
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01