油价调整幅度是怎么算出来的_油价上涨幅度系数怎么算

1.油价持续上涨，对哪些行业的冲击最大？

2.油价上涨会对大宗商品有什么影响

3.运价油价联动机制

上半年受环保及相关行业政策等因素的影响，柴油需求不容乐观。进入7月下旬，北方高温天气、南方台风多雨天气拖累，柴油价格上涨受到一定限制，介于原料成本高企，以及部分政策的连带支撑，价格较历史同期偏高。

图1、2016-2018年柴油批发价格走势图

数据来源：隆众资讯

据隆众数据分析：2018年上半年，中国主营柴油价格呈先抑后扬走势，2018年柴油半年度均价为6523元/吨，较2017年半年均价5528元/吨，上涨995元/吨，涨幅为18%。上涨的原因，主要是2018年原油涨幅较大，一度突破70美元大关，2018年6月底WTI涨至74.15美元，而2017年6月底同期仅为44.74美元，上涨幅度高达30美元，导致炼厂加工成本提高，价格一路上行。

国家出台“蓝天保卫战”的三年行动，部分不合规的柴油遭遇打压，汽柴价格或将维持高位。

国内柴油价格高企，是需求带动还是有价无市？我们通过各省市的需求情况来一探究竟：

图2、国内柴油消费量需求占比

单位：元/吨

数据来源：隆众资讯

从上图2国内柴油消费量需求占比图中可以看出，2017年我国成品油消费总量在1200万吨以上的省市共有12个，柴油消费量在500万吨以上的十省市中，有六省市位于沿海，华东占了四个：山东、江苏、上海、浙江，再就是辽宁、广东。

图3、国内柴油消费量需求占比

数据来源：隆众资讯

见上图3，国内各省市的需求情况参差不齐，青岛主营本月量已全部完成，泰安中油因为油库整改，发油量受到影响，完成率仅为不足3成。江苏中石化量完成率仍存缺口，在7-9成左右，江苏中油削减了任务量，苏南超额完成，苏北仍存欠量。而浙江主营省公司总任务已基本追平。主营月度量的完成进度高低不一。那么柴油零售是否存在可观的利润？

图4、柴油零售利润走势图

单位：元/吨

数据来源：隆众资讯

从柴油零售利润图中可以看出，2018年7月，中国加油站综合利润，柴油平均零售利润1361元/吨，环比下降3.16%。月内零售价兑现下调，但批发价接连上涨，柴油批零价差缩小，导致利润走跌。

零售利润下降，那么柴油进出口利润是否存在套利空间？见下图4，柴油进出口套利分析：

图5、柴油进出口套利走势图单位：元/吨

数据来源：隆众资讯

7月份，我国进口新加坡柴油平均每吨亏损13.83元，较2018年6月份亏损下降56.7元/吨，我国华南口岸柴油出口至新加坡平均每吨亏损287.58元，较2018年6月份亏损增加13.5元/吨。

进口方面，新加坡柴油价格上调，而国内柴油价格同步上涨，使得进口利润亏损收窄。出口方面，国内柴油批发价格上涨，而新加坡地区柴油价格同步上调，使出口收入亏损增加。

整体来看，国内过剩问题依旧突出，主要表现为炼油产能仍在扩张，而新能源等替代能源的上马，导致柴油需求增长呈继续放缓的趋势。

油价持续上涨，对哪些行业的冲击最大？

4.4.3.1 WTI和Brent市场收益率的统计特征

令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。

图4.20 WTI和Brent市场原油现货收益率走势

WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为 ，检验结果表明它们均具有显著的自相关性。另外，通过AD F单位根检验，发现它们都是平稳序列。

表4.17 WTI和Brent市场收益率的基本统计特征

4.4.3.2 WTI和Brent市场收益率的GARCH模型估计

（1）WTI市场收益率的GARCH模型估计

为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。

鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。

为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。

WTI市场收益率的TGARCH（1,1）模型为

国外油气与矿产利用风险评价与决策支持技术

式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;

Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823

从模型的方差方程看到，油价收益率下跌时， 对h1,t的影响程度为α1＋Ψ，即0.057202；而油价上涨时，该影响程度为α1，即0.083559，约为前者的1.5倍。h1,t-1前的系数为0.920539，接近1，表明当前方差冲击的92.0539%在下一期仍然存在，因此波动冲击衰减速度较慢，波动集聚现象比较严重。而检验TGARCH（1,1）模型的残差时发现，其自相关函数都在随机区间内，取阶数为68时，残差的Q统计量的显著性概率大于20%，而Q2统计量的显著性概率大于30%，因此经TGARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此TGARCH（1,1）模型对WTI市场收益率序列的拟合效果较好。

（2）Brent市场收益率的GARCH模型估计

基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。

Brent市场收益率的GARCH（1,1）模型为

国外油气与矿产利用风险评价与决策支持技术

Log likelihood=116.19,AIC=-4.993462,GED参数＝1.324630

在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。

图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。

图4.21 WTI和Brent市场的条件异方差比较

4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验

正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和购者提供决策支持。为此，本节将用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。

（1）GED分布的分位数确定

根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。

表4.18 WTI和Brent市场收益率的GED分布参数及分位数

（2）基于GED-GARCH模型的VaR风险值计算

根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为

国外油气与矿产利用风险评价与决策支持技术

式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。

同理，得到下跌风险的VaR值计算公式为

国外油气与矿产利用风险评价与决策支持技术

根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。

表4.19 WTI市场收益率的VaR计算结果

表4.20 Brent市场收益率的VaR计算结果

从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。

图4.22 99%的置信度下Brent市场的收益率及其VaR风险值

图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值

（3）VaR模型比较

在用GARCH模型计算市场收益率的VaR 风险值时，一般都设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。

表4.21 基于正态分布分位数的VaR模型计算结果

结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。

而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。

当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。

另外，本节通过计算还发现，如果在建立GARCH模型时设残差服从正态分布，而计算VaR时又选择一般所用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。

（4）VaR模型的预测能力

从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原设，即认为在此处用HSAF方法预测市场VaR风险并不妥当。

图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值

图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值

4.4.3.4 WTI与Brent市场风险溢出效应检验

得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。

表4.22 WTI与Brent市场风险溢出效应检验结果

从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。

这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关和企业的科学决策具有一定的借鉴意义。

油价上涨会对大宗商品有什么影响

听到油价上涨的消息，整个人都感觉不好，毕竟手里还有一辆燃油车。买车的时候是马达一响，黄金万两；现在呢？油价一涨，马达一响，钱包异响了。这是对于个人而言，油价持续上涨最直接的影响了。而对于整个商业社会，各行各业影响也是很明显。

1、油价上涨，直接冲击的是整个石油产业链。

油价上涨的直接原因，是石油价格的上涨，而石油被称为“工业的血液”。不仅仅是燃料油来源，更是许多化学工业产品的直接原料或间接原料。

作为燃料油的来源，各种型号的汽油，柴油，煤油等等都会涨价，而广泛用于各种类型的动力机械，如汽车、拖拉机、轮船、军舰、坦克、飞机、火箭、锅炉、火车、推土机、钻机等等，使用成本都会涨价。

作为化学产品的直接原料，如润滑油、润滑脂、沥青、溶剂等等。它们是工业原料的基本原料或是中间体，油价上涨它们也会上涨。

作为化学产品的间接原料，如塑料颗粒、农药等等。传导到下游，将是每一瓶饮料和每一粒粮食的价格上涨。

2、油价上涨，首先影响的是整个运输产业链。

首先是物流。物流的成本主要是工具车投入和损耗，还有高速费，还有油价。油价上涨，本来同样的价格一箱油可以跑五百公里，现在同样的价格，只能购买三分之二箱的油，可以跑的距离明显缩短了。

其次是人流。无论是公共交通还是私人交通。以前一箱油的价格可能是五百，现在接近六百的时候，有私家车的人可能选择公共交通出行，而燃油车出租车飞机等等，则会选择上涨车费机票来抵消油价上涨带来的成本压力。

最后是运输产业链后的终端用户，如快递、包裹、蔬菜瓜果等等。需要经过燃油汽车运输的产品，油价上涨，运输的价格上涨，而成本将平均摊到每一个运输的快递、包裹，每一颗、瓜果等等的价格上。

3、油价上涨，次要影响的是各种商品价格。

就拿一杯奶茶为例。装奶茶的胶杯由于油价的影响，无论是胶杯原料还是运输价格，胶杯价格需要上涨，而配合胶杯使用的杯盖和吸管，也是需要价格上涨。而胶杯中的奶和茶，还有水果等等，因为肥料、运输、还有冷藏的成本，势必它们都会上涨。

如果你去奶茶店店，发现奶茶的价格上涨了，有可能是油价上涨了。

石油作为一种商品，价格的涨跌会有一定波动，理性看待，开心过好每一天。

运价油价联动机制

目前国际原油对大宗商品的具体影响而言可分为两个层面。一方面，地缘政治危机引发的原油暴涨更多的是加剧市场对于通胀以及对经济复苏前景的担忧，利空的影响较为明显；另一方面，从对其他商品的成本传导机制来说，原油价格上涨会造成运输成本上升。这对金属和农产品价格都有一定利多影响。而对于下游化工品而言，油价上涨还会直接带来化工品原材料价格上涨，从而抬升化工品成本底线。

能源化工受影响最大

东证期货研究所认为，燃料油与国际原油的相关性最高，因为原油在化工产业中作为燃料油的上游原料，其价格变化一直通过成本传递来影响下游燃料油现货和期货的价格。根据东证期货研究所设计的燃料油指数和原油指数月收盘价相关性模型（以2005年1月至2011年1月间的日收盘价数据为样本），通过相关系数计算可以得出，原油与燃料油相关系数为0.82，属于高度相关。但由于燃料油目前改为大合约，它的活跃性有所降低，从而导致近期燃料油的行情较为稳定，受到原油价格的影响开始变小。

塑料（聚乙烯）与PVC（聚氯乙烯）走势则更多取决于其自身供需面。就塑料而言，原油价格主要通过“原油-石脑油-乙烯-聚乙烯”这样的生产链进行传导。但是，塑料在我国属于垄断型市场，80%的产能集中在中石化、中石油这两家企业，因此塑料价格往往距离成本线有一定距离，成本对产品的价格作用较小，塑料价格更多的是依赖于石化厂库存水平、下游需求以及石化厂的定价策略。

国内PVC（聚氯乙烯）与原油的相关性更低，这主要是因为我国PVC生产主要以电石法为主，占总产能的75%，而以原油为主要原料的乙烯法PVC并未占据市场主流。

光大期货焦炭分析师唐嘉宾表示，焦炭属于煤炭的下游产品，是由炼焦煤在焦炉中提炼所得。一旦煤价上涨，焦炭将由于其成本因素，导致自身价格有所提升。从基本面来看，作为全球最主要的两大基础能源，原油和煤具有高度的替代性，一旦两者中有一个价格上涨，另一个将会因其替代性获得更多需求。从中长期来看，原油价格如果维持高位或者继续上涨将对整个焦炭行业形成一定的利多支撑。

农产品与原油相关性较高

东证期货研究所郭华表示，根据对原油与农产品中的谷物及食用油的相关性分析，可以发现农产品与国际原油价格相关性非常高（相关系数接近0.9）。这也说明在原油价格看涨的预期下，农产品价格将会受其推动而上涨。

首先，原油价格上涨将会导致航空、运输、基础原材料价格上涨，企业运营成本增加。我国大部分油籽和油脂进出口基本是通过船运，涉及到能源消耗，跟原油相关性非常大，原油上涨必然增加运输成本，将直接推高进口农产品价格。近几年来，我国主要的油籽和油脂进口量非常大，尤以大豆、棕榈油和菜籽为主，并且玉米、棉花进口量近几年来也出现增加的趋势，因此原油上涨势必会抬升这些农产品进口成本。

其次，由于在原油与各种油脂比价的变化过程中，生物能源对于原油的替代效应非常明显，其发展速度要受制于传统能源(石油、煤炭)价格的制约。当原油价格超过70美元，生物能源生产就能够带来利润。也就是说，只要原油价格高于这个门槛，生物能源生产就有扩大趋势。而一旦生物能源生产全面展开，将会刺激生物能源原料需求的爆发式上涨，使大批粮食被转化为生物燃料，如玉米乙醇、植物油等。而这将推动生物燃料原料成本即农产品价格的上涨。此外，能源价格的上涨，还会导致农民为化肥、柴油（使用农业机械和运输）支付更高的成本，这也将传导到农产品价格上，推动农产品价格上涨。

业内人士指出，虽然原油目前仍处于大宗商品“领头羊”的地位，但实际上原油对大宗商品的影响正在发生微妙变化，而国际政治经济局势和宏观经济政策变化带来的系统性风险正取代原油价格成为影响几乎所有大宗商品的主要因素。原油价格目前对于国内大宗商品的影响有弱化趋势。

报导很清楚啊！

上海建出租车运价油价联动机制:通过两公式操作

中国网 | 时间：2006 年4 月18 日 | 文章来源：东方网

东方网4月17日消息：在今天的听证会上，公布了两个公式，运价油价联动机制今后将通过两个公式来操作。

第一个公式用于调整出租车起步费。按照这个公式，如果油价平均提高一元，根据前期调研，单车每天消耗汽油43.75升，日均载客34次，代入公式，每车起步价需要提高1.29元。

第二个公式用于调整超过起步价后的出租车公里单价。按照这个公式，如果油价每升平均提高1元，每车每天行驶350公里、载客率61%、起步价外公里占总公里数的64%，与公里油耗无关的加价计时等营运附加收入系数0.15，计算后可以发现每公里运价需要提高0.27元。

今后，这两个公式将配合使用，调整起步价和单价，体现多乘多支出，少乘少支出的原则。按照这两个联动公式，在目前的市场营运状况下，如果起步费从10元调整为11元，公里单价从2元调整为2.1元，调价幅度大约在6.7%左右，对乘客来说，每次用车平均多支出多1.43元。行业管理部门表示，将建立计算公式中有关营运数据统计分析和定期公布的制度。并检测油价波动幅度，考量一定时期内油价上涨对行业影响程度，跟踪运价调整后市场供求等主要运营指标变化动态，以保证联动机制的有序运行。

上海现行的出租车运价是1993年制定的，1998年做过微调，起步费为3公里10元，超起步里程后每公里2元，超过10公里以上的部分加收50%空驶补贴费。出租汽车因路堵及因乘客要求临时停车，每5分钟按2元计算。近几年来，燃油成本上升迅速，90号汽油价格已经从98年每升2.13元上升到了目前的4.13元，是98年的1.95倍。此外，维修成本、车辆保险费等也有不同程度上涨。