Komentar: Persingkat waktu tunggu mobil Anda dengan sistem panduan pengemudi

SINGAPURA: Industri taksi di seluruh dunia telah menderita kerugian besar sejak kemunculan aplikasi taksi.

Di New York, harga medali taksi turun dari lebih dari US $ 1 juta pada tahun 2013 menjadi kurang dari US $ 200.000 tahun lalu, yang membuat banyak pengemudi taksi berhutang.

Izin mengemudi taksi di AS UU Dulu dianggap sebagai investasi besar bagi banyak pengemudi taksi, karena nilai medali, lisensi yang dikeluarkan oleh otoritas untuk mengendarai taksi, digunakan untuk menggandakan setiap beberapa tahun.

Tetapi ketika mobil yang tiba di pasar memenuhi pasar, mereka menyebabkan eksodus supir taksi dan membunuh nilai-nilai medali, membuat supir taksi kehilangan modal ratusan ribu dolar dan banyak yang bangkrut.

Di Singapura, total populasi taksi telah menurun sejak kedatangan perusahaan-perusahaan transportasi ini sejak puncaknya tahun 2014 sebesar 28.800, menjadi sekitar 20.900 pada bulan November 2018, penurunan hampir 28 persen.

Berita baiknya adalah bahwa industri taksi di Singapura masih relatif baik dibandingkan dengan kota-kota lain. Armada taksi, dikonsolidasikan hanya untuk segelintir perusahaan, memberi mereka manfaat skala.

Empat perusahaan taksi gabungan terbesar memiliki lebih dari 96 persen dari semua taksi. Pemimpin pasar, ComfortDelGro, memiliki 60 persen dari total pasar taksi.

Taksi Singapura juga telah berinvestasi dalam teknologi sejak awal, menyediakan layanan pemesanan yang andal dan efisien bahkan sebelum masuknya Uber dan Grab.

Perjalanan dari halte jalan dan antrian taksi, yang hanya dapat dilayani oleh taksi, masih terhitung sekitar 70 persen dari semua perjalanan taksi, yang memberikan perlindungan referensi yang baik untuk pengemudi taksi.

BACA: Ambil, penguasa baru kota dan paradoks peningkatan bisnis, komentar

supir taksi (1)

Sopir taksi

Namun, ketika aplikasi tur berkembang dengan kecepatan sangat tinggi, industri taksi Singapura perlu meningkatkan permainannya agar tetap kompetitif.

NERACA PERSEDIAAN PAJAK DAN PERMINTAAN

Tantangan yang ditimbulkan oleh perusahaan yang mengganggu yang bergerak di sepanjang jalan adalah dua. Di satu sisi, sejumlah besar mobil pribadi membanjiri pasar dalam waktu singkat, menciptakan kelebihan pasokan.

Misalnya, di Singapura, jumlah mobil pribadi yang terdaftar untuk layanan pengemudi telah meningkat dari hanya 614 pada 2013 menjadi lebih dari 46.000 pada 2017.

BACA: Ketika kenyataan semakin dekat dengan konsumen, inilah saatnya untuk mempertanyakan apakah mobil sewaan pribadi melaju di drive auto-lite kami, komentar

Di sisi lain, sebagian besar perusahaan yang menggunakan transportasi umum menggunakan pendekatan inovatif seperti mekanisme penetapan harga yang dinamis dan, khususnya, kenaikan harga untuk meningkatkan kesesuaian antara permintaan dan penawaran dalam upaya untuk mengurangi harga. waktu tunggu untuk penumpang.

Tetapi penetapan harga yang dinamis bukan satu-satunya cara untuk menyeimbangkan permintaan dan penawaran.

Studi kami di University of Management di Singapura menemukan bahwa di sebagian besar jam, taksi kosong tidak bepergian di daerah yang paling mereka butuhkan. Misalnya, bahkan selama jam sibuk, masih ada sekitar 20 persen taksi tersedia di kota; Mereka tidak ditempatkan di tempat yang tepat untuk menjemput penumpang.

Kami juga menemukan bahwa menyediakan semua pengendali pembaruan waktu-nyata pada "peta panas permintaan" dapat menyelesaikan masalah, tetapi hanya sampai pada titik tertentu.

Misalnya, di Singapura, ComfortDelGro dan Grab sudah memberikan peta permintaan panas kepada pengemudi mereka. Sayangnya, pembaruan ini secara real time, meskipun informatif, mengalami efek Matius, yang membuat permintaan tidak mencukupi.

Ini terjadi karena area dengan permintaan tinggi untuk penumpang secara alami menarik lebih banyak pengemudi, karena semua pengemudi diwakili dengan informasi yang sama dan cenderung tertarik ke tempat yang sama dengan permintaan yang sangat tinggi. Jika sejumlah driver yang cukup bereaksi terhadap informasi ini dengan cara yang sama, mereka bahkan dapat memenuhi area permintaan tinggi dan meninggalkan area permintaan rendah terlayani.

Ambil peta panas mobil

Cuplikan layar peta permintaan panas dilihat oleh driver di Grab. Semakin gelap area, semakin besar permintaan penumpang di kotak teduh. (Foto: ambil)

Misalnya, katakanlah 4.000 pengemudi memiliki tingkat permintaan untuk dua wilayah: Wilayah A memiliki 1.500 permintaan untuk perjalanan penumpang, sedangkan Wilayah B memiliki 500 permintaan untuk perjalanan. Jika pengemudi tidak mengantisipasi apa yang mungkin dilakukan oleh pengemudi lain, setelah melihat informasi ini, semua pengemudi akan memilih untuk pergi ke Wilayah A, yang akan menyebabkan 4.000 pengemudi menumpuk di Wilayah A dan tidak ada di Wilayah B.

Hasil akhirnya adalah kerugian-kerugian baik untuk pengemudi dan penumpang, karena pengemudi di wilayah A hanya memiliki 37,5% peluang untuk mencetak perjalanan, dan 500 penumpang di wilayah B tidak akan menerima layanan.

Skenario terbaik untuk contoh ini adalah membagi pengemudi menjadi dua kelompok: 3.000 pengemudi untuk melayani wilayah A dan 1.000 pengemudi untuk melayani wilayah B. Dalam hal ini, semua penumpang akan menerima layanan dan kemungkinan memperoleh penumpang di kedua wilayah sama dengan 50 persen.

PERCOBAAN DENGAN SISTEM Bimbingan DRIVER

Jadi, bagaimana kita mencapai ini? Pengemudi membuat keputusan secara mandiri dan tidak dapat mencapai paket layanan ini sendiri. Koordinator pusat dilengkapi dengan informasi yang diperlukan secara real time dan daya komputasi harus memproses data untuk mengoordinasikan driver.

Untuk mewujudkan gagasan ini, tim peneliti dari Laboratorium Teknik Informatika dan Perkotaan Fujitsu-SMU (UNiCEN) telah bekerja pada penelitian dan pengembangan Sistem Panduan Pengemudi (DGS) untuk pengemudi taksi selama 3 tahun terakhir. tahun

Platform DGS dapat memperkirakan penawaran dan permintaan taksi saat ini (baik untuk transportasi jalan maupun untuk pemesanan), dan memperkirakan persediaan dan permintaan taksi di masa mendatang untuk 30 menit ke depan di Singapura. Mesin komputasi canggih kemudian menggabungkan prediksi ini untuk menghasilkan rekomendasi untuk masing-masing driver, dengan tujuan meminimalkan waktu jelajah yang kosong.

DGS berbeda dari peta panas permintaan, karena kami menghitung "rekomendasi pribadi" terbaik untuk setiap driver yang berpartisipasi, tanpa menunjukkan peta panas permintaan yang sama untuk semuanya. Untuk memasukkan informasi terbaru, rekomendasinya dihitung ulang setiap menit.

Aplikasi DGS dirancang untuk bebas-genggam, tidak memerlukan interaksi pengguna, dan panorama dan pembesaran secara otomatis didasarkan pada lokasi pengemudi saat ini. Ini akan cocok untuk pengemudi yang sibuk menyulap berbagai aplikasi untuk cadangan dan rute.

Pengemudi ditunjukkan area yang disarankan (1 km kali 1 km) dengan permintaan tinggi berwarna merah dan menerima panduan yang lebih rinci tentang jalan yang dilintasi atau halte taksi yang harus diperiksa ketika memasuki area yang disarankan.

Aplikasi DGS, antarmuka pengontrol, shih fen cheng

Antarmuka aplikasi DGS (Foto: Shih-Fen Cheng)

Jika pengemudi tidak menyukai rekomendasinya, ia dapat terus mengemudi dan aplikasi akan menghasilkan saran baru.

Kami merekrut hampir 500 pengemudi taksi, dengan bantuan National Taxi Association of Singapore, untuk menginstal dan menguji aplikasi DGS sejak September 2017. Setelah lebih dari setahun pengujian lapangan, kami menemukan bahwa pengemudi menggunakan DGS Mereka telah mengurangi kapasitas muatannya. Waktu jelajah hampir 27 persen.

Menurut pengamatan kami, pengemudi mengalami waktu jelajah yang kurang kosong sepanjang hari dan di semua area. Namun, DGS sangat efektif ketika permintaan langka dan tidak dapat diprediksi selama jam sibuk dan malam hari di lingkungan yang kurang padat, dibandingkan dengan periode permintaan tinggi, di mana pengemudi dapat dengan mudah menemukan penumpang bahkan di lingkungan. dengan lebih sedikit orang.

Aplikasi DGS, Shih Fen Cheng

Rincian waktu jelajah kosong pengemudi yang mengikuti dan tidak mengikuti rekomendasi DGS, untuk empat periode (6-10 pagi, 10 pagi – 5 sore, 5 sore – 12 pagi, 12 pagi – 6 pagi). Semakin tinggi bilah, semakin lama waktu jelajah pengemudi. (Grafik: Shih-Fen Cheng)

PENGGUNAAN TEKNOLOGI UNTUK MENINGKATKAN EFISIENSI

Uji lapangan kami terhadap platform DGS menunjukkan bahwa analitik data modern dan teknologi AI dapat bekerja bersama untuk memungkinkan taksi menjadi lebih efisien dan, karenanya, lebih kompetitif, bahkan dalam menghadapi persaingan yang ketat dari aplikasi transportasi dan tanpa menggunakan harga yang dinamis. .

Kami percaya bahwa kami telah memberikan model yang layak untuk diikuti oleh kota-kota lain jika mereka mencari solusi untuk meningkatkan industri taksi mereka.

Dalam waktu gangguan, tidak melakukan apa pun bukanlah pilihan. Mengandalkan peraturan untuk melindungi industri taksi juga merupakan strategi pasif.

Karena penumpang sudah terbiasa dengan hyperefficiency dari perjalanan es, satu-satunya jalan ke depan bagi industri taksi tradisional adalah mengambil keuntungan dari teknologi untuk meluncurkan ofensif sengit. Menawarkan pengemudi taksi panduan yang cerdas bisa menjadi awal.

Shih-Fen Cheng adalah Profesor Rekanan Sistem Informasi dan Wakil Direktur (Penelitian) di Fujitsu-SMU Urban Computing dan Engineering Corp Lab di University of Management di Singapura.

Be the first to comment

Leave a Reply

Your email address will not be published.


*