透過 Uber 資料繪製經濟學的需求曲線

論文出處：Using Big Data to Estimate Consumer Surplus: The Case of Uber

我過去曾經有一段時間出於好奇，短暫地當過 Uber 司機。其中最讓我印象深刻的，是 Uber 提供給司機使用的 app，結合他的動態定價 (surge pricing) 機制以及其他誘因，不斷的誘使司機上線接客，以確保各時段的供給量可以滿足乘客的需求，避免有太多乘客叫不到車的窘境。而這樣的動態機制不僅是個透過智慧型手機的即時性所做的創新，也提供了經濟學家一個過去沒有的機會：驗證經濟學需求曲線。

通常經濟學的第一堂課，都會討論需求曲線，用來說明需求與供給之間的關係，並從需求曲線延伸討論消費者剩餘 (consumer surplus)。然而，實際要量測需求曲線卻很困難。本論文的共同作者，同時也是橘子蘋果經濟學的作者 Steven Levitt 就說，他當年要寫一本經濟學的教科書時，才意識到需求曲線雖然是大部分人都可輕易理解的理論，但卻從未有人真的對這個抽象的概念提出實際的例證，直到 Uber 的動態定價 (surge price) 出現，提供了他一個很好的機會來實際量測需求曲線，以及消費者剩餘。

消費者剩餘( consumer’s surplus )，是英國古典學派經濟學家馬歇爾( A. Marshall )所提出的觀念。它的意義是指消費者在購買一項商品時，他所願意出的總價款，與他實際所支付的總價款之間的差額，如果以貨幣來表示，即稱之為消費者剩餘。

本論文使用了 UberX 2015 年 1 月 1 日到 6 月 17 日，於 Uber 最大的四個美國城市：舊金山，紐約，芝加哥，洛杉磯，共 5,400萬筆使用者叫車的資料作分析。

透過動態定價可畫出不連續迴歸設計 (Regression Discontinuity Design)

透過 heat map 可清楚看出 UberX 在哪個時段最有可能出現動態定價，不意外的，週六的晚上 11 點是出現動態定價機率最大的時段，有 45.6% 的使用者在叫車時會看到動態定價，相反的，週二的上午 11 點是出現動態定價機率最低的時段，只有 2.8% 的使用者在叫車時會看到動態定價。

下圖位於 1.25 的紅線代表動態定價從 1.2X 跳到 1.3X 的臨界點，從圖中可以明顯看出，紅線左邊的叫車率可到 0.59 左右，一跳到右邊，就瞬間掉至 0.56 左右，相差了 3%。價格提高，需求降低，然而，這只是其中一筆資料。

透過動態定價畫出需求曲線

下圖實際畫出從沒有動態定價，到價格增加高達四倍的搭乘數的圖形。在沒有出現價格增加的離峰時段，總共觀察到約 104 萬個搭乘的紀錄，隨著價格增加，搭乘數逐步下降，當價格高達 4 倍時，搭乘數約只有 40 萬。

實際量測時，只能計算不連續回歸設計附近的那幾個不連續的點。除了價格之外，其他因素也會影響消費者是否搭乘，舉例來說，儘管都是 1.5 倍，出現在平日下午和半夜 12 點，對消費者的意義也許不同。其他因素無法考慮進本次的實驗中，比如說當時段計程車或其他對消費者來說的替代品，也都可能影響消費者是否決定搭乘

Uber 每年可產生約 68億美金的消費者剩餘

畫出需求曲線後，要計算出消費者剩餘就相對容易了。「消費者剩餘」反映的是買家從消費中得到的凈收益，也就是最大願付總價與實際支付總價的差距。經過計算與估計後，Uber 每年約可產生 68 億美金的消費者剩餘，這個金額比 Uber 從 UberX 服務賺取的營收 2 倍還多。

儘管 Uber 的動態定價曾經造成不少爭議，但這樣的模式，配合智慧型手機的即時性，不僅創新，也確實為服務的供給方 — 司機，提供了一定的誘因。而在這之外，他也提供了經濟學家一個驗證傳統模型的好機會。如果今天不是 Uber，或許還沒有辦法提供這樣的驗證；如果今天 Uber 消失了，那他所產生的龐大的消費者剩餘會轉嫁到哪裡呢？