Принципы работы агрегаторов такси

1.Данные и методы

В данном исследовании рассматривается платформа Uber — крупнейшая цифровая площадка по совместному использованию автомобилей в контексте шеринговой экономики. Официально она была зарегистрирована в 2011 году в Сан-Франциско, и из небольшой компании в Кремниевой долине превратилась в международную корпорацию, стоимость которой оценивается в миллиарды долларов. На октябрь 2019 года компания ведет деятельность в 70 странах и более чем в 700 крупных городах по всему миру. Платформа Uber, в основе которой лежит двусторонняя бизнес-модель, очень удобна. Человек может просто коснуться кнопки в своем смартфоне, и такси окажется в нужном месте за очень короткое время. Открыв приложение Uber, пользователь выбирает категорию услуг, например, UberX, UberBlack, UberSUV, и указывает свое местоположение. После заказа услуги система автоматически назначает водителя, который должен ответить на запрос. Заказчик услуги видит имя и фото водителя, описание автомобиля и может по карте рассчитать приблизительное время его прибытия. Если спрос превышает наличие свободных машин, цена на услугу резко возрастает, и пользователь решает сам, стоит ли ехать ему в это время. После завершения поездки оплата насчитывается автоматически, и пассажир может дать оценку водителю и предоставить анонимный отзыв о качестве услуги.

1.1. Данные

Данные берутся из нескольких архивных источников. Данные о заторах — из отчета о транспортном движении в городе (англ. Urban Mobility Report, UMR), предоставленного Техасским Институтом транспорта A&M (когда речь идет о рынке США). В этом отчете содержится информация о мобильности в городе и статистика о заторах для 101 городской зоны в США c 1982 до 2014 года. Данный отчет признан авторитетным источником информации о дорожных заторах и широко используется в транспортной литературе. Для каждого из городских районов в отчете UMR берется информация в официальном отделе новостей Uber, а также основных средствах массовой информации, чтобы узнать, зарегистрирован ли Uber в городской зоне. Отчет о транспортном движении в городе – это лучшие официальные данные, которые можно получить для измерения трафика. Чтобы контролировать возможное влияние других переменных, собраны данные о стоимости топлива, социально-экономических характеристиках городских районов, характеристиках дорожно-транспортных систем от Бюро переписи населения США и Бюро экономического анализа. После объединения различных источников данных были собраны временные данные, включающие 957 наблюдений за 11 лет в 87 городских районах США.

1.2. Зависимые переменные

Целью являются сведения о пробках. Для оценки заторов учтены несколько важных показателей из отчета UMR. Первый показатель – индекс времени в пути (англ. Travel Time Index, TTI). TTI – это отношение времени движения в пиковый период ко времени в условиях свободного движения. Например, TTI = 1,20 указывает на то, что 20-минутный маршрут в условиях свободного движения занимает 24 минуты в пиковый период. Второй переменной для измерения заторов является стресс-индекс доезжающих CSI (англ. Commuter Stress Index, CSI). CSI – это индекс времени в пути, рассчитанный только для пикового направления в пиковые периоды. Следует отметить, что как TTI, так и CSI являются индексами поездок и не отражают фактическое время задержки из-за заторов.

Чтобы его получить, в отчеты были включены время задержки и стоимость задержки, которые, вероятно, являются наиболее важными и прямыми показателями заторов на дорогах и их стоимости. В частности, время задержки указывает на количество дополнительного времени, потраченного на поездку из-за заторов. Стоимость задержки (затора) – это стоимость задержки поездки, где принимается во внимание стоимость задержки по времени и стоимость напрасно израсходованного топлива. И наконец, прямым следствием заторов на дорогах является повышенный уровень выбросов углекислого газа транспортными средствами. Для анализа потенциального воздействия на окружающую среду  учитывается избыточный расход топлива из-за заторов для расчета выбросов углекислого газа.

В таблице 1 представлена сводная статистика рассмотренных выше переменных для измерения различных аспектов заторов на дорогах.

1.3. Измеряемые переменные

Есть ряд важных переменных, которые могут влиять на образование заторов, среди них километраж и количество участников дорожного движения. Кроме того, измеряются переменные, которые могут играть роль в решении компании Uber относительно вхождения в различные городские районы или города. Эти переменные включают в себя численность населения и социально-экономическое положение (например, ВВП, средний доход) городского района. В таблице 2 приводится описание, а также общая статистика этих переменных.

1.4. Эмпирическая модель и спецификация

Как обсуждалось ранее, вхождение Uber в разные районы происходила в разные моменты времени. Это позволяет нам использовать модель вхождения для эконометрической идентификации. В частности, неоднократно наблюдая за уровнем дорожных заторов в каждом районе с течением времени, можно было бы использовать метод сравнения разностей для изучения разницы в заторах до и после вхождения Uber в нескольких районах. Метод сравнения разностей становится все более популярным способом оценки причинно-следственных связей. Он уместен, когда требуется сравнить различия в результатах до и после вмешательства для групп, где прошли изменения, с теми же различиями для групп, не подвергшимся изменениям (обратите внимание, что решение Uber войти в городскую зону может быть внутренним, что дополнительно оценивается с помощью метода инструментальных переменных в пункте 2.3). Чтобы следить за предполагаемыми различиями между гетерогенными районами, в модель включены фиксированные эффекты. Полное описание модели имеет вид:

• Где «Слежение it» представляют собой измеряемые переменные для городского района i в год t,
• α – общий средний уровень дорожных заторов. «Вхождение Uber it» – условная переменная. Она равна 1, если городской район i пользуется услугами Uber в год t, и нулю в противном случае.
• Параметры δ и λ являются коэффициентами; θ i и γ t представляют собой фиксированные эффекты городской территории и фиксированные эффекты времени соответственно;
• ε – величина погрешности.

Фиксированные эффекты охватывают не только инвариантные по времени факторы, но и позволяют произвольно соотносить величину погрешности с другими объясняющими переменными, что делает модель достоверной. Для решения потенциальных проблем гетероскедастичности используются робастные стандартные ошибки, сгруппированные на уровне городских районов.

2.Результаты

В этом разделе сначала описываются основные результаты по применению метода DID (сравнение разностей, англ. difference in difference, DID). Затем рассказывается о результатах нескольких дополнительных анализов, включая альтернативную меру для вхождения Uber, анализ инструментальных переменных, эффект конкурентного сервиса Lyft, плацебо-тесты и более детальные ежемесячные анализы.

2.1. Базовые результаты

В таблице 3 приведены оценки коэффициентов уравнения (1) для каждого столбца с использованием различных показателей дорожных заторов. В целом, оценки этого эффекта являются статистически значимыми и отрицательными для всех показателей дорожных заторов. Обратите внимание, что показатель работы Uber на TTI отрицателен, а значение p равно 0,12, то есть, незначительно, и, учитывая размер выборки, составляет всего 957 с двусторонними фиксированными эффектами. Таким образом, этот набор базовых результатов дает эмпирические доказательства того, что вхождение Uber значительно уменьшает пробки на дорогах в районах Соединенных Штатов. Стоит отметить, что в отношении измеряемых переменных из-за увеличения среднего дохода в городской местности трафик имеет тенденцию к ухудшению. Это согласуется с существующими данными о том, что условия движения в городе могут быть связаны с его общей экономической деятельностью.

Полученные результаты являются не только значимыми статистически, но и экономически. В частности, оценивается, что после того, как Uber входит в городскую зону, общая годовая стоимость задержки, время задержки и избыточный расход топлива в среднем уменьшаются примерно на 1,2%. Например, в городе Феникс это число приводит к сокращению годовой стоимости задержки примерно на 43,548 млн долл. США, сокращению общего годового времени задержки примерно на 1,85 млн часов и сокращению общего избыточного расхода топлива в год на 0,9 млн галлонов. С другой стороны, после вхождения Uber в городскую зону индекс времени в пути и индекс стресса потребителя в среднем уменьшаются примерно на 0,19% и 0,3% соответственно. На национальном уровне это означает сокращение общей стоимости годовой задержки примерно на 1,92 млрд долл. США, сокращение общего годового времени задержки на 82,8 млн часов и сокращение общего избыточного расхода топлива в год на 37,2 млн галлонов.

1.В скобках приводятся кластер-устойчивые стандартные ошибки. 2. *** p < 0,01; ** p < 0,05; * p < 0,1; + p < 0,15

2.2. Альтернативная мера для вхождения Убер

До сих пор для реализации сервиса Uber использовалось время вхождения Uber. Несмотря на широкое использование в литературе модели вхождения, вхождение Uber может не полностью отражать фактическое использование услуг компании. Чтобы дополнить анализ процесса вхождения Uber, используется альтернативная мера вхождения Uber в городские районы: количество поисковых запросов Uber в городской местности на Google Trends. Google Trends – это общедоступное веб-приложение Google на основе Google Search. Отсюда получаем индекс популярности поисковых запросов. Таким образом, можно представить популярность Uber в определенном городском районе на основе количества поисковых запросов службы в этом регионе. Ранее было продемонстрировано, что Google Trends отслеживает экономическую деятельность (например, розничные продажи, продажи автомобилей, продажи жилья и поездки) в режиме реального времени. Приложение Google Trends является даже более точным в прогнозировании продаж и цен на жилье, чем традиционные государственные индикаторы.

1.В скобках приводятся кластер-устойчивые стандартные ошибки. 2. *** p < 0,01; ** p < 0,05; * p < 0,1; + p < 0,15

Применялась история поиска комбинации ключевых слов «Uber» + «название городского района» на Google Trends для измерения популярности и уровня использования Uber в городской местности в каждый период времени. Разумно предположить, что когда человек ищет «Uber Феникс» в Google, то его, вероятно, интересует сервис Uber в городе Феникс. Рисунок 1 отображает историю поиска службы Uber в трех городах: Сан-Франциско, Феникс и Остин вместе с соответствующим фактическим временем вхождения Uber в каждом городе. Видим, что после того, как Uber вошел в Сан-Франциско в июне 2011 года, количество запросов этой службы постепенно увеличивался. Подобную картину можно наблюдать для Финикса и Остина. Эмпирически, как и ожидалось, взаимосвязь между временем вхождения Uber и объемом поиска в Google является положительной и существенной.

Все же, есть одна проблема, связанная с количеством запросов на Google Trends. До фактического вхождения Uber в городскую зону, объем поиска, как правило, не равен нулю в большинстве городских районов. То есть, отличное от нуля количество запросов может представлять некоторые ожидания и любопытство, а не фактическое использование услуг Uber. Эта проблема решается путем умножения этой переменной на условную переменную вхождения Uber и получаем новую переменную: Использование Uber.

В таблице 4 представлены результаты анализа с использованием Uber в качестве основной независимой переменной. Снова обнаруживается, что расчеты являются устойчивыми к этой альтернативной мере.

2.3. Инструментальные переменные

Хотя модель вхождения широко принята и повсеместно используется, можно утверждать, что решение Uber войти в городскую зону не является хаотичным. И могут быть некоторые факторы, связанные как с решением о вхождении, так и с заторами на дорогах. Для дальнейшей оценки потенциальной проблемы эндогенности вхождения Uber определяются две инструментальные переменные (IV), чтобы оценить причинно-следственную связь между Uber и заторами на дорогах.

В неофициальном разговоре с исполнительным директором Uber было отмечено, что решение Uber войти в какой-либо район частично зависит от потенциального оттуда интереса. Поэтому стремимся выявить инструментальные переменные, которые указывают на потенциальный интерес для Uber, но имеют мало или вообще не имеют прямой связи с заторами. Первая определенная нами инструментальная переменная – это процент населения в возрасте 65 лет и старше. Вряд ли пожилые граждане как-то связаны с заторами, но количество пожилых может повлиять на решение руководителей Uber не входить в определенные городские районы. Исследования показали, что пожилые люди чаще сталкиваются с цифровым неравенством.

Поскольку Uber представляет собой новое явление и с большей вероятностью будет принят технически подкованным молодым поколением, более (менее) вероятно, что Uber будет предлагать услуги в городских районах с более высоким (низким) процентом молодого населения. Последние статистические данные пользователей Uber (как водителей, так и пассажиров) неоднократно доказывают наши рассуждения.

Средний возраст водителей Uber намного моложе, чем у водителей такси. Что касается пассажиров, то всего два процента пользователей Uber старше 55 лет. Еще одна переменная IV– это количество запросов совместного использования транспорта на Google Trends за предыдущий период. Количество поисковых запросов за предыдущий период является разумной мерой для потребительского интереса, что, в свою очередь, может привести к фактическим будущим расходам. Поэтому ожидается, что предыдущее количество поисковых запросов Google trends может повлиять на то, собирается ли Uber запустить сервис в этом месте, теоретически это не повлияет на дорожные заторы в текущем периоде.

Оценивается модель IV с двумя указанными выше независимыми переменными IV, используя подход 2SLS (для оценки параметров моделей IV использовалась процедура xtivreg2 Stata14.). В частности, рассмотрим вероятность того, что Uber войдет в городскую зону, используя стандартный подход линейной вероятности данных длительного наблюдения, а затем включим его в оценку второго этапа. Диагностическая статистика показывает, что выявленные нами инструментальные переменные актуальны с точки зрения прочности и экзогенности инструмента.

Во-первых, согласно Таблице 6, наблюдается, что существует статистически значимая связь между переменными IV и вхождением Uber. Кроме того, F-статистика первого этапа является значимой, и F-статистика Крэггдональда Вальда и F-статистика Клейбергена-Паап Вальда рк проходят критические значения, уменьшая беспокойство о слабом инструменте. Наконец, J-статистика Хансена статистически несущественна. Следовательно, нельзя отвергнуть нулевую гипотезу о том, что чрезмерно идентифицирующие ограничения действительны, а инструментальные переменные экзогенны.

1.В скобках приведены кластер-устойчивые стандартные ошибки. 2. *** p < 0,01; ** p < 0,05; * p < 0,1; ⁺ p < 2. 3. Критические значения Stock-Yogo (Stock and Yogo 2005) в 20% случаев являются 8,87, а в 15% – 11,59.

1.В скобках приведены кластер-устойчивые стандартные ошибки. 2. *** p < 0,01; ** p < 0,05; * p < 0,1

В таблице 5 представлены итоги этого анализа, дающие дополнительные эмпирические доказательства основных результатов. Следует отметить, что для зависимой переменной CSI вхождение Uber больше не имеет статистически значимого эффекта. Учитывая, что анализ IV является важной проверкой надежности, нужно проявлять осторожность, делая вывод о влиянии Uber на уровни стресса потребителей. Результаты первого этапа и соответствующие статистические данные анализа IV представлены в таблице 6.

2.4. Эффект конкурента Lyft

Здесь рассматривается и проверяется эффект от крупнейшего конкурента Uber в США: Lyft. Следуя тому же подходу, что и выше, были собраны и проверены данные о времени вхождения Lyft в различные городские районы из основных новостных агентств. Список времени вхождения Lyft в различные городские районы приведен в приложении. Была создана условная переменная Lyft и включили ее в уравнение 1 для выполнения анализа.

1.В скобках приводятся кластер-устойчивые стандартные ошибки. 2. *** p < 0,01; ** p < 0,05; * p < 0,1; ⁺ p < 0,20

В таблице 7 представлены результаты с использованием условного вхождения Lyft, включенного в модель. Находим, что коэффициенты для условного вхождения Lyft стабильно отрицательны, но не значительно. Что еще более важно, добавление условного вхождения Lyft не влияет на показатели и их в значимость условного вхождения Uber. Поскольку Uber является самой большой и самой популярной платформой для совместных поездок в США, а масштаб работы и доля рынка Uber намного больше, чем у Lyft, разумно заметить, что влияние сервиса совместных поездок на заторы происходит в первую очередь от Uber.

2.5. Плацебо-Тесты

Ключевым предположением модели DID является предположение о параллельном тренде. Важно дополнительно продемонстрировать, что причинно-следственный эффект не проявляется до фактического вхождения Uber. Здесь проводится систематический плацебо-тест результатов, используя метод перестановок. В частности, испытывается 5000 комбинаций путем случайной подстановки времени вхождения Uber в период предварительного расчета с использованием генератора псевдослучайных чисел.

Повторно оцениваем модель DID, используя выбранное в случайном порядке время обработки, и сохраняем оценки коэффициентов для каждой комбинации. Если предположение о параллельном тренде верно, распределение оценок коэффициентов в тесте плацебо должно быть около нуля, потому что плацебо-вхождение Uber не было реальным и не должно создавать каких-либо систематических различий в отношении дорожных заторов.

1.*** Р < 0,01; ** Р < 0,05; * Р < 0,1; ⁺Р < 0,15

В таблице 8 приведены средние и стандартные отклонения оценок коэффициентов для 5000 проб, а также фактическая оценка влияния Uber, которая наблюдалась из данных с фактическим вхождением Uber. Средняя оценка коэффициента теста плацебо близка к нулю. Кроме того, реальный коэффициент условного вхождения Uber находится за пределами 95% доверительной области коэффициента плацебо для TTI, времени задержки, стоимости задержки, избыточного расхода топлива, а также за пределами 90% доверительной области для CSI. Эти результаты свидетельствуют о том, что предположение DID не нарушается для основных анализов, что в дальнейшем придает достоверности выводам.

Обсуждение

По мере расширения масштабов экономики важно изучить ее потенциальное воздействие и последствия. В этом исследовании рассматривается одна из многих социальных проблем, связанных с платформами совместных поездок по вызову. В частности, эмпирически исследуется, как вхождение Uber в крупные городские (или столичные) районы США влияет на дорожные заторы. Используя естественную экспериментальную обстановку, где Uber входит в разные городские районы в разные моменты времени, можно сравнить различия в дорожных заторах до и после вхождения Uber в городскую зону, с теми же различиями в тех городских районах, где нет сервиса Uber. Обнаружено, что в среднем, вхождение Uber значительно снижает заторы на дорогах в городских районах.

Проведен всесторонний анализ для дальнейшей оценки обоснованности причинно-следственной связи. Выводы являются последовательными и надежными, чтобы сформулировать такие обобщения. Это исследование представляет эмпирические доказательства того, влияет ли Uber на общество, с особым акцентом на дорожные заторы. В то время как предыдущие исследования использовали модель вхождения для изучения влияния совместного использования автомобилей на социальные проблемы, такие как убийства, связанные с транспортными средствами, это первое всеобъемлющее и причинное исследование того, как совместное использование транспорта влияет на дорожные заторы. Это исследование также вносит вклад в фонд литературы о социальном воздействии цифровой инфраструктуры и платформ.

Есть несколько возможных механизмов, которые могут управлять результатами. Во-первых, совместное использование автомобилей помогает увеличить занятость транспортных средств, в которых едет более одного человека, тем самым потенциально уменьшая общее количество автомобилей и заторов на дорогах. Недавнее исследование, фактически предоставляет доказательства того, что уровень занятости для транспортных средств с совместным использованием составил в среднем 1,8 пассажиров в отличие от 1,1 пассажиров для такси. Доступность услуг по совместному использованию транспортных средств может также снизить желание потребителей покупать автомобили. В другом исследовании опрошено более 4500 пользователей совместного транспорта в семи городах (Остин, Бостон, Чикаго, Лос-Анджелес, Сан-Франциско, Сиэтл и Вашингтон, округ Колумбия). Обнаружено, что те, кто пользуется совместным транспортом, меньше ездят на собственных автомобилях.

Во-вторых, уникальной особенностью платформ совместных поездок (таких, как Uber) является ее динамичное ценообразование. Идея пиковых тарифов заключается в корректировке цен на поездки, чтобы соответствовать предложению к спросу в любой момент времени. Поскольку цена на вызов автомобиля в часы пик может быть довольно высокой, заказчики услуг, для которых цена имеет значение, могут отложить свою поездку или воспользоваться общественным транспортом. Это позволяет уменьшить спрос на такси в течение дня и (или) увеличить спрос на другие виды транспорта (автобус, велосипед или ходьба), тем самым уменьшая пробки на дорогах.

В-третьих, еще одним интересным явлением такого вида транспортных услуг является то, что она помогает увеличить загрузку автомобилей. Обнаружено, что эффективность использования автомобилей Uber, как правило, выше, чем традиционных такси в большинстве городов благодаря применению технологий GPS и смартфонов, интеграции электронных платежных систем в платформу и сложных алгоритмов для соответствия спроса и предложения. Более высокая загрузка автомобилей означает, что водители Uber будут тратить меньше времени на блуждание по улицам в поисках пассажиров, а это снизит избыточное потребление топлива и пробки на дорогах.

Исследование, вероятно, вызовет больше дискуссий о том, могут ли и каким образом цифровые платформы (такие, как Uber) влиять на транспорт, планирование городской инфраструктуры и городское развитие. По мере расширения бизнес-модели экономики совместного использования (например, Uber и Airbnb) сталкиваются с сильным сопротивлением не только со стороны традиционных отраслей, поддающихся разрушению вследствие их деятельности, но и с социальным и политическим давлением в защиту общественности.

Из-за различных проблем во многих городах предложены правила для ограничения и регулирования работы этих цифровых платформ. Результаты показывают, что такие инновационные платформенные сервисы могут стать решением более широкого круга социальных проблем (например, трафика). Способ, которым городские власти регулируют цифровые платформы (такие, как Uber), может быть сложным. Следовательно, платформенным бизнес-моделям следует дать простор для роста. Директивным органам нужно сбалансировать позитивные последствия с непреднамеренными негативными последствиями таких платформ, с тем, чтобы принимать обоснованные решения. Со временем, исходя из наблюдений, за их работой можно будет изучать, и разрабатывать соответствующие руководящие принципы.

Операторам платформ совместного использования автомобилей, таких как Uber и Lyft, важно понимать непреднамеренные положительные внешние эффекты для общества от их деятельности. Поэтому они должны исследовать то, как проектировать платформы, чтобы обеспечить технологическую доступность, способную увеличить эти положительные эффекты. Данное исследование имеет некоторые ограничения.

Первое, выделено несколько механизмов, с помощью которых Uber уменьшает заторы на дорогах. Ограничения данных не позволили нам непосредственно протестировать эти механизмы. В будущем предстоит провести дополнительные исследования для выявления механизмов, определяющих основные результаты.

Второе ограничение – это обобщаемость выводов. Результаты основаны на модели движения транспорта в Соединенных Штатах. Поэтому без дальнейшего тщательного эмпирического анализа их нельзя сделать всеобщими для других стран (например, Великобритании). Чтобы сделать обоснованный вывод, следует рассмотреть другие контекстуальные факторы, такие как общественное признание совместного использования поездок, культура и государственная политика.

В-третьих, поскольку экономика совместного использования является относительно новым явлением, невозможно изучить долгосрочные последствия от Uber на дорожные заторы. В будущем стоит продолжить работу с использованием более длительных панельных данных.

Наконец, в основном анализе использован стандартный подход к модели вхождения для оценки причинно-следственного эффекта вхождения Uber. Также использованы инструментальные переменные для дальнейшей оценки достоверности результатов. Тем не менее, о решении Uber начать деятельность в какой-либо местности нельзя знать точно. Такое решение может быть обусловлено внутренними факторами. В то время как есть мнение, что использована лучшая модель исследования из доступных, будущие расчеты помогут установить причинно-следственную связь с использованием других стратегий идентификации.

Вывод

Цифровая инфраструктура и платформы быстро развиваются, отчасти благодаря достижениям в области мобильных технологий, машинного обучения и искусственного интеллекта. Положение сервиса совместных поездок по заказу резко изменится в ближайшие годы. В настоящее время в автомобильной промышленности формируются две основные тенденции: автоматизация и совместное использование транспортных средств. Вероятно, вскоре можно будет увидеть, как для совместных поездок используются беспилотные автомобили. И это уже происходит в наше время. Uber и другие компании испытывают автономные транспортные средства и стремятся к массовому производству и использованию их для замены текущего автопарка водителей. Последствия от таких перемен будут весьма масштабными, а сама концепция транспортировки изменится коренным образом. Конечно, самое сложное – предсказать реакцию потребителей на такие революционные технологии. На данный момент неясно, будут ли они в полной мере использовать общую сеть транспорта, приобретать частные автономные автомобили или делиться этими автомобилями с другими пользователями. Каждый из этих сценариев может иметь различные последствия для городского проектирования и усложняет усилия городских властей по планированию на будущее.