香樟青苗简报| 罗耀：算法和劳动供给——来自网约车平台的证据

2023年7月22日晚18:30至21:00，加拿大多伦多大学罗耀副教授应邀为第六期“香樟青苗计划”学员授课，讲座题目为“算法和劳动供给：来自网约车平台的证据”。

嘉宾简介：罗耀，加拿大多伦多大学经济系副教授，宾州州立大学经济学博士。他的研究兴趣包括实证产业组织和应用计量领域。成果发表在Journal of Political Economy, RAND Journal of Economics, Review of Economic and Statistics, Journal of Econometrics, International Economic Review等学术期刊。研究获得SSHRC、NET Institute等的资助，项目涵盖价格歧视、捆绑销售、非线性定价、实证拍卖和信用评级等，主要用于分析中国电信市场、政府招投标、拍卖、钢铁行业以及金融等。罗耀副教授个人主页：https://sites.google.com/site/luo8yao

在此次课程中，罗耀老师分享了他近期的研究Driving the Drivers: Algorithmic Wage-Setting in Ride-Hailing。这个研究利用了亚洲一家网约车公司的数据，分析了不同类型的算法机制如何影响网约车司机的工资及其行为。

首先，罗老师以现实案例入题，介绍网约车平台是如何运作的。罗老师介绍了平台的算法如何对接网约车供给和需求，以及网约车司机如何通过平台获得收入。近年来，算法技术迅速进步，平台的算法为司机提供订单分配、客户服务等相关工作分配。借助算法，平台可以分析不同司机工作的特点和客户需求的特点，从而向不同类型的网约车司机，下达不同要求的载客任务，从而最大化客户量和最优化乘车体验，尽可能实现平台利润最大化。

其次，罗老师对算法相关的经济学研究进行了文献回顾。现在较少的文献探讨算法对市场的影响，并且相关的研究以数据模拟为主。而罗老师团队的研究是目前第一篇用实证的方法，研究算法如何决定工资设置，以及它对劳动者行为和福利的影响。

接着，罗老师分析了本研究的理论动机。罗老师介绍了目前的算法是如何区分不同类型司机的。算法区分了两类司机，一类是真正灵活工作的兼职网约车司机（L），一类是在平台上持续工作的全职网约车司机（H）。平台会给工作时间长、质量高的司机提供一定激励，如果一个司机的客户口碑好，派单就会优先，从而增加司机的收入。然后，罗老师分析了有偏好算法和无偏好算法的区别。一般的无偏好算法只是根据工作量，给工作效率相同的司机相同的回报。但是，有偏好算法会分析不同司机选择开网约车的机会成本，并通过激励机制，鼓励那些更有可能成为全职司机的兼职司机在一些供不应求的时间段工作。因此，选择开网约车机会成本低的司机，在有偏好算法下会获得更多订单，获得更多收入。

进一步，罗老师介绍了本研究所使用的数据。本研究使用的数据来自亚洲某网约车平台，这个平台拥有500万左右的用户，1500万左右的司机，市场占有率90%左右。罗教授研究团队利用机器学习聚类分析的方法，将数据集中的司机分为全职司机和兼职司机两种类型，为后续实证分析和模型估计做准备。

然后，罗教授展示了其研究结果。实证结果表明，全职司机的时薪比兼职司机的时薪高，在同一时间段内，全职司机比兼职司机收入多8%。并且，对于全职司机而言，乘客取消订单会对收入有显著的不利影响。接着，罗老师介绍了本研究的动态劳动供给的结构模型。本研究构建了一个具有时变需求和动态劳动力供给决策的双边市场模型，估计发现，在短期，无偏好算法会导致网约车劳动力供给不足，平台损失较高。长期情况下，无偏好算法损失相对较低。

总结而言，在本次课程中，罗老师向我们介绍了这项研究的两个主要结论：第一，有偏好算法下司机的收入会比无偏好算法下司机收入高8%；第二，相对于有偏好算法，无偏好算法短期内会给平台造成较大的损失，长期情况下，乘客价格会重新调整以平衡供需，使得福利损失降至最低。

在课程的最后，罗老师解答了同学们关于算法、工资等方面的问题，加深了同学们对于平台经济和算法运作机制问题的认识，青苗学员们在此次讲座中收获颇丰。罗老师在多伦多的凌晨6点进行主旨演讲，与横跨13个小时，为身处中国的青苗们带来了一场精彩的学术盛宴，在此我们对罗老师表示衷心感谢！

论文下载：

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4299499

总结青苗学员：中山大学岭南学院张弛

转自：“香樟经济学术圈”微信公众号

如有侵权，请联系本站删除！