京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据告诉你:北上广深,谁最苦最累最拼命
7月15日,50KM上推出了“北上广深生活大揭秘:10个北京女人6个不回家吃饭”后,立刻被微信朋友圈狂转。一些网友问:“你们为何不说说男人是不是回家吃饭了?”、“不回家吃饭,那去干啥了?”
是的,男人们回家吃饭了吗?其实,滴滴的数据显示,男人们一样很难晚上回家吃饭,话说回来,因为女人没有回家做饭啊!(呵呵,这有点大男子主义了。)
是的,不回家吃饭不意味着一定在外应酬、消遣,还有很多很多人,在办公室拼命熬夜加班中!
曾经,“逃离北上广”成为年轻人中一个口号式的选择,但是,这个口号根本就没喊上多久,就没人响应了,因为,“逃离北上广”的人又都回来了。只有“北上广”加上深圳,才聚集着中国最多的资源,最好的机会,逃是逃不掉的。那么,只有“拼”,拼就拼一个星光灿烂。
滴滴打车与生鲜电商“本来生活网”联合对交通出行、回家吃饭这两件大事进行联合调查,数据显示,北京晚上20点以后回家的人群,占到了30%,综合各项标准,北上广深四个城市中,北京人仍然是最拼最累的。
1、上班里程
北京城市面积最大,人均上班里程也最长,为19.2公里,其次为上海18.82,广州和深圳平均就要短一些,分别为15.16和13.97。拿北京而言,翻山越岭中关村,望眼欲穿CBD都不算事,光是上班路上就得非常拼。
2、上班时间
整体来看,北京平均上班要52分钟,上海要51分钟,差异不是很大,广州需46分钟,深圳得40分钟。每天早晚高峰各堵1小时,从22岁到80岁,会有30624个小时,相当于10.48年,而这就少了许多对家人的陪伴。
3、深夜出行范围
这是昨天就提到的四大城市晚间出行的热力图,看吧,颜色最重范围最大的是北京吧?
热力图上看,夜22:00-23:00,上海、深圳、广州三个城市的打车地点集中在城市商区,而北京的集中打车地点遍布整个城市,每个角落的人 都在以自己的方式奔忙。再细微观察北京,深夜打车的人,大CBD地区和大中关村地区,仍然是最重要的区域,这两个地方,集中了北京最多的大型公司、互联网 公司,想一想,这些拖着疲惫身躯刚刚走出办公室的人们,他们那倦怠的身心吧。
4月,滴滴打车4月推出的“吸血加班楼”评选活动中,北京国贸地区、上海陆家嘴、深圳深南大道是这三个城市加班最集中的地区,果然到了晚上热力不减。快节奏的大时代,每分钟都在翻天覆地变化着。
4、出行时间峰值
滴滴打车的数据显示,上海只有上午9:00出现一次早高峰,没有晚高峰和夜高峰,也说明上海人比较享受生活,而非工作。广州和深圳的出行波峰走 向非常一致,下午高峰和晚高峰峰值也基本相同。而在北京,一天中三次高峰非常明显,夜高峰的订单量远远高于早高峰和晚高峰,加班到深夜才回家的人是上班族 的大多数。
在程序猿、攻城狮、产品狗聚齐的北京西二旗,到了晚上只有26%的人能正常下班回家,18%的人22:00回家,而凌晨以后还有10%的人在忙着改变世界。
5、晚回家人数
四个城市中,北京和上海人口数量相仿,但日均打车人数北京远远高于上海;深圳和广州人数差不多,打车人数深圳稍高于广州。北京城市过大,市中心到家的距离很远,紧张忙碌的城市中,分分秒秒都很可贵,这时候选择叫车回家最为方便。
在晚回家人数的比例中,北京占到29.38%,广州居于其次为22.12%,深圳19.71%,而上海人的比例最少,这也与打车峰值分布相符合。
北上广深四个城市的上班族每天步履匆匆,繁忙的工作也在挤压着私人空间,四个城市中,北京人出行时间最长、加班时间最晚、加班范围最广、不能回家吃饭比例最高,各项指标都完胜上海、广州、深圳。
这真是,在帝都,真是拼,真是累;在魔都,有点拼,有点累;在广深,一样拼,一样累。可是,在南国广深,美食那么多,加完夜班再宵夜,一点也不奇怪啊。
数据不能说明一切,每个人的生活体验更直观更细致。在这个城市里打拼,你的前景将有更多的可能性,有梦想就有希望,有坚持就有价值。也许每年都有那么几个瞬间,虽然挤在人海中,仍觉得这是一座希望之城。
以上数据来源于滴滴媒体研究院和商业数据部、生鲜电商本来生活网。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16