Uber 是如何用流动性、定价与调度对城市进行“编程”的

什么意味着把城市“可编程化”

城市不是软件——但当一个平台能感知发生了什么、应用规则并从结果中学习时，城市运行的部分就可以被当作软件来对待。

从这个意义上说，“可编程”并不等于控制城市，而是指在其上运行一个持续更新的协调层。

用通俗的话说“可编程网络”

一个可编程网络是一个系统，其中：

• 规则 决定如何行动（谁被匹配、显示什么价格、何时鼓励司机向需求集中区移动）。
• 数据 描述当前状态（哪里有乘客请求、司机在何处、接驾需要多长时间、交通如何）。
• 反馈回路 随时间调整行为（如果乘客在某些价格下放弃，定价会改变；如果某片区 ETA 不准，预测会重新校准）。

Uber 是一个明确的例子，因为它不断将凌乱的城市现实转成机器可读的信号，做出成千上万次的小决策，然后随着新信号到来更新这些决策。

为什么城市难以协调

协调困难是因为“输入”不稳定且部分由人决定。

交通可能在几分钟内从通畅变为拥堵。天气改变需求和行驶速度。演唱会、体育赛事、地铁延误和封路会产生突发高峰。而人并不像传感器——他们会对价格、等待时间、激励和习惯做出反应。

因此挑战不仅是预测会发生什么；还要反应得足够快，同时保证反应本身不会制造新的问题。

三个调节杆：流动性、定价与物流协调

当人们说 Uber 在“编程”城市时，通常指它用三把调节杆让市场保持运转：

• 流动性： 有足够的附近司机与乘客，使匹配快速发生。\n- 定价： 引导行为（乘客决定现在下单还是稍后；司机决定上线或移动位置）。\n- 物流协调： 决定谁与谁配对、车辆应如何重新定位以及 ETA 如何估算。

这些要素把分散的个人选择转化为协调的流动。

本文将覆盖（与不会覆盖）的内容

本文侧重于概念与机制：关于流动性、动态定价、匹配与反馈回路的基本逻辑。

不会描述专有代码、精确公式或任何内部实现细节。相反，请把它当作理解平台如何在城市规模上协调现实服务的可复用模型。

Uber 作为双边市场：基本机制

与其说 Uber 是“一款打车应用”，不如说它是一个双边市场，协调两个目标不同的群体：想要即时出行的乘客和希望获得可观且可预测收入的司机。平台的工作是把成千上万次分散的选择——请求、接单、等待、取消——转成稳定的已完成行程流。

核心产品：快速且可靠的匹配

对大多数乘客而言，体验并不由车辆本身定义，而是由他们多快被匹配以及上车是否可靠来定义。上车时间和可靠性（不被放鸽子、ETA 不会频繁跳动）是实际的“产品”。

这就是为什么流动性重要：当足够多的可用司机接近足够多的乘客时，系统能迅速匹配，保持 ETA 稳定，并减少取消。

Uber 持续管理的权衡

每一次匹配都是在互相竞争的结果间的平衡：

• 价格与等待时间： 更低的价格会增加请求量，但如果供给跟不上，等待时间和取消率会上升。\n- 司机收入与利用率： 更高的收入能吸引司机，但如果过多司机闲置，利用率下降，他们可能流失。\n- 乘客满意与司机自治： 更紧的调度能提高可靠性，但司机仍有权选择是否接单。

常见的市场指标（网络脉搏）

为管理这些权衡，平台会关注一组指标，这些指标表征健康状况：

• 请求量： 有多少乘客在请求行程。\n- 接单率： 有多少接单邀请被司机接受。\n- 取消率： 乘客或司机取消——通常反映长等待、信任度低或定价不当。\n- 完成率： 请求转化为实际完成行程的比例。

当这些指标变化时，通常不是单一问题，而是跨市场双方的一连串反应。

市场流动性：为什么密度胜过规模

在类 Uber 的市场中，流动性可以简单定义为：在大多数时候有足够近的供给满足需求。不是“城市里有很多司机”，而是司机足够接近，使乘客下单后能迅速获得可靠匹配。

街头上低流动性的表现

当流动性下降，症状会立即显现：

• ETA 更长（车辆更远，或匹配耗时）\n- 更多取消（司机先接单再放弃，或乘客放弃）\n- 价格飙升（用更高价格拉动供给或抑制需求）

这些并非独立问题——它们是同一短缺的不同面向：在关键半径内没有足够可用车辆。

密度胜过规模，因为距离代价高

一座城市即使总体司机众多，如果分布过于分散仍会感觉“干涸”。流动性是超本地化的：按街区和分钟变化。

演唱会在 22:17 散场所形成的市场，与两条街之外 22:19 的市场不同。雨中的一个路口不同于干燥时分。哪怕一处施工封闭也能改变供给聚集与消失的地点。

这就是为什么密度比规模更重要：每增加一英里距离都会带来等候时间、不确定性和取消的概率。

可靠性创造正反馈

当乘客相信“车辆会出现”时，他们会更频繁、更广泛地下单。稳定的需求使司机更容易预测收入并保持在线。更多稳定供给又进一步提升可靠性。

流动性不仅是结果——它是塑造双方行为的信号，使他们持续使用平台。

支撑决策的实时数据层

平台下游的一切行为——定价、匹配、ETA——都依赖于一张持续更新的当前图景：把杂乱的街道转为系统可行动的输入的活地图。

“实时状态”可能包含的内容

在实际操作层面，状态由许多小信号构成：

• 司机应用的位置上报（车辆在哪儿、速度如何、是否在行程中）\n- 行程请求（上/下车坐标、服务类型、请求时间）\n- 交通速度与路况（来自地图、第三方和聚合移动模式）\n- 应用上下文（省电模式、连接质量、应用前后台——常作为更新可靠性的代理）

预测 vs. 反应

反应是直接的：某一区域出现请求突增，系统随之响应。

但更有价值的是预测——在供需过度分离之前预测它们会在哪儿出现。这可能意味着预判演唱会散场、降雨或通勤高峰的结束。预测有助于避免“追着问题跑”，即司机到达时高峰已过去。

决策批处理：城市多久更新一次

尽管标称“实时”，决策通常以批次方式进行：

• 更新可能每几秒运行一次，而非连续流式。\n- 城市常被划分为地图网格（格子/区域），以便系统能总结每个区域的状况。\n- 信号在时间窗口内被聚合（例如最近 1–5 分钟），以减少噪声。

数据质量：城市很嘈杂

真实街道产生的是杂乱数据。城市峡谷中的 GPS 会漂移，更新可能迟到，某些信号在手机断网时完全丢失。数据层的重要工作之一是检测并修正这些问题，避免后续决策基于幽灵位置、陈旧位置或误导性的速度。

如果你想了解这些信号如何影响后续步骤，请继续阅读 /blog/dynamic-pricing-balancing-supply-and-demand。

动态定价：逐分钟平衡供需

动态定价（常称为高峰定价）最好被理解为一种平衡工具。它并不是主要用来“多收钱”；而是在市场失衡时 платформы 可以旋转的控制旋钮。

目标：平滑错配

一个叫车市场的简单问题是：人们成群地在某些时刻请求，而可用司机在任何时刻都分布不均且有限。系统的目标是减少过剩需求（过多乘客同时请求）并吸引或留住供给（在正确区域有足够愿意可用的司机）。

当价格快速调整时，平台试图同时影响两种决策：

• 乘客：“我要现在出行，还是可以等一会儿、步行几条街、换乘或稍后再试？”\n- 司机：“现在上线值得吗？我该继续在线还是向更繁忙的区域移动？”

一个简单的思考模型

可以这样想：

• 当 需求 > 供给，等待时间往往上升。\n- 更高的价格 会使部分需求转移（减少即时请求），并使部分供给流入（更多司机愿意上路）。\n- 当错配缩小时，价格可以回落到正常水平。

这种行为可以在分钟级别发生，因为条件本身也在分钟级别变化：演出散场、雨开始、列车延误、片区突然空荡。

护栏是设计的一部分

既然定价直接影响人，动态定价通常需要护栏。原则上这些可以包括：

• 透明性： 在确认前让乘客知道价格提升并会付多少钱。\n- 限制与策略选择： 设定上限、限制某些情况下的上涨，或在紧急情况下加入特别规则。

重要的一点是：动态定价是一个行为信号。它是保持市场可用性的机制——在城市供需短暂失配时，让接驾成为可能并防止等待时间失控。

定价算法：它们试图优化什么

打车平台的定价不仅仅是“忙时高，空时低”。算法的目标是让市场保持工作状态：有足够乘客下单、足够司机接单，并且行程以可预测的等待时间发生。

核心权衡：准确性与信任

准确性很重要，因为错误的代价是不对称的。如果系统定价过高，乘客会放弃或推迟出行，平台看起来像在趁火打劫。如果在高峰时定价过低，请求会涌入超过司机能服务的速度——ETA 上升、取消增加，司机可能流失因为机会感降低。无论哪种情况，可靠性都会受损。

模型“看”什么（高层次）

大多数定价系统结合若干信号来估计近期状况：

• 需求变化：突发请求峰值、规律性通勤模式、天气变化、活动结束。\n- 司机可用性：附近有多少司机、他们完成当前行程的速度、以及有多少可能接受邀请。\n- 行程特性：预测行程时长与距离，影响供给被占用的时间。

目标不是精确预测未来，而是在当下塑造行为——把足够多的司机引到繁忙区，并在服务无法保证时抑制低概率请求。

平滑处理：避免鞭打效应

即使需求变化很快，定价也不能剧烈波动，否则会损害信心。平滑技术（例如渐进调整、上限和时间窗口平均）有助于防止因微小数据变化引起的突然跳变，同时在真正由事件驱动的冲击发生时允许更快响应。

通过实验调优

因为乘客和司机行为敏感，平台通常依赖精心设计的实验（比如受控 A/B 测试）来调优结果——在不假设存在“完美”价格的前提下平衡转化、接单、取消与等待时间。

调度与匹配：协调成千上万次小决策

调度是市场变成移动的那一刻：系统决定哪个司机去接哪个乘客，以及在那之后的最佳操作是什么。

调度问题（通俗化）

在任一时刻，附近有很多司机和乘客的可能配对。调度与匹配就是选择一个当前配对的过程——要知道这个选择会改变下一分钟的可能性。

这不仅仅是“最近的司机接单”。平台可能会考虑谁能最快到达、谁最有可能接受，以及该分配如何影响该区域的拥堵。当拼车可用时，还要决定两位乘客是否能在不破坏承诺的前提下共享一辆车。

主要目标：快速上车、公平结果与高效网络

一个常见目标是最小化接驾时间，同时保持整体系统健康。“健康”包括乘客体验（短等候、可靠 ETA）、司机体验（稳定收入、合理空驶）和公平（避免某些社区或乘客群长期得到较差服务）。

系统必须遵守的约束

调度决策受现实规则限制：

• 司机偏好：目的地过滤、接单行为或避免某些行程类型的偏好。\n- 车辆类型：UberX 与 XL、无障碍车辆、儿童座椅等。\n- 拼车约束：绕路限制与最大共享复杂度。\n- 监管与安全策略：机场队列、地理围栏、上车限制。

为什么“本地”决策会在城市中产生连锁反应

每次匹配都会移动供给。把司机派往北边 6 分钟接客也许能改善该乘客的等待，但同时把南边的供给移走，会提高未来的 ETA，并可能触发更多的重新定位。调度因此是一个持续的协调问题：成千上万个小选择共同决定车辆在哪里、乘客会看到什么以及市场的流动性如何随时间变化。

物流协调：路径规划、ETA 与供给重新定位

Uber 的核心承诺不仅是“会有车到达”——而是多久、多少可预测性、行程多顺畅。物流协调是试图让这一承诺在街道、天气、活动与人类选择不断变化时仍然可靠的层。

ETA 预测与路径规划即产品

ETA 本身就是产品的一部分：乘客基于它决定是否下单（或取消），司机基于它判断行程是否值得接。为估算到达与行程时间，系统将地图数据与实时信号结合——路段最近的交通速度、按时段的典型慢点，以及当前发生的事情（施工、事故或体育场散场）。

路径规划由此得出：它并不总是“最短距离”，而是“最快预期时间”，并随条件变化而更新。当 ETA 变差时，平台可能调整接驾点、建议替代路线或更新双方预期。

重新定位供给（以及定价外的激励）

即使路径规划良好，供给仍需接近需求。重新定位就是司机出于选择向更可能出现请求的区域移动。平台通过不止提高车费来鼓励这一点：热力图显示繁忙区、指引如“前往市中心”、机场或场馆排队系统，以及在指定待命区等待可获得优先规则等。

拥堵：城市会反作用

协调也有反馈问题：当许多司机跟随同一信号移动时，他们会增加交通并降低接驾可靠性。平台对城市反应（交通减慢 ETA），城市又因司机移动而反应（交通变化）。这种双向循环说明路径规划与重新定位信号必须持续调整——不仅是追逐需求，还要避免制造新的瓶颈。

稳定（或破坏）网络的反馈回路

Uber 不只是一次性地把乘客与司机匹配——它在不断塑造行为。小的改进（或失败）会累积，因为每次行程都会影响人们下一步的选择。

正反馈：可靠性创造流动性

当上车时间短且价格感受可预测时，乘客更常下单。稳定的需求使开车更有吸引力：司机可以保持忙碌、收入稳定并减少等待时间。\n 更多在正确地点的司机会降低 ETA 并减少取消，从而再次提升乘客体验。简言之：更好服务 → 更多乘客 → 更多司机 → 更好服务。这就是城市“进入”健康状态并让市场感觉轻松自如的方式。

负反馈：信任的破裂比建立更快

同样的累积效应在反方向也会发生。如果乘客多次遭遇取消或长等待，他们会失去对应用的信任，不再用于时间敏感的出行。他们会减少请求或同时打开多个平台。

较低的请求量降低司机收入可预测性，一些司机会下线或转向更繁忙地区。供给萎缩让 ETA 更差，导致更多取消——取消 → 不信任 → 更少请求 → 更低流动性。

稳定性胜过偶发高峰

几次完美的服务瞬间无济于事，如果典型体验不一致。人们会基于可预期的体验做计划。稳定的 ETA 和更少的“可能会发生/可能不会发生”的结果（例如临时取消）会形成习惯，而习惯才是保持双方回归的关键。

局部最小值：被“卡住”的社区

有些区域会陷入局部最小值：供给少导致等待长，乘客因此停止下单，使该区域对司机更不具吸引力。没有外部推动——定向激励、更聪明的重新定位或定价引导——即使附近区域繁荣，该社区仍可能陷于长期低流动状态。

边缘情况：系统承压时

大多数时候，叫车市场表现可预期：需求起落、司机向繁忙区移动、ETA 在熟悉范围内。但“边缘情况”是这些模式破裂的时刻——常常发生得很突然——系统必须在嘈杂、不完整的输入下做决策。

常见失效模式

活动高峰（演唱会、体育场散场）、天气冲击与大范围封路会同时造成同步需求与上下车变慢。应用故障或支付失败则不同：它们不仅改变需求，还中断平台用于“观察”城市的反馈通道。即便是小问题（市中心 GPS 漂移、地铁延误把乘客冲出来到街上）在大量用户同时遭遇时也会放大。

为什么弹性很重要

当信号延迟或不完整时，协调最困难。司机看起来可用，但许多司机可能被困在交通中、正在行程中或不愿意接受有不确定取车条件的订单。同样，请求峰值可能来得比系统确认供给快，短期预测容易高估或低估现实。

缓解策略（原则性）

平台通常依赖多种手段：放慢需求增长（例如限制重复请求）、优先某些行程类型、并调整匹配逻辑以减少流失（比如过多取消与重复指派）。一些策略侧重于在较小区域内保持服务可行，而不是在全城范围内拨薄资源。

能减少混乱的沟通

当状况不稳定时，面向用户的清晰提示很重要：现实的 ETA、透明的价格变动、可理解的取消政策。哪怕是小的清晰改进也能减少“慌乱点按”、不必要的取消与重复请求——这些行为会放大网络压力。

公平、隐私与优化的边界

当平台能实时调配车辆与定价时，也就能影响谁被服务、在何处以及以何种成本被服务。因此“让系统更好”不能简化为单一指标。

公平性：可及性、覆盖与价格

公平性问题体现在日常结果中：

• 谁获得服务： 如果匹配优先短接驾或高概率接单的司机，难以服务的地区的乘客可能等待更久。\n- 司机去向： 激励会把供给吸引到富裕或高需求地区，留下“稀薄”区域服务更差。\n- 价格水平： 动态与高峰定价会对稀缺供给进行配给，但也可能在特定地点或时间（暴风雨、深夜）集中高价，带来公平性问题。

“最优”取决于价值判断

任何定价或调度算法都隐含权衡，比如：

• 更低的 乘客等待时间\n- 更高的 司机收入稳定性\n- 更好的 可负担性 与更少的极端价格波动\n- 更广的 地理覆盖（即便在不那么盈利的区域）

这些目标不能同时最大化。选择优化什么既是技术问题，也是政策问题。

隐私：位置数据需要额外谨慎

行程数据很敏感，因为它可能揭示家庭与工作地点、日常轨迹与私人访问记录。负责任的做法强调数据最小化（只收集必要的信息）、有限保留、访问控制与对精确 GPS 轨迹的谨慎使用。

负责任设计清单

以“值得信赖的系统”为目标：

• 透明性： 清晰解释定价以及影响 ETA 与匹配的关键因素\n- 审计： 定期检查不同社区与乘客群体的差异性结果\n- 监控： 针对异常峰值（价格、取消、等待）与排斥模式的告警\n- 人工覆盖： 当自动决策在压力下失灵时有人可以干预\n- 文档化： 记录你优化的目标与原因，使权衡显式化

要点总结：面向可编程城市服务的可复用模型

去掉品牌与应用，Uber 的“可编程城市”效应由三把持续运作并相互加强的调节杆驱动：流动性、定价 与 调度/物流。

三把调节杆（及其如何叠加）

1) 流动性（在正确时空的密度）。 更多附近可用供给降低等待、增加完成率，吸引更多乘客并让司机保持收入——形成自我强化循环。

2) 定价（引导行为）。 动态定价不仅仅是“更高价格”，而是调整激励，使供给向需求高峰移动并让乘客揭示出行紧急性。做得好时，定价保护可靠性；做得不好则会引发用户流失与监管关注。

3) 调度与物流（把现有资源用到极致）。 匹配、路径规划与重新定位把原始供给变成可用供给。更好的 ETA 与更聪明的匹配通过减少空闲时间与取消来“创造”流动性。

当这些要素对齐时，会形成简单的飞轮：更好匹配 → 更快上车 → 更高转化 → 更高收入/可用性 → 更多乘客 → 更多数据 → 更好匹配与定价。

对其他市场的可复用框架

同样模型可应用于外卖、货运、家政服务、甚至预约类市场：

• 流动性： 提供者是否在用户可接受的时间/距离窗口内足够多？\n- 定价： 激励是否校准，用来移动供给、平滑高峰并在不破坏信任下保护服务水平？\n- 协调： 是否在分配任务时最小化无效行驶/时间并减少失败模式（取消、迟到、爽约）？

如果你想要更深入的度量与定价入门，请参见 /blog/marketplace-metrics 和 /blog/dynamic-pricing-basics。

更快构建“可编程市场”系统（实务说明）

如果你在构建具有类似调节杆的市场——实时状态、定价规则、调度工作流与护栏——主要挑战通常是速度：把想法快速变成可运行的产品，以便对行为和指标进行迭代。像 Koder.ai 这类平台可以帮助团队更快地原型与发布这些系统，通过构建 web 后台（通常 React）、Go/PostgreSQL 后端，甚至通过聊天驱动工作流构建移动应用——在你想测试调度逻辑、实验仪表盘或定价规则配置而不想重写基础设施时很有用。

实用要点：测量、调优、沟通

要测量的内容： 上车 ETA（p50/p90）、填充率（fill rate）、取消率（双边）、利用率/空闲时间、接单率、小时收入、价格倍率分布与复购率。

要调优的内容： 匹配规则（优先级、批处理）、重新定位提示、激励设计（奖金 vs 倍率）以及防止极端结果的“护栏”。

要沟通的内容： 价格变动的驱动因素、如何保护可靠性以及用户可以采取的操作（等待、步行、预约、切换车种）。清晰解释能减少那种“算法是随机的”的担忧——而信任本身就是一种流动性。