滴滴作為這幾年新興的打車軟件，以其實效性便捷性受到人們的歡迎。但是你有沒有遇到過這種情況，打開打車軟件，明明馬路對面就有車，但是叫來的卻是個三公裡外的車，這又是為什麼呢？

要想了解滴滴為何派了個三公裡之外的車，那就要現看看滴滴派車算法了。滴滴如何實現"懂你"的呢？

在這"懂你"的背後，滴滴平台從大數據和人工智能技術出發，推出猜你去哪的功能，讓你的發單體驗更加優化，而基于時間和經緯度的分布具有周期循環性。

你的出發地和出發時刻的頻率也不能利用傳統的方法來估計，所以滴滴的工程師推出利用循環正态分布，形成一個優化模型，再用貝葉斯框架計算出每個目的地的概率或阈值。而滴滴運用這套技術隻需要幾秒就能預測出你要去哪兒，并迅速為你派車。

其實，派車也是基于大數據和人工智能計算，從最大程度上為你解決交通出行問題，匹配人、路、車的供需。及時收集路上車的數據，并進行演算，給出最優的安排。那按照常理來說，當我們需要滴滴打車時，對于我們來說的最優選擇應該是離我們最近的車。

可是滴滴打車卻派了幾公裡之外的車來接我們，這并不是我們所要的最優選擇，是不是說他們的系統判斷存在誤差呢？其實并不是這樣，從經濟學角度上來看，滴滴就是不會為你派最近的車，這究竟什麼原因呢？

就像上文中所提到的，如果滴滴派出離我們最近的車，那麼這個屬于局部最優，是對于我們個人而言的，但當滴滴派出離你稍微遠一點的車，那平台是從全局出發，為實現全局最優。就讓經濟學家用全局最優和局部最優的角度告訴你為什麼滴滴不給你派最近的車。

究竟什麼是全局最優呢？首先，我們應該切換視角，以上帝視角來看問題，運用"頂層規劃"來設想問題。滴滴本身是一個協調者，他的宏觀維度是站在所有消費者和司機的立場上來看。

滴滴的主要目的是，在高峰期、惡劣天氣或熱點區域激勵更多司機出車，盡量讓更多的乘客能夠打到車，在低谷期也讓司機有單可接。這種大數據算法就意味着讓更多的人打到車，而不是個别的用戶打到車，最終實現是讓所有人等車的時間縮短。

滴滴認為，采用這樣方案後1号乘客和2号乘客平均等待時長降低為3分鐘，比就近派單能夠縮短1.5分鐘；而總等待時長降低為6分鐘，這樣就比就近派單，縮短了足足3分鐘。在集體和個人面前，滴滴選擇了集體利益最優化。

當然，這隻是從經濟學角度來看，滴滴構建的集體利益最優化系統。實際上，在真正運營中，還有其他的客觀因素，導緻滴滴為你派去了離你遠一點的車。首先，為了提高平台收益，一般來說，當你打車要去的地方越遠，那麼他就會為你派去離你更遠一點的車。

因為你去的地方比較遠，在這種情況下你會準備大量時間去等待，特别是當你已經選擇了打車之後，不會再輕言說不去，潛意識裡已經給自己準備好了去的決心。

其次，滴滴存在着打車越多，派車越遠的現象。老話說的好，做買賣的人容易"殺熟"。

其實滴滴也是這樣，因為你已經多次使用過這個平台，一方面，基于你對平台的信任，你願意等更遠一點的車，另一方面，對于平台來說，你已經是個老用戶了，他們更加傾向于把更便利的車分配給新用戶，赢得新用戶的好感，博得回頭客。

最後，滴滴存在派單傾斜現象，滴滴的派單分為，就近派單，服務分派單，機場預約單和人車合規派單。而說到底，這幾種派單方式都是根據司機服務分來說，司機的服務分越高，派單的幾率越高。

一單結束，立馬就可以接到下一單，或者是說優先派單給之前預約車完成情況良好的司機，經過政府和平台備案的司機，也會享受到優先排單。而當你選擇叫車時，滴滴也會為你篩選出服務更好的司機。

滴滴為你派出了離你遠一點的司機，雖然想要獲取更大收益，但實際上，也是考慮了經濟學的整體最優原則，以及司機的服務分這些因素。隻不過，滴滴這樣的做法，真的會受到司機和乘客們的好評嗎，我看不盡然。

試想一下，炎炎烈日下，自己選擇了滴滴打車，但是滴滴平台從整體最優出發，為你選擇離你較遠的車，你看到眼前的空車飛馳而過，卻不是屬于你的滴滴快車，相信你也會對這個平台感到失望吧。

其實，滴滴要想更大程度上的為最多的顧客提供便捷良好的服務，在整體最優的基礎上，也是要考慮更多人的利益，讓系統與局部實現共進。

第一，滴滴在網約車行業，如果想要繼續發展，那麼務必要吸引更多司機的加入，讓郊區和都市鬧區都做到有車可打，真正的把網約車做到大範圍的覆蓋，而不是說局限于一個區域。或者是說給予郊區網約車司機一定的補貼，讓更多司機願意去郊區跑車，将系統上的最優化更好體現。

第二，滴滴除了在網約車司機方面給予一定的補貼支持，也應該為乘客提供便利。如果是在極端天氣等情況下打車，若是在顧客等很久的情況下，适當的為顧客提供選項，多等一會兒，少花一點錢，或者是少等一會兒，多花一點錢。這樣既能夠保證系統最優化，也能夠得到顧客好評。

滴滴為什麼不給你派最近的車，平台有平台的考慮，但一個行業的真正發展，除了經濟學的道理，還要做到人性化的服務！