当 F (t, v0 , ∆t0 ) > 0 时，返回方案为最优方案；当 F (t, v0 , ∆t0 ) < 0 时，排队

方案为最优方案；当 F (t, v0 , ∆t0 ) = 0 时，二者均可采纳。

4 . 2 问题二的分析与计算

4 . 2 . 1 问题二的分析

首先，我们收集广州白云机场的客流量数据。对返回方案时间模型，考虑与实际情
况吻合度较高的正态分布概率函数作为 ψ(t)。以一小时为基准，通过广州市的平均空载
′
率计算出期望，与理论期望 tk 作对比，检验数据的合理性。同时，依据广州市的油费等
数据，建立合理的等效函数 g(t)，即可计算出最终的空载时间 tk 。
对排队方案时间模型，首先以白云机场的客流量离散数据为基础，通过多项式拟合
分析，构造出模型中所需要的客流量变化函数 f (t)。为保证拟合曲线的准确性，我们利
用 χ2 检验，验证拟合的理论值与实际值的相关性。通过选取合适的 v0 、∆t0 ，结合返回
方案时间模型中所得的空载时间 tk ，可计算得等待时间 td 。我们在多个时间点上计算两
种方案的时间并加以对比，给出司机在不同时刻的最优决策。
对于模型的合理性，我们仍以白云机场的数据为基础，计算排队方案时间模型中的
排队车辆数变化函数 V (t)，采用直观分析法，比较 V (t) 与客流量变化函数 f (t) 的变化
趋势，来验证模型的合理性。其次，我们收集五个不同机场的数据，结合当地空载率等
数据，分别计算出若干个相同时刻下，不同地区机场中两种方案的时间。通过计算所得
的数据，对多个影响因素进行因子分析，得到模型对各个影响因素的依赖性。值得注意
的是，考虑到正态分布更贴合现实，并且 ∆t0 与 v0 通常不变，我们只判定模型对时间、
空载时间期望、空载耗油费三个因素的依赖性。

6
4 . 2 . 2 模型的计算

首先计算返回方案的空载时间。广州市出租车相关数据被陈列如下：

表1 广州市出租车相关数据

城市 净营业额 空载率 里程利用率 平均时速 每公里油费

广州 19500(元) 0.26 0.74 25.3(km/h) 0.61(元)

在实际生活中，大多数随机事件服从正态分布，故我们取 ψ(t) 为正态分布函数，即

{ }
1 (t − η)2
ψ(t) = √ exp −
2πσ 2σ 2

其中 η、σ 为参数。例如，当 η 取定时，ψ(t) 随 σ 以及 t 的变化如图2所示：

图2 η 取定时，ψ(t) 随 σ 以及 t 的变化

′
我们取 60 分钟为基数，结合广州市的数据，计算得 tk = 15.73。接下来，等效函数
′
g(tk ) 被给出如下：
′
′ tk vk mk Ik Rk
g(tk ) =
Jk
其中 vk 为平均速度，mk 为每公里油费，Ik 为一个月的平均工作时间，Rk 代表里程
′′
利用率，Jk 代表净营业额。根据表1的数据，可知 tk = 2.47。故返回方案的空载时间
′ ′′
tk = tk + tk = 18.2。
对于排队方案的等待时间，考虑广州白云机场的客流量数据，并将其表示在图3中：

7
 40

35

30

25
f(t)

20

15

10

0
0 200 400 600 800 1000 1200 1400
t

图3 广州白云机场的客流量变化数据

对获得的数据进行多项式拟合处理，得到拟合曲线 f (t) ∈ C 1 [0, +∞)，并将其表示

在图4中：

40

35

30

25
f(t)

20

15

10

0
0 200 400 600 800 1000 1200 1400
t

图4 广州白云机场的客流量变化函数

利用 SPSS 软件进行 χ2 检验，可得如下结果：

8
 图5 χ2 检验结果

由 P 值为 1，χ2 值为 15111.143 > 10.828，可知拟合曲线在一定误差范围内是合理

有效的。
结合 v0 = 40，∆t0 = 0.025，可计算出 td 在不同时刻的值。我们选取七个不同的时
间点，将其所对应的客流量展示在下表中：

表2 不同时刻的客流量数据

时刻 7:10 9:20 11:40 14:00 16:20 18:40 21:00

人流量 (100 人) 7.30 2.50 15.20 2.50 10.60 8.50 24.50

根据以上分析及数据，可求得不同时刻对应的排队等待时间，以及此时刻的最优方
案：

表3 不同时刻的排队等待时间和最优方案

时刻 7:10 9:20 11:40 14:00 16:20 18:40 21:00

等待时间 (min) 35.27 11.38 13.82 22.97 12.75 19.32 22.57

最优方案 返回 排队 排队 返回 排队 返回 返回

针对模型的合理性，我们做出了车流量 V (t) 随时间变化的曲线，并与客流量曲线

进行比较，相关结果被展示在图6中：

9
 60

50

40
V(t)

30

20

10

0
0 200 400 600 800 1000 1200
t

图6 广州白云机场的客流量和车流量曲线

利用直观分析法可得，问题一中所建立的模型是合理的。
接下来，我们利用因子分析验证模型对各个因素的依赖性，同时进一步验证模型的
合理性。考虑六个因素：空载率、里程利用率、空载时间期望、空载耗油费、人流量、机
场等待时间，我们通过因子分析法从中找到了两个综合评价指标，并分别将其命名为：
城市路况因子和机场情况因子。则如下的成分得分系数矩阵可以被得到：

图7 成分得分系数矩阵

由成分得分系数矩阵，我们可得到两个因子得分的计算公式如下：

10
 表4 不同方案下的因子得分计算公式

因子得分计算公式

空载率 ×0.276+ 里程利用率 ×(-0.276)+ 人流量 ×(-0.04)

排队方案
+ 空载耗油等效时间 ×0.231+ 期望 ×0.276+ 机场等待时间 ×(-0.024)

空载率 ×(-0.005)+ 里程利用率 ×0.005+ 人流量 ×0.555

返回方案
+ 空载耗油等效时间 ×(-0.046)+ 期望 ×(-0.005)+ 机场等待时间 ×0.549

其中，因子得分高代表对应方案更优，司机可凭借此结果做出选择。这里我们同样
以表2中的数据为基础，计算两种方案对应的因子得分如下：

表5 不同时刻的排队等待时间和最优方案

时刻 7:10 9:20 11:40 14:00 16:20 18:40 21:00

排队方案因子得分 3.83 4.59 11.62 4.31 8.48 4.16 3.44

返回方案因子得分 19.01 3.23 4.02 9.59 4.23 10.92 21.58

最优方案 返回 排队 排队 返回 排队 返回 返回

与表3中的结果对比，模型的合理性和有效性可以被很好地验证。接下来，我们继
续分析模型对各因素的依赖性。首先，如下的公因子方差表被给出：

图8 公因子方差

通过分析，我们发现提取的公因子方差均大于 0.5，绝大多数大于 0.7，说明提取的

因子能够较好地表达所有变量。继而，我们进行定量分析，并得到如下的总方差解释：

11
 图9 总方差解释

由此可知，我们提取的两个因子可将所有变量表达 87.238%。综上，模型与城市路
况因子和机场情况因子具有较高的依赖性。

4 . 3 问题三的分析与计算

4 . 3 . 1 问题三的分析

对于管理部门来说，
“上车点”的设计应尽可能使乘客上车效率高，因此“上车点”
的数量应尽可能多；然而过多的“上车点”会带来一定的安全隐患。故而“上车点”的
数量和安排应控制在合理范围内，即在保证安全的前提下，尽可能提高乘客上车效率。
首先，应设计合理的安全系数，交通枢纽站的“上车点”安全分析已经被学者研究
过 [4]，它通常与“上车点”的数量、单个“上车点”的开口宽度以及排队区的总长度有
关。各个机场的“上车点”安排方案中，以上三个因素各有异同，故机场在决定“上车
点”安排方案时，应计算安全系数，使安全系数尽可能高。
其次，为了更好地解释“上车点”的工作机制，如下的示意图被给出：
出租车停车位

旅客上车点
旅客排队区
分隔护栏

图 10 “上车点”工作机制示意图

12
 当“上车点”彼此不相邻时，可利用排队论 [5]，计算得乘客排队的等待时间以及
队伍长度，以此为指标衡量乘客的上车效率。显然当“上车点”的数量充分大时，乘客
的上车效率将趋于饱和，故通过两种指标的图像，通过直观分析法，可确定使效率尽可
能大的“上车点”数量。
注意到以上方案考虑的“上车点”彼此不相邻，然而，若合并上述两个“上车点”，
即下图所示：

合并后的两个
分隔护栏
“上车点”

图 11 合并后的“上车点”示意图

注意到当各个“上车口”彼此独立时，应有与“上车口”等数目的乘客排队队伍数
量，每一条队伍的乘客到达时间均服从 Poisson 分布，这会使上车效率降低。此外，根
据安全系数的定义，合并“上车口”与否并不影响安全系数。因此，有必要对所得到的
“上车点”数量进行分析，合并若干个“上车点”或全部合并，以提高乘车效率。

4 . 3 . 2 模型的建立

首先，定义安全系数 S 如下：
L
S=
ns0
其中 L 为排队区的总长度，n 为“上车点”数量，s0 为单个“上车点”的开口宽度。由
定义知，排队区总长度越大、“上车点”数量越少、单个“上车点”开口宽度越小，安
全系数越高。
接下来，利用排队论建立效率模型。采用排队论中标准 M /M /S/∞/∞/F CF S，即
等待制排队论，先到先服务（FCFS）
。在此之前，为研究方便，先给出如下的解释和说
明：
• λ：单位时间（min）到达的乘客平均数；
• 输入过程：出租车与乘客进入排队等候区的过程；
• 服务过程：乘客上车的过程（即乘客与出租车进行配队的过程）；

13
 • 队伍长度（Ls ）：等候区内的平均顾客数；
• 等待队伍长度（Lq ）：等候区内的等待顾客数量；
• 平均逗留时间（Ws ）：乘客进入等待区到乘车离开，这一过程所用的时间；
• 平均等待时间（Wq ）：乘客从等待到离开所需的平均时间；
• µ：单位时间（min）上车离开的乘客的平均数。
基于以上说明，定义 ρ 为乘客上车过程的服务强度，满足：
λ
ρ=
nµ
则依据排队论，根据假设，结合安全系数，可得如下的效率安全模型：
 L

S=




ns0

 (nρ)n ρ



L s = nρ + p0

 n!(1 − ρ)2

 [n−1 ]−1

 ∑ (nρ)i

p =
n
(nρ) ρ
0 +
i! n!(1 − ρ) (8)


i=0

 Ls




Ws =

 λ

 1

Wq = Ws −



 µ


Lq = λWq

此外，考虑到上车点服务台个数增加，队伍长度在影响因子作用下相应减少，且为
非线性关系。假设服务台俯视图为正方形，占地面积增加，影响因子为占地面积的 1/2
( 1)
次方。又知占地面积与“上车点”数量成正比，故可将非线性影响因子写作 ω n 2 。因
此，效率安全模型 (8) 可被改写如下：
 L

S=




ns0

 (nρ)n ρ



L s = nρ + p
2 0

 n!(1 − ρ)

 [n−1 ]−1

 ∑ (nρ)i

p = (nρ) n
ρ
0 +
i! n!(1 − ρ) (9)


i=0

 Ls




Ws =

 λ

 1 ( 1)

Wq = Ws − + ω n 2



 µ

 ( 1)
Lq = λWq + ω n 2

从模型 (9) 中，通过直观分析效率指标 Lq 和 Wq ，可以在保证安全的基础上，确定最大

效率所对应的“上车口”数量。在此基础上，将求得的所有“上车口”合并在一起，并
比较全合并与全不合并两种情况下的效率，以佐证全合并方案的有效性和合理性。

14
4 . 3 . 3 模型的计算

我们以广州白云机场的数据为基础，取 λ = 3，µ = 4，则效率指标 Lq 和 Wq 的变

化趋势可被展示如下：

3.5

2.5

1.5
1 2 3 4 5 6 7

图 12 效率指标变化趋势

由直观分析可以得到，当 n ≥ 4 时，效率指标 Lq 和 Wq 趋于稳定。考虑到 n 增加

时，安全系数 S 降低，故选取 n = 4 是最合理的“上车点”安排方案。继而我们考虑合
并四个“上车点”的情况，并将这种情况下的效率指标 Lq 和 Wq 变化趋势展示如下：

3.5

2.5

1.5

0.5
1 2 3 4 5 6 7

图 13 合并后效率指标变化趋势

15
 为了更好地说明两种安排方案的效率差异，我们将二者的效率指标 Lq 和 Wq 展示
在下表中：

表6 两种安排方案的等待队伍长度 Lq

“上车点”个数 1 2 3 4 5 6 7

独立方案等待队伍长度 Lq 3.80 1.75 1.59 1.54 1.51 1.49 1.48

合并方案等待队伍长度 Lq 3.00 0.85 0.72 0.70 0.68 0.677 0.66

表7 两种安排方案的平均等待时间 Wq

“上车点”个数 1 2 3 4 5 6 7

独立方案平均等待时间 Wq 2.01 1.31 1.24 1.21 1.19 1.17 1.16

合并方案平均等待时间 Wq 1.75 1.01 0.95 0.93 0.91 0.90 0.89

此外，我们给出二者的效率指标 Lq 和 Wq 变化趋势比较，如下图所示：

3 4

3.5
2.5

2
2.5

2
1.5

1.5

1
1

0.5 0.5
1 2 3 4 5 6 7 1 2 3 4 5 6 7

图 14 两种安排方案的效率指标差异

由以上数据、图像可知，合并方案的两个效率指标均高于独立方案的两个效率指
标。因此，对于广州白云机场，设置 4 个“上车点”，且四个上车点合并，可在保证安
全的前提下，使乘车效率最高。

16
4 . 4 问题四的分析与计算

4 . 4 . 1 问题四的分析

当司机选择在机场排队时，期望载到目的地较远的乘客，考虑到机场通常建于郊区，
一般情况下，司机可以载到长途客。然而，少部分乘客的目的地距机场不远。这种情况
下，司机付出了时间成本，且并未获得期望的金钱收益。久而久之，会使司机倾向于返
回市区载客，机场“蓄车池”的出租车数目会减少，一定程度上会影响机场的乘客通行
效率。因此，有必要对短途载客并返回的司机实行补贴政策，并予以一定的“优先权”。
在考虑安排方案前，首先要说明，出租车短途载客返回并不影响问题三中的 Lq 和
Wq 。从排队论的角度讲，可以将出租车视为模型里的“顾客”，根据排队论，需要确定
出租车的数量，以决定将其考虑为有限多个或近似认为无限多个。我们将不同城市的出
租车总量列在下表中：

表8 不同城市的出租车总量

城市 大连 沈阳 北京 广州 哈尔滨 西安 武汉 成都

出租车总量 12929 17200 66646 20300 14300 12115 15637 14898

由此可见，一般情况下，一个城市中的出租车数量过万，远大于一个时间段内机场
排队等候的乘客人数。故“顾客”数量可以被近似考虑为无限多个。因此，出租车短途
载客后，返回机场排队等待的过程，相当于“顾客”再返回。然而，鉴于“顾客”的数
量无限多，Lq 和 Wq 不会发生明显变化，可近似认为不变。综上所述，即时考虑短途载
客返回的情况，也不会影响前述模型的建立与讨论，从另一个侧面验证了前述模型的合
理性。
在此基础上，我们将“优先权”分为两种：绿色通道和补贴政策 [6]，并通过城市的
客流量、出租车数量、出租车司机平均收入等数据，对其进行一定程度上的量化分析，
以建立更合理、更科学的“优先”安排方案。

4 . 4 . 2 模型的建立

首先，我们为短途载客后仍返回机场等待的出租车，开辟“绿色通道”，即在调度
合理、保持秩序的情况下，令短途载客返回的出租车从出租车队伍中间插入队列，而不
必进入队尾等待，以节省其排队等待时间。为了更好地说明“绿色通道”机制，我们给
出如下的示意图：

17
 “绿色通道”
等待区

禁停区

调度人员

图 15 “绿色通道”示意图

其次，对于短途载客返回机场的出租车，可以直接发放资金补贴。资金补贴的具体
数量与多个因素有关，这里我们只考虑出租车每月在机场接客的次数，以月为周期进行
补贴。具体的补贴方案如下表所示：

表9 补贴方案

每月机场接客次数 (k0 ) 补贴资金 (元)

1 ≤ k0 ≤ 10 25k0

11 ≤ k0 ≤ 30 15(k0 − 10) + 250

k0 > 30 5(k0 − 30) + 550

以广州市为例，据调查，广州市的出租车司机平均月收入在 4500 元左右，以第三

档的补助最低线 30 次为例，此时的补贴收入为 550 元，可以在一定程度上补贴司机收
入。此外，在三档补助方案中，每次的补助金依次减少，故而可以避免因补助金过高而
产生的机场“蓄车池”内出租车过多的问题，进一步说明了补贴方案的合理性。

18
 五、 模型的评价

5 . 1 模型的优点

一、引入随机噪音、非线性影响因子因素，与实际情况更加贴近。
二、首次将空载耗油等效时间、安全等抽象的因素量化表示并加以分析，使理论结
果更合理、科学。
三、通过排队论，详细地分析了“上车点”的安排方案，同时综合考虑了合并分布
的情况。
四、通过多项式拟合、χ2 检验，对数据进行了有效的处理和检验，保证了数据的有
效性。

5 . 2 模型的缺点

一、问题四中，“绿色通道”的设计不够细化，没有进一步阐述所给方案的可行性，
需要进一步验证与论述；
二、效率安全模型中建立的非线性影响因子会随“上车点”个数的改变而改变，且
难以确定其精确数值，只能给出大略范围，使得模型的精确度不够高，仍存在一定误差；
三、没有验证查阅所得数据的准确性和时效性，同时在处理数据时采用的分析方法
会带来一定偏差，加大了模型的误差；
四、考虑的随机噪音是独立的，没有考虑与状态有关的通信噪音，使随机过程的模
拟出现了一定偏差。

5 . 3 模型的优化

针对第一点，文中只给出了“绿色通道”建设的简单示意图，并未考虑具体的建设
方案。且从图15中可以看出，“绿色通道”的建设会带来一定的安全风险，降低安全系
数。因此，我们可以考量多个因素，如排队区的总长度、
“蓄车池”内最大车辆数量、
“绿
色通道”与排队车道的夹角、安全系数等，综合考查并量化分析“绿色通道”的建设方
案，使方案的可行性提高；
针对第二点，基于我们查阅得到的大量数据，可以对所得数据进行多次分析，同时
可采用精度更高的分析方法，确定并缩小非线性影响因子的范围。此外，还可以考虑指
数型影响因子等不同类型的影响因子，并进行多次拟合、检验。
针对第三点，我们可以搜集更多数据，并在搜集时选取时效性更高的数据进行研究
与分析。同时，可以采用多种分析方法，并对多种分析方法的结果进行比较和处理，以
减小误差。
针对第四点，可以考虑与状态有关的通信噪音或可测噪音，进一步改善模型。

19
5 . 4 模型的推广

本文所建立的模型利用了概率论的知识，并通过等效思想，量化了多个抽象的概
念。同时我们利用了排队论的相关知识，通过多种分析手段建立模型，这种思想可以被
应用于许多不同的领域，如快递、运输、交通等等。例如在快递行业中，物品到达、运
输车到达以及物品派送的模型，可以利用我们提出的模型作为参考，以提高物流输送的
效率。此外，在交通枢纽的管理与设计方面，我们提出的模型都有一定的参考和实用价
值。

参考文献

[1] 谢龙汉，尚涛，蔡明亮，
《SPSS 统计分析与数据挖掘（第二版）
》, 电子工业出版社，
2014.231-241.

[2] 薛薇，《基于 SPSS 的数据分析》，中国人民大学出版社，2006.

[3] 亓民勇，董金新. 基于卡方拟合优度检验的序列等概性测试组 [J]. 计算机工程与设

计, 2012, 33(5):1757-1760.

[4] 陈征. 上海虹桥枢纽火车站出租车上客站点风险防控 [J]. 交通与运输, 2018(6):49-51.

[5] 魏中华，王琳，邱实. 基于排队论的枢纽内出租车上客区服务台优化 [J]. 公路交通科

技, 2017(154):298-300.

[6] M. Anil Yazici, Camille Kamga, Abhishek Singhal.Modeling taxi drivers decisions for im-
proving airport ground[J].Transportation Research, 2016(1):48-60.

20
 附录 A 问题二——多项式拟合代码

data=[
19 0;
19.2 10
…
19.8 1420
12.7 1430
];
x=data(:,2);
y=data(:,1);
plot(x,y,'b*');
hold on
p30=polyfit(x,y,30);
y30=polyval(p30,x);
p30=vpa(poly2sym(p30),30);
plot(x,y30,'g');
xlabel('x');
ylabel('y');
hold off
p30=
2.73950358530117703993406293177e-80*x^30 - 3.9547825639752270178527457612e-76*x^29 +
2.55303441286685245618436117512e-72*x^28 - 9.60864733226449016763025947621e-69*x^27 +
2.28745769270056633956700283632e-65*x^26 - 3.43386336428628004788130422914e-62*x^25 +
2.8730763883450945250383039949e-59*x^24 - 5.89528951479601690264124590425e-57*x^23 -
5.28543515881669267632123654969e-54*x^22 - 2.01139299695945159534032976247e-50*x^21 +
6.14133371220340175864384479914e-47*x^20 - 7.93483897951795151245640957308e-44*x^19 +
7.82454090832742836609506830192e-41*x^18 - 9.39925333184984072649480721944e-38*x^17 +
1.25001393731447749336141279607e-34*x^16 - 1.28022576694090309647713700142e-31*x^15 +
0.0000000000000000000000000000842222986248676029250380634518*x^14 -
0.0000000000000000000000000250051787066900325345797929276*x^13 -
0.0000000000000000000000116528838014769066727090112624*x^12 +
0.0000000000000000000189128854869432899499578802664*x^11 -
0.0000000000000000121507561009147400966447803619*x^10 +
0.00000000000000502593429219484140545558428939*x^9 -
0.00000000000146110852414370022466202593401*x^8 +
0.000000000304756951112753086673548945655*x^7 -
0.0000000453226112035669517621765329304*x^6 + 0.00000468621554326339704069862707181*x^5 -
0.000321542078140182657416956679697*x^4 + 0.0134944087169484947669184649044*x^3 -
0.293877007198230233431246460896*x^2 + 1.86695819487870484643110557954*x +
20.3180047836817578854606836103

附录 B 卡方检验代码

21
x=0:10:1430;
z=[
20.3180047836818
20.3050792562801
…
19.8000000000000
12.7000000000000
];

附录 C SPSS 导入数据代码

DATASET ACTIVATE 数据集1.

DATASET CLOSE 数据集3.
DATASET ACTIVATE 数据集2.
NPAR TESTS
/CHISQUARE=VAR00001 VAR00002
/EXPECTED=EQUAL
/STATISTICS DESCRIPTIVES
/MISSING ANALYSIS
/METHOD=EXACT TIMER(5).

附录 D SPSS 因子分析代码

/VARIABLES 里程利用率 空载率 人流量 油钱 机场等待总时间 期望

/MISSING LISTWISE
/ANALYSIS 里程利用率 空载率 人流量 油钱 机场等待总时间 期望
/PRINT UNIVARIATE INITIAL CORRELATION KMO EXTRACTION ROTATION FSCORE
/CRITERIA FACTORS(2) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.

附录 E 独立“上车点”平均队长与平均等待时间代码

x=1:7;
[y11 y12 y13 y14 y15 y16]=mqueue(1,3,4);
[y21 y22 y23 y24 y25 y26]=mqueue(2,3,4);
[y31 y32 y33 y34 y35 y36]=mqueue(3,3,4);

22
[y41 y42 y43 y44 y45 y46]=mqueue(4,3,4);
[y51 y52 y53 y54 y55 y56]=mqueue(5,3,4);
[y61 y62 y63 y64 y65 y66]=mqueue(6,3,4);
[y71 y72 y73 y74 y75 y76]=mqueue(7,3,4);
z1=[y13;y23;y33;y43;y53;y63;y73]
z2=[y15;y25;y35;y45;y55;y65;y75];
plot(x,z1,'s-')
hold on;
plot(x,z2,'s-')
xlabel('上车口个数')
hold on;
legend('独立平均队长(人)','平均等待时间(min)');

function [p0, p, Lq, L, Wq, W ] = mqueue(s,lambda,mu)

ro=lambda/mu;
ros=ro/s;
sum1=0;
for i=0:s-1
sum1=sum1+ro^i/factorial(i);
end
sum2=ro^s/factorial(s)/(1-ros);
p0=1/(sum1+sum2);
p=ro^s *p0/factorial(s)/(1-ros);
Lq=p*ros/(1-ros)-0.05*s^0.5+0.8;
L=Lq+ro;
W=L/lambda;
Wq=Lq/lambda-0.05*s^0.5+0.8;
end

附录 F 合并“上车点”计算平均队长和平均等待时间代码

x=1:7;
[y11 y12 y13 y14 y15 y16]=g(1,3,4);
[y21 y22 y23 y24 y25 y26]=g(2,3,4);
[y31 y32 y33 y34 y35 y36]=g(3,3,4);
[y41 y42 y43 y44 y45 y46]=g(4,3,4);
[y51 y52 y53 y54 y55 y56]=g(5,3,4);
[y61 y62 y63 y64 y65 y66]=g(6,3,4);
[y71 y72 y73 y74 y75 y76]=g(7,3,4);
z1=[y13;y23;y33;y43;y53;y63;y73]
z2=[y15;y25;y35;y45;y55;y65;y75]
plot(x,z1,'s-')
hold on
plot(x,z2,'s-')

23
xlabel('上车口个数');
legend('合并上车点平均队长(人)','乘客平均等待时间(min)');

function [ p0,p, Lq, L, Wq, W ] = g(s,lambda,mu)

L=lambda/(s*mu-lambda);
Ls=lambda/(s*mu);
Lq=L-Ls-0.05*s^0.5+1.6;
W=L/(lambda);
Wq=Lq/(lambda)-0.05*s^0.5+0.8;
Ws =Ls/(lambda);
p0=0;
p=0;
end

附录 G 平均等待时间比较代码

x=1:7;
[y11 y12 y13 y14 y15 y16]=mqueue(1,3,4);
[y21 y22 y23 y24 y25 y26]=mqueue(2,3,4);
[y31 y32 y33 y34 y35 y36]=mqueue(3,3,4);
[y41 y42 y43 y44 y45 y46]=mqueue(4,3,4);
[y51 y52 y53 y54 y55 y56]=mqueue(5,3,4);
[y61 y62 y63 y64 y65 y66]=mqueue(6,3,4);
[y71 y72 y73 y74 y75 y76]=mqueue(7,3,4);
z1=[y13;y23;y33;y43;y53;y63;y73];
z2=[y15;y25;y35;y45;y55;y65;y75];
plot(x,z2,'s-')
hold on;
legend('','平均等待时间(min)');
[y11 y12 y13 y14 y15 y16]=g(1,3,4);
[y21 y22 y23 y24 y25 y26]=g(2,3,4);
[y31 y32 y33 y34 y35 y36]=g(3,3,4);
[y41 y42 y43 y44 y45 y46]=g(4,3,4);
[y51 y52 y53 y54 y55 y56]=g(5,3,4);
[y61 y62 y63 y64 y65 y66]=g(6,3,4);
[y71 y72 y73 y74 y75 y76]=g(7,3,4);
g1=[y13;y23;y33;y43;y53;y63;y73]
g2=[y15;y25;y35;y45;y55;y65;y75]
plot(x,g2,'s-')
xlabel('上车口个数');
legend('独立平均等待时间','合并平均等待时间')
function [p0, p, Lq, L, Wq, W ] = mqueue(s,lambda,mu)
ro=lambda/mu;
ros=ro/s;
sum1=0;

24
for i=0:s-1
sum1=sum1+ro^i/factorial(i);
end
sum2=ro^s/factorial(s)/(1-ros);
p0=1/(sum1+sum2);
p=ro^s *p0/factorial(s)/(1-ros);
Lq=p*ros/(1-ros)-0.02*s^0.5+1.6;
L=Lq+ro;
W=L/lambda;
Wq=Lq/lambda-0.02*s^0.5+1.6;
end
function [ p0,p, Lq, L, Wq, W ] = g(s,lambda,mu)
L=lambda/(s*mu-lambda);
Ls=lambda/(s*mu);
Lq=L-Ls-0.02*s^0.5+0.8;
W=L/(lambda);
Wq=Lq/(lambda)-0.02*s^0.5+0.8;
Ws =Ls/(lambda);
p0=0;
p=0;
end

附录 H 队伍长度比较代码

x=1:7;
[y11 y12 y13 y14 y15 y16]=mqueue(1,3,4);
[y21 y22 y23 y24 y25 y26]=mqueue(2,3,4);
[y31 y32 y33 y34 y35 y36]=mqueue(3,3,4);
[y41 y42 y43 y44 y45 y46]=mqueue(4,3,4);
[y51 y52 y53 y54 y55 y56]=mqueue(5,3,4);
[y61 y62 y63 y64 y65 y66]=mqueue(6,3,4);
[y71 y72 y73 y74 y75 y76]=mqueue(7,3,4);
z1=[y13;y23;y33;y43;y53;y63;y73];
z2=[y15;y25;y35;y45;y55;y65;y75];
plot(x,z1,'s-')
hold on；
[y11 y12 y13 y14 y15 y16]=g(1,3,4);
[y21 y22 y23 y24 y25 y26]=g(2,3,4);
[y31 y32 y33 y34 y35 y36]=g(3,3,4);
[y41 y42 y43 y44 y45 y46]=g(4,3,4);
[y51 y52 y53 y54 y55 y56]=g(5,3,4);
[y61 y62 y63 y64 y65 y66]=g(6,3,4);
[y71 y72 y73 y74 y75 y76]=g(7,3,4);
g1=[y13;y23;y33;y43;y53;y63;y73]
g2=[y15;y25;y35;y45;y55;y65;y75]

25
plot(x,g1,'s-')
xlabel('上车口个数');
legend('独立平均队长(人)','合并平均队长(人)')

function [p0, p, Lq, L, Wq, W ] = mqueue(s,lambda,mu)

ro=lambda/mu;
ros=ro/s;
sum1=0;
for i=0:s-1
sum1=sum1+ro^i/factorial(i);
end
sum2=ro^s/factorial(s)/(1-ros);
p0=1/(sum1+sum2);
p=ro^s *p0/factorial(s)/(1-ros);
Lq=p*ros/(1-ros)-0.02*s^0.5+1.6;
L=Lq+ro;
W=L/lambda;
Wq=Lq/lambda-0.02*s^0.5+1.6;
end

function [ p0,p, Lq, L, Wq, W ] = g(s,lambda,mu)

L=lambda/(s*mu-lambda);
Ls=lambda/(s*mu);
Lq=L-Ls-0.02*s^0.5+0.8;
W=L/(lambda);
Wq=Lq/(lambda)-0.02*s^0.5+0.8;
Ws =Ls/(lambda);
p0=0;
p=0;
end

26
附录 I 因子分析结果

图 16 因子分析结果

图 17 因子分析结果

27
图 18 因子分析结果

28