“ปัญหา Taxi แก้ไม่ได้จริงหรือ เปิดความจริงของปัญหาด้วยข้อมูล Big Data”

ปัจจุบันนี้ระบบโครงข่ายระบบขนส่งมวลชนทางราง ในกรุงเทพมหานครและปริมณฑลเข้ามามีบทบาทต่อชีวิตประจำวันของเรามากขึ้นจากแต่ก่อน ช่วยให้การเดินทางสะดวกมากขึ้น ลดค่าใช้จ่าย และประหยัดเวลา แต่อย่างไรก็ตามระบบทั้งหมดยังไม่สามารถเชื่อมต่อกันเป็นโครงข่ายอย่างสมบูรณ์ ส่วนการใช้งานรถโดยสารสาธารณะ เช่นรถประจําทางก็ยังไม่ตอบโจทย์ของผู้โดยสารที่ต้องการความสะดวกรวดเร็วในการเดินทาง รถ Taxi ยังคงเป็นทางเลือกในลําดับต้นๆ ที่ทุกคนนึกถึง และน่าจะมีความปลอดภัยมากกว่าเมื่อเทียบกับการใช้มอเตอร์ไซค์รับจ้าง อย่างไรก็ตาม ปัญหาการปฏิเสธผู้โดยสารของแท็กซี่ยังเป็นประเด็นที่เห็นอยู่ในหัวข้อข่าวอยู่เสมอ การคิดค่าโดยสารในปัจจุบันไม่เป็นธรรมกับผู้ขับรถ Taxi จริงหรือ แล้วการเข้ามาของ Uber ซึ่งมีการคิดค่าโดยสารที่แพงกว่าทําไมถึงเริ่มได้รับความนิยม ทําไมผู้โดยสารต้องการจ่ายแพง ถ้าปัญหาของการปฏิเสธผู้โดยสารเกิดจากรายรับของ Taxi ที่ลดลงจากการรับผู้โดยสารไปส่งในจุดที่รถติด หรือหาผู้โดยสารรายต่อไปได้ลําบาก เราก็คงต้องหาวิธีชดเชยให้แก่คนขับ ถ้าเช่นนั้นเราจะรู้ได้อย่างไรว่า "ชดเชยเท่าไหร่" คือจุดที่ Taxi มีกําไร อยู่ได้ และไม่ปฏิเสธผู้โดยสารในทุกๆการเดินทาง ข้อมูล Big Data ตอบโจทย์ตรงนี้ได้

รูปที่ 1 การคิดราคาค่าโดยสารตามระยะทาง รวมค่าชดเชยในส่วนของรถติดตามข้อกําหนดของกรมการขนส่ง

ข้อมูลจํานวนมหาศาล บนมิติของเวลาและสถานที่ที่เปลียนไปอยู่ตลอดเวลา เช่นการรับรู้และวิเคราะห์การเคลื่อนที่ของรถจํานวนนับหมื่นหรือแสนคันต่อเน่ืองเป็นระยะเวลาหลายเดือนหรือหลายปี มีความซับซ้อนมากและแทบจะเป็นไปไม่ได้เลยในอดีต แต่ในปัจจุบันระบบประมวลผลแบบคลาวด์ (Cloud Computing) ทําให้สิ่งนีี้เป็นไปได้ !

ทีมงานวิจัย ของ GIS Lab* จากสถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์ ได้ทําการพัฒนาระบบประมวลผลแบบคลาวด์สําหรับวิเคราะห์ระบบจราจรและพฤติกรรมการขับขี่ โดยใช้ข้อมูลจากรถ Taxi GPS จํานวนกว่า 10,000 คันเป็นระยะเวลา 5 เดือน** ผลลัพธ์ที่ได้ ชี้ให้เห็นว่า โดยเฉลี่ยการขับ Taxi สามารถทํารายได้ให้แก่ผู้ขับไม่ตํ่ากว่า 1,000 บาทต่อวัน หรือ 30,000 บาทต่อเดือน และ 63% Taxi วิ่งรับส่งผู้โดยสารในระยะไม่เกิน 10 กิโลเมตรเท่านั้น การวิเคราะห์ Big Data ยังบอกได้ว่าช่วงเวลาและพื้นที่ไหนในแต่ละวันที่ถ้า Taxi วิ่งจะทําให้ได้ผลกําไรที่มากที่สุด เราสามารถบอกได้เลยว่าที่จุดนี้เวลานี้ถ้า Taxi วิ่งผ่านมาคุณมีโอกาสได้ผู้โดยสารสูง หรือเป้าหมายจริงๆ ที่เราต้องการทําก็คือ เมื่อเวลาผู้โดยสารจะเรียก Taxi ไปส่งในพื้นที่ที่มีการจราจรติดขัด ระบบจะสามารถคํานวนออกมาได้เลยว่า สําหรับการเดินทางทริปนี้ Taxi ขาดทุนกําไรของเค้าไปเท่าไหร่ ผู้โดยสารสมควรเพิ่มค่าบริการเพื่อชดเชยในการวิ่งเข้าพื้นที่ที่นี้เป็นจํานวนเท่าไหร่ ซึ่งแน่นอนว่าค่าบริการที่เพิ่มขึ้นไม่ใช่ค่าที่ถูกกําหนดไว้ก่อน เช่นการเสนอให้มีการเรียกเก็บค่าบริการเพิ่ม 50 บาทในทุกการเดินทาง แต่จะเป็นการคํานวนที่เกิดจากระยะทางที่แท้จริงและค่าทางสถิติจํานวนมหาศาลของข้อมูลในอดีตในช่วงวันและเวลาเดียวกัน การวิเคราะห์ข้อมูล Big Data ทําได้ถึงขนาดนี้ ซึ่งแน่นอนว่าผู้โดยสารก็จะพอใจด้วย

ตารางที่ 1 ค่าโดยสารเมื่อรวมค่าชดเชยพิเศษ

* ทีมงานวิจัย Big Data, GIS Lab

- นาย ธนณัฏฐ์ พิบูลย์บรรณกิจ,

- นาย ดีพร้อม สมเกียรติ์เจริญ

ผศ.ดร. ธีรยุทธ โหรานนท์ สถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์ (SIIT)