來源：老孫漫話（ID：laosunmanhua）

作者：孫金雲

原文標題：《瘋狂教授帶隊打了800多趟車，發現了什麼祕密？》

“軟件顯示2分鐘就到，最後左等右等遠不止2分鐘。”“預估行程價格只要30元，到了目的地發現竟然被扣了快40元。”“完全相同的軟件和路線，朋友叫車和我叫車的價格竟然不一樣？”

類似的場景是不是看上去很熟悉？到底是哪個環節出了問題？

早在2017年，我就和我的研究團隊，一起在上海對打車軟件做了一個小規模調查，結果發現，在包括滴滴、易到、神州和街頭揚招幾種叫車方式中，街頭揚招是最便宜、也是上車最快的方式，這個結果，讓我們大喫一驚！不是號稱互聯網思維麼？不是有大數據和算法麼？這裏面究竟有什麼樣的玄機？

帶着同樣的疑問，三年後的2020年，我再次帶領研究團隊，在5個城市（上海、北京、深圳、成都和重慶），不同距離（近途：3公里以內，中途：3-10公里，遠途：10公里以上），以及工作日早高峯（7:30-9:30）、晚高峯（17:00-19:30）、日間非高峯（9:30-17:00）、晚間非高峯（19:30-23:00）4個時間段進行了分層抽樣調查。

調查共招募20多名在校大學生作爲調研員，以實際打車的方式調研了各城市主流打車軟件加揚招巡遊出租車，最終蒐集了滴滴、曹操、首汽、T3、美團、高德和揚招等7個渠道的數據，總樣本836個，其中有效樣本數爲821，樣本有效率98.2%。

通過對調研數據的分析，我們發現了這樣一些有趣的結果……

1. 怎樣才能最快打到車？

對這個問題我們分兩步思考：一是我們點擊確認呼叫後司機確認接單的時間（響應時長），二是司機接單後到我們最終上車的時長（等待時長）。

調研結果顯示，北上深三個一線城市的響應時長峯值均發生在早高峯階段。其中，北京打車的響應時長達到了32.5分鐘，其中還不包括一些下單時間超過1小時仍無司機接單而被迫取消、重新調整呼叫方式的情形。北京的朋友們，早高峯辛苦了，爲了叫車“等到花兒也謝了”！

而等待時長的極值出現在上海晚高峯的13.7分鐘，相比北京的早高峯，體驗可以說是大幅改善。上海的兄弟們，下次叫車最好在室內篤定地叫，因爲你要等上十多分鐘，不要太早去街頭，以免吹風着涼！

要說叫車最幸福的城市，那還得是咱特區深圳，深圳以5.6分鐘的綜合上車時長以及各時段都十分迅捷而領先幾大城市，真是個“說走就走”的城市啊！

我們還探究了同一城市內部不同平臺的差異，來更好幫助小夥伴們找到最快的打車方法，根據您所在的城市自己對對位置吧！

不查不知道，一查不得了，原來除北京外，揚招是各城市打車最快的首選。這和我們在2017年做過的小範圍打車軟件調研的結果仍舊保持一致，要想快上車，街頭去揚招！不過揚招等候的體驗和在室內叫好車再出門還是有差別的，尤其是在惡劣天氣狀況下，所以，您自個兒想清楚嘍！

2. 平臺會玩時間遊戲嗎？

您可能心中猶疑：揚招這麼好，但我心裏沒底啊，打車軟件至少還能告訴我需要等多久呢！

那麼讓我們來看看，平臺軟件們顯示的預估等待時長真的準確嗎？先奉上我們的結論吧：平臺往往會向乘客呈現比實際更短的等待時間，以此提高乘客等待時的耐心。

5個城市打車預估等待時間全部顯著低於實際等待時間（P<0.05）。

數據說明：研究分析均來自於打車軟件實測結果，並不代表平臺真實採用了這一策略對用戶進行某種篩選和操縱，可能會和他們真實的算法及策略存在一定的偏差。下同。

從平臺角度看，以上結論依然成立。

有的平臺解釋說，是因爲交通擁堵才導致平臺對等待時間的低估。然而我們調查的數據顯示，不管是否在出行高峯時間段，低估等待時間的現象總是普遍存在（P<0.05）。按理說，你們平臺掌握了那麼多的數據，怎麼會全部低估了等候的時間呢？這麼巧嗎？

滴滴作爲時間延誤比例最大的平臺，在四個不同時段的值均高於平均值，除深夜外，其餘三項均呈現顯著差異。在早高峯的時間延誤比例更是達到47.4%，作爲行業龍頭，擁有最豐富的數據和技術團隊，我們對如此係統性時間延誤打了個大大的問號，對是否涉及“誤導用戶”甚至“用戶欺詐”深表擔憂。

所以可以看到，各大打車平臺都參與了“時間的遊戲”，與2017年的調研結論相同。另外讓廣大打車羣衆不太明白的是，你滴滴作爲行業絕對的老大，車是你最多、數據你最全，怎麼就你估算的時間偏差最大呢？

3. 怎樣打車最便宜？

爲了回答這個問題，我們以城市爲單位，以完全相同的出發地和目的地線路作爲基準，對比不同打車軟件中經濟型和傳統揚招的平均價格差異。各平臺每公里的打車價格（以乘客實際支付金額計算）的結果顯示，首汽單價最貴，T3單價最便宜。值得注意的是，滴滴快車的價格與揚招出租車金額相同，均爲4元/公里。（稍微補充一句，我們的研究沒有考慮滴滴優享和滴滴上的高端選項“禮橙專車”，那兩個選項的價格都比快車要高，自然也就比揚招更高。）

通過分城市的數據，我們也分析出了每個城市打車最優惠的選擇，不信您自己去試試看吧！

4. 平臺會玩價格遊戲嗎？

平臺減少了預估等待時間，他們在價格上也會如此嗎？我們對軟件的預估價格與實際支付價格之間的差異進行了分析，得到了一些有價值的發現。

按不同城市來觀察，除重慶外，打車軟件在上海、成都、北京和深圳4個城市中預估價格和實際支付價格之間都存在顯著差異（P<0.05）。其中上海是打車軟件價格被低估最厲害的城市，實付與預估差異的比值爲11.8%，深圳相對另類，實付比預估價格還低了6.5%。神一樣的深圳，也太實誠了吧？

上海整體低估車費的背後，是各平臺價格的嚴重低估，其中，滴滴的實付預估差異比最高，達18.5%，其次是美團，高出了9.7%，首汽排名第三，爲7.6%（P<0.05）。

5大城市中，滴滴和首汽都存在明顯的價格低估現象（P<0.01）。其中滴滴平臺的實付價格比預估價格平均高了6.7%，首汽平均低估10.9%；但T3、美團和高德並沒有檢驗出明顯的差異；曹操平臺的實付價格卻明顯低於預估價格達21.1%，推測可能是平臺大額優惠補貼所致。

還有一樁有趣的事兒，研究過程中我們也驗證了“蘋果稅”的存在。我們用“一鍵呼叫經濟型+舒適型兩檔後被舒適型車輛接走的訂單比”來判斷“被舒適”的程度。數據表明，與非蘋果手機用戶相比，蘋果手機用戶的確更容易“被舒適”車輛（比如專車、優享等）司機接單，這一比例是非蘋果手機用戶的3倍。

除了通過手機品牌識別，平臺也可能同時關注乘客手機價格所透露的信息。研究結果表明，如果乘客使用的是蘋果手機，那麼就更容易被推薦舒適型車輛；如果乘客不是用蘋果手機，那麼就要看他的手機價位，手機價位越高則越有可能被舒適型車輛接走。好吧，這種行爲是不是“大數據殺熟”，各人自有判斷！

此外，“蘋果稅”還體現在打車優惠上。數據表明，蘋果手機用戶平均只能獲得2.07元的優惠，顯著低於非蘋果用戶的4.12元（P<0.01）。除絕對金額外，優惠折扣比依然支持上述結論（P<0.05）。此處同情蘋果用戶五分鐘……

5. 車輛狀況怎麼樣？

車輛狀況一般由衛生程度和新舊程度構成，會直接影響乘客的出行體驗。通過同一量表體系來觀察不同平臺車輛的衛生狀況，結果顯示，巡遊出租車的衛生狀況毫不意外地墊底，改進空間巨大，而T3和曹操的車輛相對較好。

在觀察平臺在各城市的車輛衛生狀況時，我們發現各大平臺在全國範圍內並沒有做到標準的統一。曹操和高德在北京和深圳的表現一致；但首汽和滴滴在不同城市有較大差異，特別是首汽，在北京和上海衛生最優而在深圳卻得分最低，這在一定程度上反映了平臺在跨地區發展時對於車輛的門檻及日常管理的鬆緊度不一致，當然也可能與各公司進入不同城市的時間節奏有關。

另外，我們通過已行駛公里數來衡量車輛新舊程度，結果顯示，出租車和首汽的公里數明顯較高，滴滴和曹操在車輛新舊程度上佔據明顯優勢。

最後，終於可以在以上幾個方面分析的基礎上，來建立咱們的乘客滿意度模型了！

乘客的滿意度模型包括打車價格、等待時長、車輛狀況和擁堵程度四個主要因素。分別反映了乘客的經濟成本、時間成本、乘坐感受和心理體驗。在通過AHP法確定四大指標的權重後，我們得到了“城市-平臺”維度的乘客滿意度數據。來吧，看看你所在的城市打車滿意度排在什麼位置！

對比揚招和滴滴的滿意度我們不難發現，兩者不分伯仲。滴滴在車輛狀況上明顯優於揚招出租車，但在價格和等待時間上處於劣勢。作爲具有互聯網思維和大數據分析等先進生產力的“滴滴們”，理應爲乘客帶來更高的滿意度，但事實卻大相徑庭，這到底是哪兒出了問題呢？

咱們戰略課上講過一個概念叫“價值棒”，企業創造的價值會在用戶和企業之間進行分配。對於用戶而言，如果得到的價值增值有了增長，那麼企業就獲得了競爭優勢。放到這個環境中，我們可以解讀爲，打車軟件們如果沒有爲乘客帶來更好的出行體驗，而是把所有創造的價值盈餘都留給了自己，他們將喪失在市場當中的“競爭優勢”。或許，他們會認爲，自己作爲一個平臺，尤其是能夠雙向鎖定的雙邊平臺，對雙方都有了壟斷下的話語權；但是俺老孫想說的是：沒有競爭優勢，眼前的規模只是空中樓閣，一旦出現新的選擇，那麼顧客將會以最快的速度離開你，不要到那時再去事後諸葛亮地念叨什麼“眼看他宴賓朋……“

分析完乘客視角，而對於近千萬的網約車司機而言，打車軟件究竟爲他們帶來了怎樣的影響？他們會像乘客那樣被動落入算法的陷阱嗎？我們的研究還對800多位司機進行了採訪，欲知各地司機的生存狀況詳情，且聽下回分解——《困在平臺的千萬網約車司機，你們還好嗎？》

研究團隊

孫金雲，復旦大學管理學院EMBA、MBA、HKIMBA、MPAcc多個項目“戰略管理”“創新創業”課程主講教授、復旦青年創業家教育與研究發展中心主任、復旦大學管理學院大健康創業與人才發展中心主任

研究成員：熊家美、舒慶、秦藝、周弋非、周錦天、李亞男、沈馮依

調研督導：李晶花、李娜、楊陳鶴、伍美虹、方祥軍、餘依林

調研員：孫思博、廖潔如、汪嘉麗、高康寧、王露、李周璠、楊銀、趙丹萍、盧倩儀、黃軍峯、李宸睿、肖蕾、徐棹、劉夢緣、鍾唯捷、宗鵬輝、曹培、陳意、譚惠心、吳濤、胥琳、鍾雷

以下同學對本報告亦有貢獻：曹碩、林瀟瀟、王雯甜、張作坤、李晶花