Try   HackMD

Uber (優步)浮動費率的影響:個案研究

2015年10月

喬納森霍爾 (Jonathan Hall)
優步科技的經濟研究、法律和公共政策主管,哈佛大學經濟學博士。

科里肯德里克 (Cory Kendrick)
優步科技的數據科學家,達特茅斯學院認知科學學士。

克里斯諾斯科 (Chris Nosko)
芝加哥大學布斯商學院的助理教授,哈佛大學經濟學博士。

英文原文出處:
http://economicsforlife.ca/wp-content/uploads/2015/10/effects_of_ubers_surge_pricing.pdf

譯者:蕭新晟


優步是一個將乘客與附近的駕駛聯繫起來的平台

乘客打開優步App,看看可搭乘車數量和價格,然後可以在線上進行招車。如果乘客選擇招車,App會根據所需搭乘的時間和距離計算車資,並以電子方式支付。如果同時乘客比車子多,讓可招車有限且等車時間過長,或者根本沒有車可派遣,優步會採用「浮動費率」算法來平衡供需。此模式分配一個簡單的「浮動基數」乘以標準車資,以得出「浮動車資」。乘車前App會將浮動基數呈現給乘客,在向附近的駕駛發送請求之前,乘客者必須確認接受更高的價格。

浮動費率的實際運作

優步在需求大幅波動且駕駛供應多變的市場中運營。在駕駛可以隨時隨地工作(譯註:2019年台灣優步駕駛已多為全職)的狀況下,必須要有誘因才能刺激更多駕駛提供服務。在這些條件下,經濟理論告訴我們,使用價格向駕駛發出某些地區車量很少的信號,可以促使駕駛放棄其他活動並駛往該區,進而縮小此區供需之間的差距,讓乘客與駕駛雙方需求都能獲得滿足。 (註4)

讓我們透過一個典型的例子來說明浮動費率背後的經濟理論。2015年3月21日,流行巨星阿麗亞娜·格蘭德(Ariana Grade)在麥迪遜廣場舉行了一場售罄的演出。在演唱會結束後試圖回家的歌迷們導致乘車需求大幅增加。(註5)

圖1顯示了在演唱會結束後直接在麥迪遜廣場花園附近打開優步App的乘客數量:

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

圖1:2015年3月21日關於售罄演唱會的優步峰值需求,圖表顯示了2015年3月21日每一分鐘內打開優步App的用戶數量(紅色),以及在同一時段內以15分鐘為間隔的優步車輛請求總和(藍色圓圈)。數據僅限地理邊界包含紐約市的麥迪遜廣場花園,大約5個街道長,15個街道寬, 僅適用於uberX車輛。「浮動期」(黃色框)是浮動基數增加超過1.0倍的時間。

用戶打開Uber App代表市場上出現叫車需求,因此提供了很好的市場需求量表。正如我們從紅線所看到的,乘客的數量在演唱會後飆升至正常打開App數量的4倍之多。

由於相對於該地區可用的優步汽車數量的需求增加,在演唱會結束後一個多小時內車資開始浮動,波動幅度在1到1.8倍之間。(註6)

浮動的第一個正向影響是增加該地區的駕駛數量,因為浮動期是一個寶貴的開車時間,或許因此(註7)駕駛供給比浮動期前多了兩倍。可乘車數量的增加對乘客族群來說是一大利多,讓越來越多乘客可以利用招車服務。駕駛供應增加如圖2所示:

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

圖表報告每分鐘在2015年3月21日(綠色)同一地理空間框(如上所述)內的「活躍」uberX 駕駛的數量。

浮動費率的第二個影響是將車輛分配給那些最重視它們的人。圖3顯示,雖然打開App的數量急劇增加,但實際招車的數量並沒有增加太多。這是因為打開App的乘客,看到浮動費率生效後決定採取其他形式的大眾運輸,或選擇等待浮動費率結束。從經濟效率的角度來看,這是非常有益的,因為那些最終選擇招車的人是因為他們別無選擇,導致他們在那個當下更重視優步提供的服務。 紅線和藍線之間的差距可以解釋為衡量這種分配效率的指標。

圖3:2015年3月21日舉行的售罄演唱會後供應量增加以滿足需求注:

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

圖表顯示了2015年3月21日(紅色)每分鐘打開Uber App的用戶數量,以及Uber在同一時段內以15分鐘為間隔的總要求(藍色圓圈),以及每分鐘在同一地理空間框(如上所述)內的「活躍」uberX駕駛員的數量(綠線)。

圖4顯示了對系統運行狀況的淨影響。浮動費率有效平衡供需的第一個關鍵數據是「完成率」: 定義為在乘客請求招車後完成乘車的百分比(第三個組圖), 可以看到即使搭乘需求大幅增加,完成率也沒有變化。這代表所有願意支付浮動價格,在當下認定Uber值得這個價位的乘客,他們的乘車需求都能獲得滿足。其他乘客則可以選擇等到浮動基數下降再進行招車。

浮動費率算法有效的第二個關鍵信號是等車時間沒有大幅增加。不僅所有希望搭乘優步的每個人都有車搭,而且車子在很短的時間內抵達 - 平均2.6分鐘。

浮動算法的原理是為駕駛分配更高的時薪收入,以此說服他們在需求高的地方和時間工作。假設在沒有浮動的情況下,3月21日音樂會區域的駕駛的收入將會減少13%。 (註8)

圖4:2015年3月21日行動定價的重要跡象

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

上述所有數據均適用於前面提到的地理空間邊界框內的uberX車輛,在2015年3月21日晚上的15分鐘間隔內匯總。「請求」(request) 是在15分鐘間隔內請求的優步車輛計數。“ETA”是指在15分鐘的時間間隔內,司機以分鐘為單位的平均等待時間。 「完成率」是滿足的請求的百分比(計算為15分鐘間隔內完成的行程數除以已完成的行程和未完成行程的總和 )。黃色框表示圖1-3中突出顯示的相同「浮動期」。

Uber沒有浮動車資的例子:2014-15跨年

接下來,讓我們考慮一個反例:乘車需求很高但是浮動費率並沒有生效。這個例子來自2014跨年夜,當時由於技術故障, 整個紐約市的浮動費率算法停滯了26分鐘。(註9)圖5說明新年跨年夜的午夜後是最繁忙的招車時間。

圖5:新年前夜沒有激增的20分鐘(2015年1月1日)

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

注:圖表為2014年12月31日至2015年1月1日跨年夜給定分鐘的浮動基數,對於前面提到的地理空間邊界框內的uberX車輛(藍線)。「浮動故障」(紅色框)是美國東部時間早上1點24分至凌晨1點50分由於技術故障導致優步浮動費率算法失靈的時段。

跨年夜乃是優步一年中最忙碌的日子之一,由此可知為什麼浮動費率對於激勵駕駛來說是必要的 。在乘車需求異常高的同時,駕駛亦不願意工作,因為他們也很重視自己的閒暇時間(例如,他們自己的跨年慶祝活動 )。坦率地說,人們不想在跨年夜從事駕駛工作,而且在沒有浮動費率的情況下,我們預期供需之間的差距會很大。

實際上,在浮動故障期間,滿足乘車需求的速度急劇下降,如圖6所示:

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

圖6:浮動費率的中斷對跨年夜乘車請求完成率的影響

注:圖表指出2014年12月31日至2015年1月1日跨年夜給定的15分鐘間隔的「完成率」,對於前面提到的地理空間邊界框內的uberX車輛(紅線)。「完成率」定義為滿足的乘車請求百分比(計算為15分鐘間隔內完成的行程數除以已完成的行程和未完成行程的總和)。「浮動故障」(紅色框)是由於技術故障導致優步的浮動費率算法失靈的時段。

圖7說明了在正常浮動費率運行期間浮動算法中斷對圖4中報告的相同關鍵指標的影響:

Image Not Showing Possible Reasons
  • The image file may be corrupted
  • The server hosting the image is unavailable
  • The image path is incorrect
  • The image format is not supported
Learn More →

圖7:跨年夜(2015年1月1日)浮動費率中斷的重要跡象

由於價格從標準車資(故障前的浮動基數)的2.7倍降至標準車資,幸運地乘客坐走了路上所有的車輛。一旦區域內車輛都載客了,新乘客預計等車時間也急劇增加。在正常車資的低價下,駕駛的供應也可能會跟著減少,但不幸的是,使浮動費率中斷的技術故障也同時抑制了數據的收集,這使我們無法做出類似於圖2中的摘要。

也許最引人注目的是,乘車請求的完成率急劇下降:少數乘客獲得了很多優惠,但大多數乘客都沒有車搭。與上面的麥迪遜廣場花園演唱會示例不同,駕駛供應未能在等車時間短的狀態下滿足乘客的需求。浮動費率的經濟機制沒有起到作用,導致 實際完成的乘車數量很少。這種低完成率顯示供應和需求嚴重失衡。

結論

在本文中,我們使用了兩個例子來說明優步的浮動費率算法的經濟性。第一個例子將浮動費率分解說明,指出效率增益來自於道路上駕駛的供應增加以及供給分配予有最大乘車需求的人。價格上漲的大部分都轉給了駕駛,使他們從需求增加中獲益。

第二個例子是一個在乘車需求高峰期由於浮動算法失效的自然實驗。我們看到在沒有浮動費率的情況下,因為沒有一個價格機制讓乘客們在可招車輛和替代交通工具之間做出適當的經濟權衡,市場健康狀況的關鍵指標很快地惡化:當下駕駛們沒有動機為這個平台開車,同時要求乘車的乘客越來越多。由於這些問題,乘車完成率急劇下降,等車時間增加,導致系統從經濟效率的角度來看出現故障。

Uber浮動算法有達到期待效果的最佳證據是:預計等車時間的顯著一致性 。無論搭乘需求條件為何,浮動費率算法會藉由過濾乘車需求並鼓勵駕駛供應服務,使得等車時間幾乎總是少於5分鐘。

註記

作為研究合作的一部分,優步為Nosko教授提供了使用內部數據的機會,以促進他對浮動費率工作的研究。該文件是大型研究團隊合作的一部分,由Nosko教授在內等優步數據科學家 的幫助下編寫。優步沒有支付任何費用予Nosko教授為優步創建本文或為其他更廣泛的研究合作。

  1. 在這裡,我們通過總盈餘判斷結果(消費者加生產者參見Mascolell,Whinston和Green, 微觀經濟理論,第328頁)。對於固定數量的可搭車,浮動費率會更有效地分配這些車輛,從而增加消費者剩餘(注意價格上漲會轉移給司機)。駕駛供應的任何增加都會通過在沒有浮動費率的情況下不會發生的匹配產生消費者和生產者剩餘。

  2. 我們選擇了這個特定的音樂會示例,以便與本文檔最後一節中描述的跨年夜示例進行情況匹配。我們尋找需求激增,產生的浮動費率是司機可以預測的,就像跨年夜一樣。此外,我們使用紐約市和大致相似的時間框架,以盡可能地保持情況的細節。我們將此視為案例研究示例,並希望在本文的未來版本中概括和證實這些示例。

  3. 在75分鐘的「浮動期」中,價格在其中35分鐘內浮動:1.2倍維持5分鐘,1.3倍維持5分鐘,1.4倍5分鐘,1.5倍15分鐘,1.8倍5分鐘。

  4. 請注意,我們不能聲稱浮動費率會導致更多的駕駛進入該區域。例如,我們可能會擔心需求的增加是駕駛供應的重要因素。例如,如果駕駛明白音樂會結束並將自己移動到該區域,那麼我們會高估浮動的因果效應。然而,該圖提供了驚人的相關證據。我們還將這種情況與在跨年且沒有浮動費率的情況進行比較,發現在那種情況下,駕駛不會對增加做出反應需求。

  5. 在這裡,我們模擬了當浮動費率沒有生效時,駕駛的收益是多少 - 也就是說,如果價格保持在正常水平而不是由於浮動基數導致的1.1倍1.8倍 。在「浮動期」(晚上10:30至晚上11:45)內開始的已完成搭乘的總駕駛收入 - 以及前面提到的同一地理空間邊界框 - 為3,520美元(車資總和減去優步的服務費)。如果浮動的定價沒有生效,對司機的總付款 將減少13%至3,078美元。我們注意到這是一個部分均衡計算,因為它沒有調整在沒有浮動的情況下可能發生的取捨的差異。

  6. 請注意,出現這種看似隨機原因的故障是非常重要的。我們不能簡單地將發生浮動的情況與不發生浮動的情況進行比較 ,因為需求條件會彼此非常不同。在這裡,我們知道需求很高,而且浮動應該是有效的,但在需求保持不變下,隨機性地故障讓我們能做一個有效的比較評量。