数据科学与管理2（2021）20研究文章Uber为消费者带来了什么邱杰红*贝叶斯数据智能技术服务有限公司，中国广州，邮编：510670A R T I C L E I N F O保留字：Uber离散选择消费者剩余A B S T R A C T本文估计了Uber为消费者带来的消费者剩余 估计使用三个数据集：个人层面的选择旅行网-2008-2009年的全国家庭旅行调查（NHTS）数据，出发地-目的地层面的旅行网-优步数据和2017年的谷歌数据。首先，我们使用NHTS数据在离散选择框架下识别2008年消费者的偏好。假设消费者的偏好不变，我们使用离散选择模型的系数来揭示2017年在揭示需求曲线的基础上，通过对Uber可用情景下的消费者剩余与Uber不可用情景下的消费者剩余进行差分，计算消费者剩余我们发现，Uber每次出行至少带来0.76美元的收益Uber在旧金山产生的消费者盈余每年约为1亿美元1. 介绍在过去的十年里，拼车服务呈指数级增长 Uber和Lyft等公司运营着一个平台，允许通勤者在网上叫车，并为请求的行程分配一名可用的司机。1拼车对交通行业的影响是复杂的2在取代传统工作的同时，拼车公司还通过增加自营司机和汽车购买量来的影响研究乘车共享主要关注乘车共享平台的动态定价和机制设计（O€zkan，2020;Yan等人， 202 0、202 1）。然而，在这方面，关于拼车服务对乘客影响的研究很少。本文使用Uber的粒度数据研究了拼车服务带来本文采用的方法适用于研究其他汽车共享平台的影响，如Lyft和Sidecar。本文的研究结果有助于政策制定者通过平衡运输业的可能成本和乘客的利益来制定监管立法。本文以美国旧金山地区为估计模式选择的需求，遵循先前的研究（Birch等人， 2007; Wang等人，2020年; Yan等人， 2020，2021; Zagatti等人， 2018年），我们通过水平和垂直截止线将整个旧金山划分为网格单元。 为确保有足够的行程进行需求估计，每个网格单元的大小定义为4平方公里。3一个起点和目的地对（OD对）可以由两个网格（起点和目的地是不同的网格）或一个网格（起点和目的地是相同的网格）定义。OD对是单向的。栅格A到栅格B和栅格B到栅格A是不同的OD对。本文最有趣的一点是我们的数据和我们收集数据的方式。我们使用了三个数据集：Uber数据集，全国家庭旅行调查（NHTS）数据集和Google数据集。 Uber提供了第一个数据集。 数据是基于网格的，每条数据记录都包含网格之间的行程属性，例如2016年9月的平均时长和平均票价。NHTS数据来自联邦公路管理局（FHWA）2008 - 2009年的调查。该数据集包含5个文件，包括家庭、家庭通勤者和车辆的信息。最重要的文件之一是旅行一日游文件，它记录了24小时内发生的旅行，同行评议由Xi交通大学负责* 通讯作者。电子邮件地址：qjh_yes@163.com。1如今，Uber提供的服务不仅仅是汽车服务。在本文中，我们限制我们的分析，优步的汽车服务的影响，并使用优步代表的服务。欲了解更多信息，请访问https://www.uber.com.cn/。2https://www.forbes.com/sites/adigaskell/2017/01/26/study-explores-the-impact-of-uber-on-the-taxi-industry/#2e1eda3416b0网站。3不同电网规模的跳闸次数见表1。https://doi.org/10.1016/j.dsm.2021.05.002接收日期：2021年3月13日;接收日期：2021年5月6日;接受日期：2021年5月13日2021年5月28日网上发售2666-7649/©2021 Xi'an Jiaotong University.出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表数据科学与管理杂志主页：www.keaipublishing.com/en/journals/data-science-and-managementJ. 邱数据科学与管理2（2021）2021特别的人。这种个人水平的数据使我们能够估计通勤者的偏好在一个离散的选择模型。我们利用大数据技术通过从Google地图API请求数据来收集数据。在Google注册后，用户可以通过Google地图API请求网格之间的模式属性 如图所示， A1，输入出发地和目的地后，谷歌地图返回行程的持续时间和距离数据。4旧金山有67，280，000个OD对对于每个OD对，我们每天从Google API请求三次该过程持续2个月，从2017年1月1日至2017年2月我们使用三个Web服务器并编写了一个蜘蛛爬行程序来收集这些数据。使用上述三个数据集，我们采取以下步骤来计算消费者剩余。首先，我们使用NHTS数据和条件logit模型来估计旧金山消费者的异质偏好其次，假设消费者偏好不随时间变化，我们计算2017年的消费者剩余第三，我们重新计算消费者剩余，假设Uber在2017年不可用。最后，我们取第二和第三之间的消费者剩余之差，得出每个通勤者在每次旅行中获得的消费者剩余此外，为了进一步研究异质消费者剩余，我们计算了通勤者子人群的剩余。我们发现，从Uber的可用性中获得的平均消费者剩余收益在0.76到2.85美元/人之间，这取决于使用的条件logit模型此外，结果显示，周末通勤者比工作日获得更多的消费者剩余，非高峰时段乘客比高峰时段乘客从优步的可用性中获益更多。这主要是因为在高峰时段和工作日出行需要花费更多的时间和成本，降低了效用最大旧金山通勤者的总体消费者剩余约为每天279，680美元或每年1亿美元关于消费者剩余的文献是深刻的。[5]消费者剩余的计算取决于消费者的支付意愿和需求曲线。 由于个人层面的数据稀缺且获取成本高，最近的文献 侧 重 于 使 用 市 场 份 额 层 面 的数 据 来 估 计 对 差 异 化 产 品 的 需 求（Berry，1994年; Berry等人，1995; Eizenberg，2011; Nevo，2000;Petrin，2002）。 由于个人水平数据的可用性，本文使用对数和在离散选择框架中测量消费者剩余（Borsch-Supa n，199 0;Dagsvik和Karlstrom，2005; De Jong等人， 2007; Kalmanje和Kockelman，2004; Small和Rosen，1981; Small等人，2005年，2006年）。有大量文献讨论了Uber对交通运输，特别是出租车行业（Buchholz，2015; Cohen等人，2016;Hall等人， 2015;HallandKrueger，201 8;O€zkan，202 0）.其中，虽然采用不同的方法，本文是最相似的科恩等人。（2016）在研究课题方面。 由于Uber的出行服务可以访问近5000万的数据，Cohen等人（2016）利用Uber的定价模式（激增价格），并应用不连续设计来识别对UberX服务的需求。他们发现，2015年UberX产生的总体消费者盈余约为68亿美元。我们的工作对现有文献的贡献主要体现在两个方面。首先，而不是像科恩等人那样只考虑对优步的需求。（2016），依靠颗粒数据的丰富性，我们确定了考虑所有交通方式的消费者的未补偿需求。其次，本文还通过提出应用先进技术访问开源大数据来促进经济研究。我们设计了一个数据收集框架，从谷歌API请求通勤数据，这使我们能够构建完整的选择集通勤。本文的缺点之一是假设4图A1仅显示驾驶模式信息。实际上，通过Google地图API，我们可以获得出租车、公共汽车（如果可用）和火车（如果可用）的类似信息2009-2017年消费者对交通方式的偏好没有变化。本文的其余部分组织如下。在第2节中，我们描述了数据的细节和我们的数据收集设计第三部分是我们的实证模型。第4节介绍了估计的结果在本节中，我们还演示了如何计算消费者剩余以及一些未知参数的校准。最后一节对工作进行了简要的总结。2. 数据本文使用了三个数据集：NHTS 数据、Uber数据和Google数据。NHTS数据来自联邦公路管理局（FHWA）在2008年至2009年进行的一项调查Uber数据由Uber公司提供通过Google API请求Google数据2.1. NHTS数据我们使用2008年3月至2009年5月通过随机数字拨号（RDD）电话访谈调查该调查访问了美国150，147个家庭每个家庭都被随机分配了一个特定的电话日期在访问后，如果住户同意参与调查，住户将收到一份旅行日日记，住户成员用来记录旅行日记，并指导如何填写日记。在全国范围内进行了访谈，并对20个合作伙伴进行了访谈。6本文中我们使用了NHTS数据的旧金山分量。2.1.1. NHTS数据集中NHTS数据包含五个数据文件：家庭文件、人员文件、车辆文件、旅行一日游文件和位置文件。各文件之详情如下：住户档案包括但不限于住户身份证、住户成员人数、住户工人人数、住户司机人数、推算的住户总收入、城市化地区家庭住址等数据有关住户档案重要变数的详情载于附表A1。个人档案包括有关个人的数据，如面试日期、工作类别、工作地点的距离、受访者年龄、受访者性别、受访者教育程度、工作地点地址、工作地点的邮政编码等。有关个人档案重要变数的详情载于附表A2。车辆档案包括但不限于车辆品牌名称、车辆品牌、车辆型号年份、车辆品牌代码、车辆型号代码及其他相关资料。车辆文件重要变量的详细信息见表A3。交通日程档是调查中最重要的档桉之一，记录24小时内的行程，包括所乘搭的公共交通工具、行程日、行程开始时间、行程距离、行程时间、与受访者一起行程的人数、行程目的、行程目的地等数据。这种个人层面的数据使我们能够在离散选择模型框架中揭示消费者的偏好有关旅游一日游文件重要变量的详情载于附表A4。数据集的最后一个组件是位置文件，其中包含地理信息，如家庭纬度和经度，城市名称，旅行目的，旅行目的地纬度和经度，工作纬度和经度等。有关地区资料文件重要变数的详情载于附表A5。本研究中使用的数据是NHTS数据的旧金山组成部分。为了进行实证分析，我们将旧金山地区平均划分为网格单元。每个网格都被分配了一个唯一的ID。一个OD对是一个-[5]广泛的评论见Svoboda（2008）6http://nhts.ornl.gov/2009/pub/UsersGuideV2.pdf。J. 邱数据科学与管理2（2021）2022半--]半]基于方式。下图说明了我们划分旧金山地区的方式。根据纬度和经度，我们将整个旧金山分成5800（58 * 100）个网格。横轴表示经度，纵轴表示纬度。水平轴和垂直轴的步长分别为0.035和0.03十进制度。相应的物理距离分别约为2英里。因此，NHTS数据的所有行程可以根据其出发地和目的地的经度和纬度分类到网格例如，在下图中，一种颜色索引至少一个行程。左侧面板突出显示所有行程的起点，而右侧面板表示目的地。为了对我们的数据有一个粗略的了解，我们将所有行程的起点根据它们的纬度和经度投影到一个图中，如图所示。1.一、根据我们的划分规则，旧金山被划分为5800个网格单元。理论上，我们应该有67，280，000（5800 * 5800 * 2）个OD对。然而，由于有一些网格我们没有NHTS记录，而其他网格是海洋或海湾地区，因此我们只有8，772个OD对，如表1所示。其中，108对OD车次超过20趟。如果网格大小为4平方公里，我们有5961个OD对，其中163个表1还显示了4平方公里网格中出行次数的分布情况。 如所呈现的，大多数OD对具有少于10次行程。2.2. Uber数据我们用A、B、C、D四个点来定义原点网格，如图所示。二、此网格的ID编号为#1。经度的间隔123; 121，并且步长为0.035，这给出58个槽。的纬度的间隔为36; 39，步长为0.03，即100slots. 因此，原点总数为5800。Uber的数据库工程师采取以下步骤来生成数据集：步骤1.选择一个原点网格，检查是否有任何从该网格开始的行程。步骤2. 如果有，找出这些旅行目的地的网格步骤3. 在此OD对中找到所有跳闸后，此过程继续。 模式属性，如旅行距离，旅行时间，和所有行程的票价，然后平均OD对。样本Uber数据见表A6。 Uber的数据记录行程发生在旧金山一周，表1不同条件OD对OD对8,7722*2 OD对8,77220趟以上2*2 OD对总数1084*4 OD对5,96120趟以上4*4 OD对总数1638*8 OD对4,3298*8 OD对，20车次以上12820车次以上以4平方公里网格界定的OD对的行程分布399最小1百分之一1百分之五1百分之十1百分之二十五1百分之五十1百分之七十五2百分之九十7百分之九十五25百分之九十九43最大100是说4.08标准偏差8.73出差次数1,933非工作旅行22,878总记录24,811表2Uber的数据。意见是说标准偏差最小最大距离（英里）60,1675.935.290.0346.81持续时间（英里）60,16718.059.521.3392.33费用（美元）60,16714.499.864.27110.82注：本图仅使用行程经纬度的[第1百分位数，第99百分位数]包含60，167个观察结果，其中包括31，816个UberX服务行程和28，351个Uber Pool服务。汇总统计见表2。样本由188个OD对组成，定义为4 km2网格大小。平均行驶距离为5.93英里。平均旅行时间为18.05分钟平均成本为14.49美元。2.3. 谷歌数据我们使用抓取技术从Google地图API请求数据Google数据集是通过以下步骤构建的首先，基于图3所示的预先定义的网格，我们构建了67，280，000（5800 * 5800 * 2）个OD对，并为每个OD对分配了一个唯一的ID。其次，对于每个OD对，我们将起点和目的地（网格的质心）输入Google地图API。然后，Google地图API返回可用的模式选择及其属性，例如距离，持续时间和票价。如果没有可用的替代方案，API将不返回任何值。 我们每天要求三次数据。我们请求数据的时间是早上高峰时间（7：00-10：00，UTC），下午高峰时间（16：00-19：00，UTC）和其他时间。此过程持续两个月，从2017年1月1日至2017年2月Google数据样本见表A7。 样本由179个OD对组成，定义为4 km 2网格大小。汇总统计见表3。Google数据有422，092个观测值，其中包括278，062个高峰时段观测值和144，030个非高峰时段观测值。 在这些数据中，290，235条记录发生在工作日，131，858条记录发生在周末。表中还列出了所有替代方案的距离、持续时间和票价的汇总统计数据平均距离从5.47英里到7.26英里不等。行程时间为0.5 ~ 2 h。我们只有公共汽车和火车票乘公共汽车的平均费用为3.43美元，而乘火车的平均费用为3.82美元。值得注意的是，出租车的成本并不是由Google API返回的，因此我们定价方案如下：第一个0.2英里是3.5美元。每增加0.2英里0.55元之后73. 计量经济模型我们使用NHTS数据来估计通勤者的方式选择。 本分析中使用的数据是NHTS数据集的旧金山部分。我们将整个旧金山以4km2为单位划分为网格，保留20个以上出行次数和1种以上交通方式的OD对，得到163个OD对。考虑通勤者i需要从网格单元A旅行到网格单元B，同时面对一组交通模式：驾驶、公共汽车、出租车、火车等。通勤者选择具有最高效用的模式之一，考虑诸如定价、通勤时间、每种模式的特征以及她的独特品味等因素我们不仅可以观察市场份额层面的数据，还可以获得每个通勤者的精细出行数据因此，现有的离散选择需求估计方法，如Berry（1994）和Berry et al.（1995年），7http://yellowcabsf.com/service/cab-fares/我们在计算中没有考虑机场的等待时间和出口费用。J. 邱数据科学与管理2（2021）2023IJ伊季报IJFig. 1. 美国旧金山旅行的起源。此图仅使用[行程的纬度和经度的第1 - 1/2分位数，第99 - 1/2分位数]。图二. 用于定义网格的点。不适用于这里。 计量经济学模型结合了多项式和条件logit，因此效用不仅取决于个体特征，还取决于替代属性。具体而言，通勤者i选择交通方式j的间接效用为uijx0αjz0βεij（1）其中x1是通勤者的特征向量，z0是第j个备选方案的属性向量，例如费用、时间和停车（如果应用的话）。z0随选择而变化。模型中使用的人口统计学变量是教育虚拟变量（如果通勤者持有学士学位或更高学位，则为1），家庭收入虚拟变量（如果家庭年收入超过80，000美元，则为1），家庭规模虚拟变量（如果家庭成员超过2人，则为1），年龄虚拟变量（如果年龄大于30岁且小于50岁，则为1）和性别虚拟变量（如果男性，则为1）。完整的选择集包含四个选项：驾驶、公共汽车、出租车和火车。然而，面对通勤者的可用选择集在OD对之间变化。可用选择的总数是通勤者选择的交通方式的类型的数量例如，在OD对中，如果我们观察到通勤者只能选择驾驶和公共交通，则选择集包含两种模式。如果所有通勤者都选择开车，那么开车是OD对中唯一的交通方式我们在NHTS数据中观察行驶距离，而不是驾驶成本驾驶成本是根据美国汽车协会对每英里驾驶成本的研究8计算的，如小型轿车46.4美分，中型轿车58.9美分，大型轿车72.2美分，轿车平均59.2美分; SUV 4 WD73.6美分;小型货车65.0美分。 公共交通和火车的票价使用谷歌地图进行校准，分别为2.25美元和2.5美元。9当谈到驾驶我们的意思是通勤者可以选择汽车，面包车，SUV，皮卡，其他卡车，房车，摩托车，或轻型电动车（高尔夫球车）。每种运输方式的行程次数见表A7。 巴士选项包括当地公共交通、通勤巴士、校车、包机/旅游巴士、城市巴士、穿梭巴士、有轨电车/电车。 列车选项分为Amtrak/城际列车、通勤列车、地铁/高架列车。在通勤者可能选择的所有方案的构造中，一种方式的时间是通过特定OD对中的旅行持续时间的平均值来测量的例如，如果通勤者的选择是驾驶，则在构造其他可用模式（例如公交车）的属性时乘坐公交车的时间是OD对中所有公交车行程的平均值4. 模式选择表4列出了条件logit模型的结果。首先，我们使用所有数据估计模型 为了研究潜在的不同选择行为，我们仅使用发生在7：00a.m.- 10：00a.m.16：00p.m.-晚上21点 在这两种估计中，大多数系数都有预期的迹象。无论是否在高峰时段，通勤者都不太可能选择公共汽车，火车和出租车，这与我们的知识一致。为了研究偏好异质性，我们将个人8http://newsroom.aaa.com/tag/driving-cost-per-mile/网站。9这是谷歌地图在2016年12月27日给出的票价。J. 邱数据科学与管理2（2021）2024图三. 网格的起源和目的地在旧金山，美国。表3Google地图数据的摘要票价（美元）具有特定替代性的特征。替代假人（公共汽车、出租车和火车）与教育假人（如果通勤者持有学士学位，则为1）、家庭收入假人（如果家庭年收入大于80，000美元，则为1）、家庭规模假人（如果家庭成员超过2人，则为1）、年龄假人（如果年龄大于30岁且小于50岁，则为1）和性别假人（如果通勤者为男性，则为1）相互作用。结果如表4所示。 来自高年收入家庭的通勤者不太可能乘坐公共交通工具。正如预期的那样，一个有两个以上成员的家庭也更有可能开车。中年通勤者乘坐公共汽车的可能性更高虽然没有统计数据，但我们发现超过2人的家庭不太可能乘坐出租车和火车。即使只使用高峰时间数据进行估计，结果也是如此。个体异质性会产生显著的需求差异，因此对消费者剩余计算产生很大影响（Hausman和Newey，2016）。 为了进一步研究通勤者的异质性偏好，我们将出行持续时间和出行成本与人口统计变量交互作用，重新估计了条件logit模型。结果示如表5所示。 中年通勤者在面临长途旅行时，不太可能开车。一个有两个以上成员的家庭比其他家庭更有可能开车。高收入家庭和大家庭更有可能选择驾驶作为出行方式。4.1. 消费者剩余为了分析优步的可用性对消费者剩余的影响，我们收集了优步和谷歌的数据。假设消费者的偏好不随时间而改变，对于来自NHTS数据的每个OD对，我们根据出发地ID、目的地ID、出行时段（上午高峰时段、下午高峰时段和其他时间）和工作日（或周末），通过将Uber数据与Google数据相结合来构建选择集我们对Uber的数据进行了为期一周的观察。Google的数据是两个月。因此，我们根据OD对和旅行时间和日期对Google数据进行值得注意的是，不同OD对的通勤者我们在计算中考虑到了这一点意见是说标准偏差最小最大距离（英里）驱动264,1316.775.920.9638.51走245,4366.015.680.9344.62自行车218,1885.474.410.9443.56总线238,7377.266.680.9376.03火车233,3336.926.740.8589.19持续时间（分钟）驱动261,47216.187.351.7738.87走242,916114.7996.8718.43606.52自行车215,93733.2320.454.45115.35总线236,28649.0026.520.25174.15火车230,93145.1319.440.18132.05总线189,2153.431.490.708.50火车136,4543.822.290.7012.15意见高峰小时278,062非繁忙时间144,030工作日290,234周末131,858总422,092J. 邱数据科学与管理2（2021）20251/4fg-表4模式选择的估计。出租车-3.576*（0.821）-3.279*（0.864）列车-3.424*（0.278）-3.591*（0.335）行程持续时间0.010*（0.003）0.010**（0.005）行程费用-0.058**（0.024）-0.103**（0.048）公交 *教育-0.166（0.129）-0.137（0.153）公交车 * 家庭收入-0.951*（0.143）-0.946*（0.168）公交车 * 家庭人数-0.269*（0.143）-0.395**（0.173）公交车 * 年龄0.248*（0.149）0.498*（0.175）巴士 *N.A.N.A.N.A. 出租车 *教育-0.819（0.826）-0.826（0.826）* 家庭收入1.167（0.899）1.145（0.900）出租车 * 家庭人数-0.116（0.780）-0.137（0.780）出租车 * 年龄0.002（0.787）0.020（0.787）出租车 *N.A.N.A.N.A. 培 训 * 教 育 -0.026 （ 0.293 ） 0.103（0.347）家庭收入0.158（0.276）0.155（0.320）火车 * 家庭规模-0.352（0.303）-0.138（0.342）训练 * 年龄0.371（0.291）0.244（0.338）培训 *N.A.N.A.N.A.意见11389 8270伪R平方0.665 0.664注：驾驶是对照组。如果年龄大于30且小于50，则年龄虚拟值等于1如果通勤者是男性，则性别等于1如果家庭成员超过2人，则家庭规模虚拟值等于1。如果家庭年收入超过80，000美元，则家庭收入虚拟值等于1。我们通过比较Uber存在和Uber不可用的情况下的环境盈余来计算消费者剩余我们的计算是以消费者的偏好不随时间变化为前提的. 设1; 2; 3; 4;5表示通勤者面对的出行集合公交车，3代表出租车，4代表火车，5代表Uber。 我们把其他的旅行方式标记为1，我们称之为非旅行选择。旅行选择集和非旅行选择集由嵌套logit模型中描述的包含值连接（Train，2009）。连接强度由对数和系数λ描述。表5更多互动的模式选择。出租车-3.722*（0.845）-3.761*（0.950）列车-3.290*（0.281）-3.493*（0.341）行程持续时间0.000（0.004）-0.002（0.006）旅行费用-0.038（0.027）-0.046（0.057）旅行时间 *年龄-0.018**（0.008）-0.026**（0.011）旅行时间 * 性别不适用N.A.N.A.N.A. 出行时间 * 家庭规模0.036*（0.007）0.051*（0.011）出行成本 * 收入1 * 家庭规模-0.083（0.070）-0.172*（0.097）公交车 *教育-0.148（0.129）-0.096（0.155）公交车 * 家庭收入-0.942*（0.143）-0.894*（0.170）公交车 * 家庭规模-1.001*（0.208）-1.277*（0.269）巴士 * 年龄0.631*（0.204）0.952*（0.253）巴士 *N.A.N.A.N.A.的士 *教育-0.811（0.831）-0.824（0.834）* 家庭收入1.283（0.901）1.429（0.913）出租车 * 住户人数0.013（0.830）0.262（0.869）出租车 * 年龄0.096（0.783）0.143（0.779）出租车 *N.A.N.A.N.A.培训 *教育-0.035（0.293）0.091（0.347）家庭收入0.136（0.277）0.161（0.320）火车 * 家庭规模-0.753**（0.313）-0.708*（0.367）列车 * 年龄0.562*（0.305）0.560（0.366）培训 *N.A.N.A.N.A.意见11389 8270伪R平方0.669 0.668注：驾驶是对照组。如果年龄大于30且小于50，则年龄虚拟值等于1如果通勤者为男性，则性别等于1如果家庭成员超过2人，则家庭规模虚拟值等于1。如果家庭年收入超过80，000美元，则家庭收入虚拟值等于1。变量模型1模型2所有数据高峰小时数据系数S.E.系数S.E.总线-2.331*（0.116）-2.275*（0.144）变量Model 3模型4所有数据高峰小时数据系数S.E.系数S.E.总线-2.206*（0.121）-2.200*（0.152）J. 邱数据科学与管理2（2021）2026Bn αnnÞ-1nn-1nαc¼表6校准参数。（λ）为了计算消费者剩余，我们需要校准两个参数-5.8美元/人。如果只考虑UberX服务所造成的影响，则价值在0.9美元/人至3.6美元/人之间一般来说，Uber Pool Service增加的消费者剩余是UberX的2倍。我们还考虑了工作日和周末的消费者剩余有趣的是，周末旅行者比工作日旅行者获得更多的消费者剩余。这与理论预测是一致的如Small和Rosen（1981）所示，选择概率可以被认为是对备选方案的未补偿需求。消费者剩余等价于效用收益，以货币为单位，从通勤者选择最大化他/她的效用的替代品。对于工作日旅行，它在每次特定的旅行中花费更多的时间和成本，从而获得较少的最大效用。因此，消费者剩余较低。这也适用于高峰时段的通勤者。非高峰时段通勤者获得的消费者剩余是高峰时段通勤者的3-4倍。其中一个最可能的原因是旧金山地区高峰时段的严重交通堵塞。为了研究不同人群的异质性影响，我们计算了优步对不同收入人群的影响如表7的第1栏和第2栏所示，收入超过8万美元的家庭获得的消费者剩余是收入低于8万美元的家庭的3倍多当考虑异质偏好时，如第3栏和第4栏所示，eters，φ选项，-表示非旅行的恒定期望效用4、这些影响更大。为了计算Uber以货币单位计算的总体消费者剩余，λ表示对数和系数。根据Small等人（2006年），参数校准见表6。我们采取几个步骤来得到消费者剩余的结果首先，我们计算每个特定OD对与Uber可用性的对数和。I1½l nhex p.φxex p.λxjnbβi;jf1;2;3;4;5g（2）J我们需要知道每个OD对中的通勤人数。不幸的是，我们的数据集中没有这些数据我们使用的人口普查数据显示，每天有大约265，000名工人进入城市，大约103，000人外出。 在此背景下，Uber给消费者带来的总体消费者剩余约为每天279，680美元，即每天1亿美元。年其中xjn是选择j的属性向量，βn是条件logit的估计系数。其次，当假设Uber不可用时，我们计算每个特定OD对的对数和I01l nhex p.φxex p.λxjnbβi;j^f1;2;3;4g（3）J5. 结论Uber给交通行业带来的影响是复杂的。大多数新闻关注的是对行业的负面影响它给通勤者带来的好处很少被利用。本文结合三个特殊的数据集，Uber数据，NHTS数据，谷歌地图数据，调查优步对消费者剩余的影响第三，我们计算代表性消费者的平均消费者剩余我们发现对通勤者的影响是不可估量的，大约是0.76美元，每人每次2.85美元考虑到大都市中通勤者的巨大数量，其影响是深远的。总体消费者剩余ΔCSn1-10（四）Uber在旧金山的收入每年约为1亿美元的本文的研究结果有助于政策制定者制定更好的政策，我们使用以下方法将消费者剩余从效用转换为货币单位ΔCS01ΔCS（5）C式中，αc是收入的边际效用，用效用相对于成本的导数来衡量Alonewith Small et al.（2006），αc通过使用Roy恒等式确定，即，αc¼- 粤ICP备1404442号-11： 3869 *HIFn，其中如果n来自高收入家庭，则HIFn等于1最后，我们还计算了每一部分人口的消费者剩余和整个旧金山地区的总福利平衡Uber带来的潜在成本和收益 一个有趣的进一步研究项目是获取供应方面的数据。结合现有的需求数据，我们可以分析拼车对整个市场的影响竞合利益作者声明不存在利益冲突附录A. 补充数据本文的补充数据可在https：//doi网站上找到。ΔTotalCS¼XNiΔCS0我（六）org/10.1016/j.dsm.2021.05.002。其中i是OD对的索引，Ni是OD对i中的通勤者人口。Uber对消费者剩余的影响结果见表7。通勤者在每次旅行中获得的平均消费者剩余引用Berry，S.T.，1994.产品差异化离散选择模型的估计。Rand J. Econ.25（2），242从0.76到2.85美元/人不等。当只考虑1n项目值常数效用（φ）对数和系数-1）-12.65-0.36表7Uber的可用性对消费者剩余的影响消费者剩余模型1模型2Model 3模型4平均数（美元/人）0.760.792.851.52Uber Pool服务1.601.665.803.15UberX服务0.900.953.662.00工作日0.680.712.661.43周末0.991.033.341.78非繁忙时间1.561.645.742.98高峰小时0.460.481.770.98家庭收入（>80，000美元）1.061.104.332.42家庭收入（≤80，000美元）0.440.461.250.55J. 邱数据科学与管理2（2021）2027Uber Pool服务带来的影响，消费者剩余在1.610https：//www.census.gov/hhes/census/files/ACS/top20-commuter-adjusted-population.pdf。J. 邱数据科学与管理2（2021）2028¼Berry，S.T.，Levinsohn，J.，Pakes，A.，一九九五年市场均衡下的汽车价格Econometrica：J. 计量经济学Soc. 63（4），841- 890。伯奇，C.P.，Oom，S.P.，比彻姆，J.A.，2007.生态学中用于观测、实验和模拟的矩形和六边形网格。生态学模型 206（3- 4），347 - 359。Buchholz ， N. ， 2015 年 。 出 租 车 行 业 的 空 间 均 衡 、 搜 索 摩 擦 和 有 效 监 管 见 ：https://ipl.econ.duke.edu/seminars/system/files/seminars/1385.pdfBorsch-Supan，A.，1990年 关于嵌套logit模式ls与实用程序的兼容性最大化J. 经济 43（3），373- 388。Cohen，P.，哈恩河，Hall，J.，Levitt，S.，梅特卡夫河，2016年。使用大数据来估计消费者剩余：Uber的案例NBER工作文件编号w22627。网址：https://ssrn.com/abstract2837639。Dagsvi k，J.K.， Karlstrom，A.，2005年 补偿变差与希克斯选择随机效用模型中的概率是非线性的收入。修订版经济学研究72（1），57De Jong，G.，Daly，A.，Pieters，M.，Van der Hoorn，T.，2007.作为评价指标的对数和：文献综述和新结果。运输Res.Pol.Pract.41（9），874- 889.Eizenberg，A.，2011.美国家用PC市场的上游创新和产品多样性。Rev. 经济种马 81（3），1003- 1045。霍尔，J.V.，克鲁格，A. B.，2018. Uber在美国的司机合作伙伴的劳动力市场分析。Ilr Rev.71（3），705- 732。Hall，J.，肯德里克，C.，诺斯科角，2015年。Uber的激增定价的影响可查阅：https：//ipl.econ.duke.edu/softwars/system/files/seminars/1385.pdf豪斯曼，J.A.，Newey，W.K.，2016年。个体异质性与平均福利。Econometrica 84（3），1225Kalmanje，S.，Kockelman，K.M.，2004.基于信用的拥挤定价：旅行、土地价值和福利影响。运输Res. Rec. 1864（1），45- 53。Nevo，A.，2000.差异化产品的合并：即食谷物行业的案例。Rand J.经济 31（3），395-421。Ozkan，E.，2020年。拼车系统中的联合定价和匹配EUR. J. 操作员Res.287（3），1149Petrin，A.，2002年。 量化新产品的效益：以小型货车为例。《政治经济学杂志》，110（4），第705斯莫尔，也就是，罗森，H.S.，一九八一年应用福利经济学与离散选择模型。Econometrica：J. Econometr. Soc.49（1），105- 130.斯莫尔，也就是，温斯顿角，杨，J.，2005.揭示驾驶者对旅行时间和可靠性的偏好分布。 Econometrica 73（4），1367- 1382.斯莫尔，也就是，温斯顿角，杨，J.，Baum-Snow，N.， Go'mez-Ib'anez，J.A.，2006年。差异化道路定价、快速车道与拼车：政策设计中的异质偏好利用布鲁金斯沃顿学院城市办公室https://doi.org/10.2139/ssrn.893163。Svoboda，M.，2008年消费者剩余的历史和问题布拉格经济爸爸。 2008（3），230-242.Train，K.E.，2009年离散选择方法与模拟。 剑桥大学出版社，剑桥。王杰，黄，J.，Du，F.，2020.北京市居民通勤方式偏好空间格局估计。Reg. 种马，Reg. Sci.7（1），382- 386。Yan，C.，中国地质大学，Zhu，H.，Korolko，N.，Woodard，D.，2020.叫车平台的动态定价和匹配。导航Res. 后勤人员。 67（8），705
我的内容管理
展开
