《Spatial Information Sharing on On-Demand Service
Platforms》
全文深度总结与模型解析
Authors: Swanand Kulkarni, Basak Kalkanci | Journal: Management Science (2026, Vol. 72, No. 10, pp. 8394–8415)
文献基本信息(Bibliographic Metadata) 论文题目:Spatial Information Sharing on On-Demand Service Platforms(即时服务平台上的空间信息共享) 作者姓名(不翻译):Swanand Kulkarni, Basak Kalkanci(所属机构:Scheller College of Business, Georgia Institute of Technology, Atlanta, Georgia 30308, USA) 发表期刊:Management Science(管理科学,INFORMS 旗舰期刊,UTD-24 / FT-50 顶级期刊),2026 年 10 月,第 72 卷第 10 期,第 8394–8415 页(DOI: https://doi.org/10.1287/mnsc.2021.03426) 核心关键词:Behavioral Operations(行为运营管理)、Information Sharing(信息共享)、On-Demand Service Platforms(即时服务平台)、Service Operations(服务运营)、Relocation(跨区转移/重定位) |
|---|
一、全文核心总结(Executive Summary)
1.1 研究背景与现实痛点
在零工经济(Gig Economy)快速发展的背景下,以 Uber、Lyft、DiDi(滴滴)、Bolt 为代表的网约车平台以及以 DoorDash、Grubhub、Grab、Deliveroo 为代表的即时配送平台,高度依赖独立兼职司机(Independent Agents)提供服务。由于司机拥有自主决定何时、何地提供服务的自由,平台在空间维度上普遍面临严重的供需错配(Demand-Supply Mismatch)问题:某些区域需求远超运力供给(即溢价区/紧缺区,Surge Zones),而另一些区域则存在运力过剩(非溢价区,Non-Surge Zones)。
为了引导处于运力过剩区域的司机主动跨区转移(Relocate)至运力紧缺区域,各大即时服务平台在实施动态溢价定价(Surge Pricing)的同时,普遍通过司机端 App 的热力图(Heat Maps)向司机共享空间供需错配信息。然而,业界在“应当如何向司机披露空间供需错配信息”这一核心机制设计上存在三种截然不同的实践模式:
溢价信息共享(Surge Information Sharing):以 Uber、Via、Ola、DiDi、Cabify、Bolt、Postmates 和 Grubhub 为代表的行业主流模式。平台向所有区域的全部司机公开披露仅限于溢价区(供不应求区域)的供需错配程度(如溢价倍数或紧缺热力),而不提供非溢价区的具体供需反馈。该模式虽然能凸显溢价区的赚钱机会,但在实践中饱受批评,被指责极易引发“扎堆效应/羊群效应”(Flocking)——即过多非溢价区司机盲目涌向溢价区,既导致溢价区竞争过载、收益落空,又造成原区域运力被掏空。
完全信息共享(Full Information Sharing):以 DoorDash(Dash Now 热力图)和 Grab 为代表的全局透明模式。平台向所有区域的全部司机公开披露所有区域(包括溢价区和非溢价区)的供需错配信息(例如标注“非常繁忙 Very Busy”、“繁忙 Busy”、“正常 Normal”或“不繁忙 Not Busy”),使司机能够精确对比留在本地与跨区移动的潜在收益。
局部信息共享(Local Information Sharing):以 Lyft 近年来推出的“个人动力区”(Personal Power Zones)为代表的私有化、个性化模式(取代了其早期的全局 Prime Time 溢价图)。平台仅向距离溢价区足够近(Nearby)的司机定向披露溢价区的供需错配信息,而不向距离较远(Far-away)的司机展示该信息,旨在缓解过多司机同时涌入造成的恶性竞争。
1.2 核心研究问题与研究方法
面对上述三种业界机制,Swanand Kulkarni 和 Basak Kalkanci 围绕平台期望匹配效率(Expected Matching Efficiency,即平台成功满足的乘客服务请求占总请求数的比例)提出了两个核心研究问题:
研究问题 1(理论机制优选):为了最大化平台的匹配效率,平台究竟应该采用三种空间信息共享机制(Surge、Full、Local)中的哪一种?在不同跨区转移成本和初始运力空间分布条件下,各机制的优劣排序如何变化?
研究问题 2(行为因素影响):人类司机的实际跨区转移行为受到哪些行为认知偏差的影响?这些行为因素如何改变三种空间信息共享机制下的实际匹配效率以及平台的最优机制选择?
为回答上述问题,作者采用了“解析博弈论建模(Analytical Game-Theoretic Modeling)+ 激励相容受控实验室实验(Controlled Laboratory Experiments)+ 结构化行为均衡估计(Structural Behavioral Equilibrium Estimation)”的三位一体研究方法:首先构建了一个包含 3 个地理区域(远距离非溢价区 Zone 1、近距离非溢价区 Zone 2、溢价区 Zone 3)和 2 个时间阶段的博弈模型,刻画了转移成本异质性()和初始供给异质性()下的纯策略纳什均衡;随后招募 98 名人类被试在实验室内开展 40 轮重复决策实验(专门选取理论上 Surge 匹配效率最高、Local 匹配效率最低的参数环境,以给予传统主流理论最有利的检验环境);最后建立融合心理账户、损失厌恶与决策误差的行为均衡模型,通过极大似然估计(MLE)揭示了微观行为机理。
1.3 全文主要研究结论概览
| 分析维度 | 溢价信息共享 (Surge) | 完全信息共享 (Full) | 局部信息共享 (Local) |
|---|---|---|---|
| 信息披露规则 (Table 1) | 向所有司机公开披露溢价区(Zone 3)的供需错配信息 | 向所有司机公开披露全部三个区域(Zone 1, 2, 3)的供需错配信息 | 仅向近区(Zone 2)司机定向披露溢价区(Zone 3)的供需错配信息 |
| 代表性平台 | Uber, DiDi, Via, Ola, Bolt, Grubhub | DoorDash, Grab | Lyft (Personal Power Zones) |
| 完全理性理论预测 (低转移成本且 ) | 理论期望匹配效率最高(),能充分动员非溢价区司机支援 Zone 3 | 理论期望匹配效率次之(),因本地高需求会截留非溢价区司机 | 理论期望匹配效率最低(),被 Surge 和 Full 严格占优 |
| 实验室实验真实结果 (真人被试决策) | 实际整体效率低于理论预测();近区(Zone 2)司机过度转移引发“扎堆效应”,掏空非溢价区运力(降至 ) | 实际整体效率高于理论预测(),在所有机制中表现最优;非溢价区保持 匹配,溢价区达 | 实际整体效率显著高于理论预测(),表现与 Surge 相当;成功动员远近两区司机支援溢价区(达 ) |
| 微观行为机理 () | 近区司机因转移成本低且预期远区司机受损失厌恶抑制,叠加决策误差,过度追逐溢价 | 司机综合权衡本地与溢价区信息,仅在全局有利时转移,有效遏制盲目扎堆 | 决策误差促使远区不知情司机适度增加转移,损失厌恶与竞争缓解促使近区司机积极响应 |
二、文章的核心贡献(Core Contributions)
本文在即时服务平台运营管理(On-Demand Service Platform Operations)、信息设计(Information Design)以及行为运营管理(Behavioral Operations Management)三个领域的交叉点上取得了重要突破,具体体现在以下四大核心贡献:
2.1 理论建模贡献:首次建立多区域空间供需错配信息共享机制的对比分析框架
在现有的多区域网约车运营文献中(例如 Bimpikis et al. 2019, Guda and Subramanian 2019, Besbes et al. 2021, Afeche et al. 2023, Hu et al. 2022),学者们普遍关注动态空间定价或运力调度控制,但均默认假设司机完全知晓所有区域的价格、工资或供需状态。然而,现实中不同平台在向司机展示供需错配热力图时,其空间颗粒度与受众范围存在显著差异。本文首次将业界实践提炼为三种标志性的空间信息共享机制——Surge(溢价信息共享)、Full(完全信息共享)和 Local(局部信息共享),并在三区域两阶段博弈中同时引入了两个关键的空间异质性维度:
**跨区转移成本异质性(Relocation Cost Asymmetry,)**:刻画了远距离非溢价区(Zone 1)与近距离非溢价区(Zone 2)司机前往溢价区(Zone 3)所面临的物理距离或交通拥堵负效用差异。
**初始运力空间分布异质性(Spatial Supply Heterogeneity,)**:刻画了非溢价区之间初始司机供给的不均衡分布(Zone 1 初始运力为 ,Zone 2 初始运力为 ),从而揭示了局部运力充裕度与信息披露范围之间的深刻交互作用。
2.2 理论洞见贡献:揭示完全理性下“全信息截留效应”与“局部信息无价值悖论”
通过严谨的纯策略纳什均衡推导与全参数空间数值评估,本文打破了“向司机提供越全面的信息越有利于供需匹配”的直觉认知,得出了两个极具洞察力的理论结论:
低转移成本下完全信息共享(Full)反而损害平台匹配效率:当司机跨区转移成本较低时,仅披露溢价区信息的 Surge 机制足以吸引大量司机前往溢价区满足需求;而在 Full 机制下,非溢价区司机一旦观察到本区域实时需求较高,就会选择留在本地享受安稳收益而不去追逐溢价,这种“本地高需求截留效应”导致溢价区运力不足,拉低了系统整体匹配效率。
完全理性假设下局部信息共享(Local)的理论劣势:在理性人模型中,当靠近溢价区的初始司机数量有限(即 )时,Local 机制在期望匹配效率上被 Full 或 Surge 机制严格占优(Strictly Dominated);即便近区初始司机充足(),Local 机制也至多与 Surge 机制持平(弱占优)。原因在于远区司机在 Local 机制下处于信息盲区,只能基于平均预期做出僵化的固定比例转移,且因担心近区知情司机的信息优势而不敢积极支援。
2.3 实验与实证贡献:复现“扎堆效应(Flocking)”并揭示实证与理论的机制反转
既有经验研究(如 Chen et al. 2015, Karacaoglu et al. 2018, Lu et al. 2018)基于平台实地数据探讨热力图的影响,但实地数据难以剥离司机对城市需求的先验知识、实时价格内生变化等未观测混杂因素。本文通过受控实验室实验实现了干净的因果识别,并在理论上最支持 Surge 机制的参数环境下发现了重大的“理论—实验反转现象”:
证实 Surge 机制引发过度转移与效率损失:实验表明,在 Surge 机制下,平台实际服务的乘客比例()低于理论预测()。其根源在于近区(Zone 2)司机过度频繁地追逐溢价区,完美复现了业界痛点“扎堆效应”(Flocking)。尽管这使溢价区匹配率达到 ,但却造成非溢价区运力严重流失(匹配率从理论的 跌至 ),得不偿失。
证实 Full 与 Local 机制在真实人类行为下的优越性:与理论预测相反,Full 机制()和 Local 机制()在实验中服务的乘客比例均显著高于各自的理论基准( 和 ),且整体匹配效率优于或持平于 Surge 机制。这表明全面共享信息(Full)或定向局部共享信息(Local)能够有效缓解人类司机的空间协调失灵(Coordination Failure)。
2.4 行为运营管理贡献:构建“心理账户+损失厌恶+决策误差”的行为均衡模型
为了解释为何人类司机的转移决策系统性地偏离完全理性纳什均衡,作者首先严谨排除了文献中常见的后悔厌恶(Regret Aversion,如 Jiang et al. 2021)与单纯风险厌恶(Risk Aversion)——因为后悔厌恶模型预测过度转移应主要来自远区(Zone 1)司机,且无法解释 Local 机制下从未获得反事实反馈的远区司机的过度移动。在此基础上,作者创新性地结合心理账户(Mental Accounting, Thaler 1999)、损失厌恶(Loss Aversion, Kahneman and Tversky 1979)与决策误差(Decision Errors)构建了行为均衡模型:
**跨期分离触发心理账户与损失厌恶(估计值 )**:司机在第 1 阶段先承受确定性的空驶转移成本,在第 2 阶段才获得溢价区匹配收益。这种时间分离使司机设立两个独立的心理账户,将先期转移成本视为痛苦的“账面损失”并赋予约 倍的权重。这直接抑制了高转移成本的远区(Zone 1)司机的转移意愿,进而减弱了溢价区的预期竞争,反过来激励了低转移成本的近区(Zone 2)司机在 Surge 和 Local 机制下更加大胆地涌向溢价区。
**有限理性与决策误差(估计值 )**:捕捉了司机在多区域竞争博弈中无法完全精准预判其他区域同行外部性(Externalities)的有限理性特征,成功解释了 Full 机制下低理论转移区间的向上偏离与高理论转移区间的向下偏离。
三、模型设定与核心函数详解(Explanation of Model Functions)
本节对论文第 3 节(Model Formulation)、第 4 节(Equilibrium Analysis)、第 6 节(Experimental Results)和第 7 节(Behavioral Model)中涉及的所有数学符号、参数、状态变量及核心函数进行系统梳理与经济学解释。
3.1 空间区域结构、随机需求函数与初始供给函数
地理区域与博弈阶段集合:平台运营的市场由三个地理区域组成,记为 ,其中区域 1(Zone 1)为远距离非溢价区(Far-away non-surge zone),区域 2(Zone 2)为近距离非溢价区(Nearby non-surge zone),区域 3(Zone 3)为运力紧缺的溢价区(Surge zone)。博弈包含两个连续的时间阶段,记为 。
**随机乘客需求分布函数 **:在第 1 阶段开始时,各区域 的乘客打车请求数(即随机需求)记为随机变量 ,服从区间 上的独立同分布连续均匀分布,即 ,其概率密度函数为 (当 ),无条件期望需求为 。第 1 阶段需求实现值记为 ;由于第 1 阶段与第 2 阶段在时间上紧密相邻,模型设定第 2 阶段各区域的需求保持不变,仍为 。
**初始司机运力空间分布函数 **:在第 1 阶段开始前,系统内共有 名独立司机(足以覆盖三个区域的最大可能总需求 ),但空间分布极不均衡。区域 1、区域 2 和区域 3 的初始司机供给量函数分别为:
其中参数 为空间供给异质性参数(Spatial Supply Heterogeneity Parameter),用于度量非溢价区之间初始运力的集中程度:当 时,区域 1 和区域 2 的初始司机数相等,均为 ;当 时,更多的初始运力集中在距离溢价区较远的区域 1(例如实验设定 时,区域 1 有 名司机,区域 2 有 名司机);当 时,更多的初始运力集中在距离溢价区较近的区域 2。注意无论 如何实现,由于 且 ,区域 1 和区域 2 初始时刻必然处于运力过剩(非溢价)状态,而区域 3()初始时刻必然处于运力短缺(溢价)状态。
**跨区转移成本参数 与基础服务收益 **:区域 1 司机跨区移动至区域 3 需承担确定性的转移成本 ,区域 2 司机移动至区域 3 需承担转移成本 。模型假设区域 1 与区域 2 之间的转移成本极高,因此司机只会在“留守原区域”与“移动至区域 3”之间做二元选择。每次完成基础订单的标准报酬为 ,且满足如下参数排序约束:
该不等式表明:远区转移成本高于近区转移成本(),且跨区转移成本不超过单次基础服务报酬(),从而保证跨区调度在经济上具有潜在可行性。
3.2 阶段末有效供给函数与平台动态定价收益函数
在信息共享机制 (分别代表 Surge、Full、Local 机制)下,记区域 1 和区域 2 选择在第 1 阶段跨区转移至区域 3 的司机比例函数分别为 和 。由于跨区行驶耗费整个第 1 阶段的时间,选择转移的司机在第 1 阶段无法在任何区域接单,直到第 2 阶段才抵达区域 3 并参与匹配;而选择留守的司机在第 1 阶段和第 2 阶段均留在原区域参与匹配。
**阶段末有效司机供给函数 **:记 为阶段 结束时在区域 可供服务乘客的司机总数,其函数表达式分别为:
供需错配量函数(Demand-Supply Mismatch):平台定义的区域供需错配量为“该区域实时需求减去当前可用司机数”,即 。由于初始供给 是所有司机的共同知识(Common Knowledge),平台一旦向司机披露某区域 的初始供需错配量 ,司机即可完全准确地反推出该区域的真实需求实现值 。
**司机单阶段收益函数 **:平台在所有信息机制下实施统一的动态溢价定价(Surge Pricing)规则。在阶段 处于区域 的一名可用司机,其单阶段期望总收益函数取决于该区域实时需求 与可用司机数 的相对大小:
(1)**非溢价状态(Non-Surging State,当 时)**:区域内运力充足(供大于求或供需平衡)。此时每名司机被随机分配到乘客订单的概率为 ,完成订单获得固定基础报酬 ;以概率 未分到订单,收益为 。因此,司机在该阶段获得的期望收益为 。
(2)**溢价状态(Surging State,当 时)**:区域内运力短缺(供不应求)。此时每名可用司机以概率 ()分到订单,且平台启动动态溢价,溢价倍数(Surge Multiplier)设定为供需比 。因此,司机完成该订单获得的确定性溢价收益同样为 。
由此可见,无论区域 在阶段 是否处于溢价状态,只要有效供给 ,处于该区域的单名司机的单阶段期望毛收益函数均可统一表示为简洁的连续形式:
3.3 三种机制下的均衡无差异方程与显式解函数(式 1 至式 13)
在非对称纯策略均衡(Asymmetric Pure Strategy Equilibrium)中,每名司机根据自己接收到的信息集 选择“留守原区域 ”或“转移至区域 3”。若选择留守,司机在第 1 阶段和第 2 阶段均在原区域 接单,两阶段累计期望净收益为 (无需支付转移成本);若选择转移,司机在第 1 阶段支付转移成本 在途行驶,仅在第 2 阶段抵达区域 3 接单,两阶段累计期望净收益为 。将两阶段收益同时除以基础报酬 并代入均匀分布期望后,即可得到论文中式 (1) 至式 (13) 的核心均衡方程:
(1)溢价信息共享(Surge Information Sharing)下的均衡函数(式 1–式 4)
在 Surge 机制下,所有司机在第 1 阶段初仅观测到区域 3 的需求 ,但无法观测到非溢价区 1 和 2 的实时需求 。由于司机仅知 ,其对原区域单阶段需求的条件期望为 ,因此留守原区域两阶段的累计期望收益为 (对区域 1)以及 (对区域 2)。将等式两边同除以基础报酬 ,即得到区域 1 和区域 2 司机在内部均衡时的归一化期望净收益无差异方程(对应论文式 3 和式 4):
在上述方程中,等号左边代表司机留守原区域(Zone 1 或 Zone 2)两阶段的归一化期望总收益(随留守人数比例 减少而递增),等号右边第一项 代表转移至区域 3 在第 2 阶段获得的归一化溢价收益(随总转移人数增加而递减),第二项 代表归一化跨区转移成本。
当远区转移成本很高()导致区域 1 无人转移()时,将 代入式 (4) 可化简为关于 的一元二次方程,求根后得到区域 2 司机均衡转移比例的显式解析函数(对应论文式 1):
同理,当远区转移成本很低()且区域 1 初始司机充裕,使得仅有区域 1 司机转移而区域 2 司机全部留守()时,将 代入式 (3) 求根即得到区域 1 司机均衡转移比例的显式解析函数(对应论文式 2):
(2)完全信息共享(Full Information Sharing)下的均衡函数(式 5–式 8)
在 Full 机制下,所有司机在第 1 阶段初精确观测到全部三个区域的实时需求 。此时,司机不再使用均匀分布均值 估计原区域需求,而是直接基于真实的 和 计算留守两阶段的收益: 和 。同除以 后,得到两区域同时转移时的完全信息均衡无差异方程组(对应论文式 7 和式 8):
当 (仅区域 2 司机转移,)时,由式 (8) 解得区域 2 均衡转移比例函数(对应论文式 5);当 (仅区域 1 司机转移,)时,由式 (7) 解得区域 1 均衡转移比例函数(对应论文式 6):
(3)局部信息共享(Local Information Sharing)下的均衡函数(式 9–式 13)
在 Local 机制下,唯有距离较近的区域 2 司机能观测到溢价区需求 ,故其转移比例 是 的函数;而距离较远的区域 1 司机收不到任何实时信息,其均衡转移比例 是一个**与 无关的常数**。
当 时,远区司机完全不转移(),近区司机的转移比例函数 与 Surge 机制下的式 (1) 形式完全一致(对应论文式 9):
当 时,近区司机对任意 均不转移(),远区司机基于 求解无差异条件 ,求根得到常数转移比例(对应论文式 10):
当 时,远区司机以固定正比例 移动,这意味着区域 3 即使需求很低,也已经有了 名远区司机保底涌入!因此,知情的近区(Zone 2)司机只有在区域 3 的实际需求 超过某一**临界激活阈值 ** 时才会出手转移(当 时 )。该临界阈值函数 、近区司机的条件无差异方程以及远区司机对 取期望的无差异方程分别由式 (11)、式 (12) 和式 (13) 给出:
3.4 平台期望匹配效率函数(式 14)
遵循平台运营文献的标准定义(如 Özkan and Ward 2020, Jiang et al. 2021, Banerjee et al. 2022),作者将平台的期望匹配效率(Expected Matching Efficiency)定义为第 2 阶段全系统三个区域内被成功服务的乘客总数占总需求数的期望比例(因为第 1 阶段区域 3 无任何初始运力,任何机制都只能在司机跨区重定位完成后的第 2 阶段满足区域 3 的溢价需求):
函数各项解释:在式 (14) 中, 表示所采用的空间信息共享机制;分子第一项 表示区域 1 在第 2 阶段实际成交的订单数(等于区域 1 乘客需求 与留守司机数 两者的较小值);分子第二项 表示区域 2 实际成交的订单数;分子第三项 表示溢价区(Zone 3)在汇集了来自区域 1 和区域 2 的转移司机后实际成交的订单数;分母 为三个区域的总乘客需求;外层期望算子 是对独立均匀分布随机变量 的联合分布求取数学期望。
3.5 实验检验的计量回归模型函数(式 15–式 17 与 Logit 模型)
在第 6 节分析实验室实验数据时,为了控制实验轮次(时间学习趋势)与个体异质性,作者构建了以下四个核心计量回归模型:
匹配效率的实验值与理论预测偏差回归函数(式 15):用于检验 Hypothesis 1(实验匹配效率是否等于理论预测值):
其中因变量 表示在处理组 、实验第 轮、区域范围 (分别代表溢价区 Zone 3、非溢价区 Zone 1+2、以及全系统 Overall)下,实验观测匹配效率减去理论预测匹配效率的差值; 和 分别为 Surge 处理组和 Local 处理组的虚拟变量(以 Full 处理组为基准组); 为连续轮次变量(控制经验学习效应); 为零均值正态随机误差项。
跨机制实验匹配效率直接对比回归函数(式 16):用于检验 Hypothesis 2(横向比较三种机制在实验中的实际效率高低,因变量 直接取实验观测匹配效率,自变量定义与式 15 完全相同):
司机个体转移概率偏差的随机效应面板回归函数(式 17):用于检验人类司机的实际跨区移动频率是否偏离理性均衡概率:
其中 为处于初始区域 的司机被试 在第 轮的真实二元转移决策(选择移动至区域 3 则 ,选择留守则 ); 为给定第 轮需求实现值下的理论预测转移概率; 为捕捉司机个体固有偏好的个体随机效应项(Individual-specific random effect); 为特质误差项。
信息披露内容对司机转移决策影响的个体随机效应 Logit 回归函数(Table 5 模型):因变量为司机选择跨区转移的对数几率 ,自变量为司机在该机制下可观测到的实时需求变量()及轮次 ,并包含个体随机效应。
3.6 行为均衡模型与极大似然估计负对数似然函数(式 18)
在第 7 节构建行为模型时,作者引入了两个核心行为参数,并对均衡方程与样本似然函数进行了结构化建模:
**心理账户与损失厌恶效用修正函数(参数 )**:由于司机在第 1 阶段先支出确定性的转移成本 ,在第 2 阶段才获得匹配报酬,司机在心理账户中将转移成本视为直接损失,并乘以损失厌恶系数(Loss Aversion Parameter) 。因此,行为模型中司机的跨区转移负效用由 变为 (当 时退化为完全理性模型)。将式 (1)–式 (13) 中的所有转移成本项 替换为 ,即可求得损失厌恶行为均衡下区域 1 和区域 2 司机的理论转移概率函数 和 ,其中 和 表示平台在第 轮向相应司机共享的信息集。
二元决策的伯努利概率质量函数(Bernoulli PMF):记区域 1 司机 在第 轮的二元决策为 ,区域 2 司机 在第 轮的二元决策为 。在纯损失厌恶均衡下,其各自的概率质量函数分别为:
**融合决策误差的混合概率与总负对数似然函数 (式 18):引入决策误差参数(Decision Error Parameter)** ,表示司机以概率 按照损失厌恶行为均衡概率做决策,以概率 发生随机决策失误(即以 的等概率随机选择留守或转移)。因此在第 轮观测到 和 的实际似然概率分别为 和 。对全部 轮实验、区域 1 的 名被试和区域 2 的 名被试求联合概率并取负对数,即得到待最小化的总负对数似然函数(Total Negative Log-Likelihood Function):
四、命题、推论(观测结论)与假设的通俗解释及举例说明
本节严格按照要求,省略繁琐的数学证明过程,重点针对论文中的每一个命题(Propositions 1–3 及附录边界命题 Propositions 4–7)、每一个推论/观测结论(Observations 1–2)以及实验检验假设(Hypotheses 1–2),结合网约车/即时配送的鲜活场景与具体数值算例,深入浅出地解释其经济学含义与内在逻辑。
4.1 命题 1(Proposition 1):溢价信息共享(Surge)下的均衡结构
Proposition 1 核心结论概要(Surge Information Sharing) 在溢价信息共享机制下(平台向全体司机仅公开区域 3 的实时需求 ),存在关于区域 1 转移成本的两个临界阈值 和 ,使得: • Proposition 1(a) [仅近区司机转移均衡]:当且仅当 时,区域 1(远区)司机全部留守(),仅有区域 2(近区)的部分司机按式 (1) 的比例 转移至区域 3。 • Proposition 1(b) [仅远区司机转移均衡]:当且仅当 时,区域 2(近区)司机全部留守(),仅有区域 1(远区)的部分司机按式 (2) 的比例 转移至区域 3。 • Proposition 1(c) [远近两区司机共同转移均衡]:当 时,存在唯一均衡,区域 1 和区域 2 均有部分司机转移至区域 3( 且 ),且满足无差异方程组式 (3) 和式 (4)。 • Proposition 1(d) [仅远区转移均衡的存在条件]:阈值 当且仅当 。这意味着只有当远区(Zone 1)的初始司机数量显著多于近区(Zone 2)时,Proposition 1(b) 的“仅远区司机转移”均衡才可能出现;若 ,由于按定义 ,该均衡区间自动消失。 |
|---|
【通俗解释与具体算例说明】:想象一座城市有三个片区:Zone 3 是市中心CBD(晚高峰突然爆发打车需求 ,但当前空车为 ),Zone 2 是紧邻CBD的近郊区(进城油费+时间成本较低,设为 元),Zone 1 是远郊大学城(进城油费+时间成本为 ,基础车费 元,各区最大需求参数 )。Uber 打开全局溢价热力图,所有司机都看到市中心 Zone 3 出现了 的缺口,但不知道各自所在的郊区具体有多少乘客(只知道郊区平均需求是 )。此时会出现三种情况:
**情境 A(对应 Proposition 1a:远郊进城太贵,)**:假设远郊进城要过收费高速,成本高达 元(高于阈值 )。此时远郊(Zone 1)司机一算账:去市中心光过路费和油费就要扣掉 元,哪怕分到溢价单也得不偿失,于是远郊司机 留在原地(),完全由近郊(Zone 2)司机抽调一部分人(例如 )去支援市中心。
**情境 B(对应 Proposition 1c:远郊进城成本适中,)**:假设远郊进城成本为 元(仅比近郊的 元贵一点)。此时市中心的溢价蛋糕不仅吸引近郊司机,对远郊司机也有吸引力。最终远郊和近郊都会有一部分司机开往市中心(例如远郊去 ,近郊去 ),直到两地司机“留在各自郊区等单的期望净赚”与“开去市中心抢溢价单扣除油费后的净赚”完全相等(式 3 与式 4 平衡)。
情境 C(对应 Proposition 1b & 1d:为什么会出现“近郊司机近水楼台却按兵不动,反而是远郊司机跑去支援”的反直觉现象?):直觉上,近郊司机离市中心更近(),怎么可能近郊司机一个都不去(),反倒全是远郊司机去()?Proposition 1(d) 揭晓了答案:这种情况**只有当远郊初始司机极度拥挤、而近郊初始司机非常稀少()且远郊进城成本 仅比 略高一点时才会发生**!
举例来说:设 ,这意味着远郊(Zone 1)塞满了 名司机,而近郊(Zone 2)只有 名司机,且两地平均需求都是 单。同时设远郊进城成本 元,几乎逼近近郊的 元。此时,塞在远郊的 名司机面临惨烈的本地内卷(留在远郊抢 单,人均两阶段期望只能挣 元),因此哪怕进城成本要 元,也会有大批远郊司机(比如 名)蜂拥冲向市中心 Zone 3,把市中心的溢价稀释到较低水平;而身处近郊的 名司机本来人就少,留在近郊稳稳接单两阶段就能期望净赚 元!他们虽然比远郊司机省 元油费,但看到远郊大军已经把市中心的溢价压低了,便精明地选择全部留在近郊享清福()。反之,如果远郊初始司机没有比近郊多很多(),远郊本地不那么卷,近郊司机的成本优势占主导,就绝不会出现“仅远区司机转移”的局面。
4.2 命题 2(Proposition 2):完全信息共享(Full)下的均衡结构
Proposition 2 核心结论概要(Full Information Sharing) 在完全信息共享机制下(平台向全体司机公开披露所有三个区域的实时需求 ),存在依赖于全网实时需求的临界阈值 和 ,使得: • Proposition 2(a) [仅近区司机转移均衡]:当且仅当 时,,仅区域 2 部分司机按式 (5) 转移。 • Proposition 2(b) [仅远区司机转移均衡]:当且仅当 时,,仅区域 1 部分司机按式 (6) 转移。 • Proposition 2(c) [远近两区司机共同转移均衡]:当 时,存在唯一均衡 和 ,满足无差异方程组式 (7) 和式 (8)。 |
|---|
【通俗解释与具体算例说明】:Proposition 2 的三类均衡形态与 Proposition 1 类似,但最核心的区别在于:**Full 机制下的转移阈值 和转移比例不仅取决于溢价区需求 ,还直接取决于非溢价区 1 和 2 的实时本地需求 **(如 DoorDash 的全城热力图,骑手既能看到市中心爆单,也能看到自己所在的社区是“很忙”还是“冷清”)。
算例对比(本地需求高低如何改变跨区转移):设 (区域 1 有 人,区域 2 有 人),,市中心溢价区需求固定为 。
• **场景一(本地需求极度冷清:)**:在 Surge 机制下,区域 1 和 2 的司机不知道本地只有 个订单,还以为本地有平均 个订单,因此很多人舍不得走;但在 Full 机制下,司机一眼看到本地热力图一片惨淡(),留下来大概率跑空,于是大量司机果断跨区前往区域 3!
• **场景二(本地需求非常旺盛:)**:在 Full 机制下,近郊(Zone 2)的 名司机看到本地就有 个订单(留下来两阶段几乎稳拿两单,期望收益高达 元),而去市中心还要扣掉 元油费且只有第 2 阶段能接一单。因此,在式 (5) 和式 (8) 中,高企的本地需求 大幅抬高了留守收益,导致愿意去支援市中心 Zone 3 的司机人数骤减!这也正是后文发现在低转移成本下 Full 机制理论上可能不如 Surge 机制的微观根源。
4.3 命题 3(Proposition 3):局部信息共享(Local)下的均衡结构
Proposition 3 核心结论概要(Local Information Sharing) 在局部信息共享机制下(平台仅向近区 Zone 2 司机披露区域 3 实时需求 ,远区 Zone 1 司机无任何实时信息),存在临界阈值 和 ,使得: • Proposition 3(a) [仅近区司机按实时需求转移]:当且仅当 时,远区司机完全不移动(),近区司机根据看到的 按式 (9) 比例移动(此时结果与 Surge 机制的 Proposition 1a 完全等价)。 • Proposition 3(b) [仅远区司机按固定常数比例盲移]:当且仅当 时,近区司机对任意 均不移动(),远区司机按式 (10) 给出的常数比例 移动(不随 变化)。 • Proposition 3(c) [远区常数保底转移 + 近区超阈值激活转移]:当 时,存在唯一均衡:不知情的远区司机始终以固定比例 移动;而知情的近区司机存在一个**需求激活阈值 **(式 11)——当溢价区需求较小时(),近区司机全部按兵不动();只有当溢价区需求突破阈值()时,近区司机才按式 (12) 加入转移! |
|---|
【通俗解释与具体算例说明】:Proposition 3 刻画了类似 Lyft“个人动力区”(Personal Power Zones)的有趣博弈动态。由于平台只给市中心周边的近郊(Zone 2)司机发溢价通知,远郊(Zone 1)司机完全处于“盲盒状态”。
具体算例演示 Proposition 3(c) 的“分段响应机制”:采用论文实验的参数设定:(远郊 Zone 1 有 名司机,近郊 Zone 2 有 名司机),。此时 落在 之间。
1. 远郊司机的“盲盒固定出车”:远郊的 名司机看不到今天市中心到底有几个订单,只能根据历史经验(市中心平均需求为 单)算出一个固定的转移比例 (即无论市中心今天实际需求是 单还是 单,远郊每轮固定有约 名司机盲目开往市中心,对应论文图 5 第三行左图垂直于横轴 的竖线!)。
2. **近郊司机的“看菜下饭(阈值 )”**:近郊的 名司机非常聪明,他们知道远郊已经有 名“盲盒司机”固定在往市中心开了,而且自己看得到市中心的真实需求 。代入式 (11) 计算可得临界阈值 。
• 如果今天市中心只有小幅需求(比如 ):近郊司机一看,“才 个客人,远郊那 个盲目过来的老哥就已经够分了,我再去就是纯当炮灰!”于是近郊司机一个都不去()。
• 如果今天市中心散场爆发大需求(比如 ):近郊司机一看,“有 个大单,远郊那 个人根本吃不下,溢价还很高!”于是近郊司机立刻出动一部分人()进城分一杯羹。
4.4 推论/观测结论 1 与 2(Observations 1 & 2):三种机制匹配效率的理论对比
Observation 1 & Observation 2 核心结论概要(理论匹配效率排序) • Observation 1 [全参数空间下的期望匹配效率排序规律]:(1)当空间供给异质性参数 时,三种机制的期望匹配效率随转移成本 的分区关系与图 4(b) 一致:在低转移成本区域(深灰色区),效率排序为 **Surge Full Local**();在中高转移成本区域(浅灰色区),效率排序反转为 **Full Surge Local**();当 极大而 较小时,出现 **Full Surge Local**(),而当 (图 4a)时, 的区域消失。(2)当 (近区初始运力远多于远区,图 4c)时,在右下角(高 、极低 )新增一个 **Surge Local Full**()的区域。 • Observation 2 [局部信息共享的理论劣势推论]:对于所有 (即近区初始司机供给相对有限时),局部信息共享(Local)在期望匹配效率上严格劣于(Strictly Dominated by)完全信息共享(Full)或溢价信息共享(Surge)。即使在 时,Surge 机制的表现也至少与 Local 机制一样好(弱占优)。 |
|---|
【通俗解释与具体算例说明】:Observation 1 和 Observation 2 回答了第一个核心研究问题——如果司机都是 精密计算的“完全理性经济人”,平台应该选哪种机制?我们可以通过三个直观的算例来理解其中的经济学权衡:
**算例 1:为什么在低转移成本下,完全信息(Full)反而比溢价信息(Surge)效率更低?(即 的原因)**
假设进城成本很低(),市中心(Zone 3)出现中等需求 。在 Surge 机制下,由于成本很低,只要市中心有 单需求,郊区司机按本地平均需求( 单)算账,会有充足的司机(比如 人)前往市中心,使市中心 单全部成交;同时郊区原本有 名司机留守,哪怕郊区实际需求很高(比如 ,共 单),留守的 名司机也绰绰有余(郊区成交率依然是 )!因此 Surge 机制实现了全网 匹配。
然而换成 Full 机制:当郊区需求碰巧很高()时,郊区司机看到了本地热力图也很红火,觉得留在本地稳赚不赔,结果只有 名司机愿意去市中心(少了 人),导致市中心有 名乘客打不到车!反过来,当郊区需求碰巧很低()时,Full 机制虽然能让 名司机去市中心(比 Surge 的 人多 人),但市中心本来就只有 个乘客,多去 个人也是冗余空跑(匹配上限仍是 单)!一正一反相抵:Full 机制在郊区冷清时带来的额外支援属于“锦上添花(封顶冗余)”,而在郊区繁忙时造成的支援不足却属于“雪上加霜(真实丢单)”,所以求期望后 Full 的匹配效率()反而低于 Surge()!**算例 2:为什么在高转移成本下,完全信息(Full)反超溢价信息(Surge)?(即 的原因)**
当进城成本很高(比如大雨天堵车,)时,在 Surge 机制下,郊区司机按本地平均需求 单保守估算,几乎没人愿意顶着高昂路费去市中心(比如只去 人,市中心 单丢了 单)。此时 Full 机制的价值就凸显出来了:一旦郊区实时需求很低(比如 ),Full 机制把“郊区没单”的残酷真相告诉司机,逼迫郊区司机克服高路费前往市中心(比如动员了 人去市中心,多救回 单)!在高转移成本下,原本市中心严重缺车,Full 在郊区冷清时动员出来的增量运力不再是冗余,而是实打实的成交增量,因此 Full 反超 Surge()。算例 3:为什么理性模型下局部信息(Local)总是垫底或冗余?(Observation 2 的原因)
当近郊初始运力有限(,多数司机在远郊 Zone 1)时,平台要想喂饱市中心 Zone 3,必须指望远郊 Zone 1 的庞大车队。但 Local 机制偏偏对远郊司机“封锁消息”,导致:(1)当市中心需求爆棚()时,远郊司机不知道,只按平均数派了 个人,造成市中心严重缺车;(2)当市中心几乎没需求()时,远郊司机还是傻乎乎地派了 个人过去,白白浪费运力和路费。因此,在完全理性假设下,单纯按距离远近屏蔽信息的 Local 机制百害而无一利。
4.5 补充说明:在线附录边界命题(Propositions 4–7)的含义与举例
除正文中的 Propositions 1–3 外,论文还在 Online Appendix A 中给出了四个补充命题(Propositions 4–7,见正文第 8 页与第 21 页尾注 8 的引用),用于完备化边界条件:
Propositions 4–6(Full 机制下部分区域零需求的退化均衡):当完全信息共享下出现一个或多个区域实时需求为 (例如 或 )时,留守在零需求区域的收益严格为 。举例来说,若远郊大学城放假空城(),只要市中心有哪怕一丁点需求()且预期溢价收入高于路费 ,远郊司机会大规模撤离,甚至在 很大时全部撤空()。
**Proposition 7(零转移成本极限推论 )**:当跨区转移成本趋近于 ()时,**Surge 机制在所有可能的需求场景下均能实现 的完美匹配效率,而 Full 机制在某些需求场景下仍无法完全满足区域 3 的需求(匹配效率 )**。举例来说,假设瞬间移动无成本(),在 Surge 下司机为了抹平市中心与郊区的任何微小溢价差,会自动流入市中心直至市中心供需比降为 (完全满足 );但在 Full 下,如果郊区 1 和 2 的实时需求也很高(接近 ),郊区高企的留守收益依然会拉住一部分司机,使市中心分到的运力少于 。
4.6 实验假设(Hypotheses 1 & 2):理论基准与真人实验的碰撞
Hypothesis 1 & Hypothesis 2 核心内容(Section 5.1) 在实验室实验参数设定()下: • Hypothesis 1:在每种信息共享机制下,实验观测到的全系统整体匹配效率、溢价区匹配效率以及非溢价区匹配效率均等于理性博弈理论的预测值(即表 2 理论基准:Full 整体 ,Surge 整体 ,Local 整体 )。 • Hypothesis 2(a):全系统整体匹配效率在 Surge(溢价信息共享) 下最高,其次为 Full(完全信息共享),在 Local(局部信息共享) 下最低(即 )。 • Hypothesis 2(b):溢价区(Zone 3)的匹配效率同样在 Surge 下最高,其次为 Full,在 Local 下最低。 |
|---|
【举例解释为什么实验结果推翻了 Hypothesis 1 和 Hypothesis
2a】:
在实验设定的参数下,远郊(Zone 1)初始有
名司机,近郊(Zone 2)初始只有
名司机,市中心(Zone 3)有
名司机,各区每轮需求在
到
之间均匀抽取。
• 按完全理性理论(Hypothesis 1 & 2):由于近郊只有
名司机(刚好等于近郊最大可能需求
),一旦市中心出现中等偏低的需求(比如
),理性模型预测应当由人数众多的远郊(Zone
1)派出约
名司机去市中心,而近郊(Zone 2)的
名司机应该**全部留守原地()**以防近郊本地需求高时缺车!这样非溢价区匹配率能保持
,全网效率高达
。
• 但在真人实验室实验中:当处于 Surge
机制下的近郊(Zone 2)真人被试看到屏幕弹出“市中心缺
辆车!”的高亮提示,且知道自己进城路费只要
元时,他们并没有像理论预测那样乖乖留守,而是平均每轮有
到
名近郊司机冲向了市中心(即“扎堆效应”
Flocking)!结果,市中心本来只需要
辆车,现在涌进去八九辆车(造成运力过剩浪费),而近郊原本只有
辆车,跑掉
辆后只剩
辆车;一旦近郊当轮实际需求是
单,就有
名近郊乘客打不到车!这直接导致 Surge 机制在非溢价区的匹配率从理论的
暴跌至
,全网整体效率跌至
,被
Full
机制()反超!
五、实验结果与行为模型深度解析(Experimental & Behavioral Findings)
5.1 理论预测与实验观测匹配效率对比(Table 2 & Table 3)
论文通过招募 98 名大学被试(Full 组 32 人、Surge 组 33 人、Local 组 33 人,不足 33 人部分由电脑随机策略补齐,完成 5 轮练习 + 40 轮正式决策,每阶段包含约 1 分钟的真实交通标志滑块任务以引入真实努力成本 Real Effort),获得了表 2 与表 3 的核心对比结果:
| 信息共享机制 (Treatment) | 溢价区 (Zone 3) 理论预测 vs. 实验结果 | 非溢价区 (Zone 1 & 2) 理论预测 vs. 实验结果 | 全系统整体 (Overall) 理论预测 vs. 实验结果 | 线性假设检验结论 (Experiment vs. Theory) |
|---|---|---|---|---|
| Full (完全信息共享) | vs. **** | vs. **** | vs. **** | 溢价区显著高于理论 ();整体边际高于理论 () |
| Surge (溢价信息共享) | vs. **** | vs. **** | vs. **** | 非溢价区显著低于理论 ();整体边际低于理论 () |
| Local (局部信息共享) | vs. **** | vs. **** | vs. **** | 溢价区显著高于理论 ();整体显著高于理论 () |
核心实证发现解读:
1. Hypothesis 1 被拒绝:Surge
机制的实际整体匹配效率低于理论预测(
vs.
),损失完全源于非溢价区匹配效率的显著下滑(从
降至
,);相反,Full
机制和 Local 机制的实际整体匹配效率均高于理论预测(分别提升
和
),增益源于溢价区匹配效率的大幅跃升。
2. Hypothesis 2(a) 被拒绝,Hypothesis 2(b)
仅部分成立:跨机制回归(式 16)表明,控制时间趋势后,Surge
机制在整体匹配效率上并无优势,**Full 机制的整体匹配效率边际显著高于
Surge
机制()且显著高于
Local
机制()**,而
Local 机制与 Surge 机制表现相当(双侧
)。作者在尾注
11 中指出,根据 Lyft 2023 年财报披露,匹配效率哪怕仅提升
,每周也能为平台额外增加
笔订单,带来每周
美元的直接营收增长!
5.2 司机转移行为偏差与信息敏感度分析(Table 4 & Table 5)
各区域司机实际转移频率 vs. 理论预测(Table 4):
• 在 Full 机制下,远区(Zone 1)司机转移频率略高于理论(),近区(Zone 2)司机与理论无显著差异(),全网总转移量与理性均衡高度吻合()。由于 Zone 1 初始运力高达 人(严重过剩),Zone 1 司机轻微的多移不仅丝毫不损 Zone 1 的匹配率(仍为 ),反而补足了 Zone 3 的缺口。
• 在 Surge 机制下,远区(Zone 1)司机与理论一致(),但**近区(Zone 2)司机转移频率显著高于理论预测()**,直接导致全网过度转移()和 Zone 2 运力枯竭。
• 在 Local 机制下,远区(Zone 1)和近区(Zone 2)司机的转移频率均显著高于理论预测( 和 ),其中远区司机的大幅动员有效弥补了 Zone 3 的运力短缺。司机对披露信息的策略性响应(Table 5 随机效应 Logit 回归):
在 Full 机制下,司机充分利用了全部三个区域的信息:当溢价区需求 越高时越倾向于转移(Zone 1 系数 ,Zone 2 系数 );当本区域需求越高时越倾向于留守(Zone 1 对 系数 ,Zone 2 对 系数 );更有趣的是,当另一个非溢价区的实时需求越高时,本区域司机反而更倾向于转移去溢价区(Zone 1 对 系数 ,Zone 2 对 系数 )!这证明人类司机具有显著的策略性竞争意识(Strategic Concerns)——他们意识到当隔壁非溢价区很忙时,隔壁区的司机就会留在当地接单而不会来抢溢价区,此时自己去溢价区面临的竞争更小!
5.3 行为均衡模型估计结果与机制解释(Section 7 & Table 6)
为什么在实验中会出现上述系统性偏离?作者首先排除了后悔厌恶(Regret Aversion):因为在 Surge 机制下,后悔仅在被放弃的区域发生溢价时才产生;由于 Zone 1 初始有 名司机而最大需求仅 ,Zone 1 发生溢价的概率极低,反而是 Zone 3 在第 2 阶段继续溢价的概率很高,因此后悔厌恶模型预测“过度转移应当主要来自 Zone 1 司机而非 Zone 2 司机”,这与实验事实(Zone 2 司机显著过度转移)完全相反;同时在 Local 机制下,Zone 1 司机从未收到过 Zone 3 的事后反馈,不可能产生反事实后悔。随后,作者通过极大似然估计(式 18)对比了四个嵌套模型(见表 6):
| 模型指标 / 参数 | 模型 (1) 完全理性模型 (Rational Model) | 模型 (2) 仅损失厌恶模型 (Loss Aversion Only) | 模型 (3) 仅决策误差模型 (Decision Errors Only) | 模型 (4) 完整行为模型 (Loss Aversion + Decision Errors) |
|---|---|---|---|---|
| 损失厌恶系数 | 固定为 | () | 固定为 | ** ()** |
| 决策误差参数 | 固定为 | 固定为 | () | ** ()** |
| 负对数似然值 | **** | |||
| 似然比检验 (-value) | 基准最优模型 | |||
| AIC 准则值 | **** | |||
| BIC 准则值 | **** |
行为机制的核心逻辑链条:
1.
**心理账户与损失厌恶()的非对称竞争效应**:由于跨区转移需要在第
1 阶段先付出成本
,在第
2 阶段才获得收益,司机在心理上将转移成本放大为实际值的
**
倍**(即远区司机感受到的心理转移成本高达
,近区司机为
)。在没有竞争时,损失厌恶会同时抑制所有司机的移动;但在远近两区司机同场博弈时,由于远区(Zone
1)司机的成本基数
更高,损失厌恶对远区司机的直接劝退效应远强于近区司机!近区(Zone
2)司机预期到远区司机因畏惧高额先期成本而不敢大举进城,意识到市中心(Zone
3)的竞争压力大幅减轻,从而在均衡中激发出比完全理性理论高得多的跨区转移意愿!
2.
**决策误差()与损失厌恶的交互抵消/叠加**:人类司机在复杂空间博弈中存在约
的随机决策噪声(将极端概率向
拉近)。对于远区(Zone
1)司机,损失厌恶带来的“少移倾向”与决策误差带来的“多移倾向”相互抵消,使其在
Surge 机制下的实际转移率看似接近理性水平,并在 Local
机制下将原本极低的理论转移率推高至更合理的水准;而对于近区(Zone
2)司机,竞争减弱带来的激励与决策误差同向叠加,完美解释了 Surge
和 Local 机制下近区司机的“扎堆跨区(Flocking)”现象!
六、全文结论的经济与管理启示总结(Economic & Managerial Implications)
综合本文的理论建模、受控实验与行为结构估计结论,我们可以从经济学理论层面与平台运营及公共管理实践层面提炼出以下深刻启示:
6.1 经济学层面的核心启示(Economic Implications)
启示一:空间信息设计(Spatial Information Design)中的“完全理性悖论”与“有限理性协调价值”。
在传统完全理性委托—代理与信息设计框架下,向具有自利动机的独立代理人公开全部市场状态(Full Information)可能引发“局部高收益截留效应”——当代理人发现本地市场尚有利可图时,会拒绝执行对全系统帕累托最优的跨区支援。然而,当参与人存在有限理性和认知偏差时,信息透明度的经济功能发生了根本转变:只披露局部高收益亮点的机制(如 Surge)会产生强烈的显著性偏差(Salience)与协调失灵,引发破坏性的羊群效应(Flocking);而完全信息共享(Full)通过提供完备的相对收益锚点,使代理人仅在全局供需差真正悬殊时才发生移动,从而成为一种强有力的去中心化空间协调机制(Decentralized Coordination Mechanism)。启示二:零工经济劳动供给中的跨期心理账户(Mental Accounting)与损失厌恶摩擦。
新古典劳动经济学通常假设零工劳动者仅根据净期望收益(期望收入减去直接成本)做出空间套利决策。本文证明,由于即时服务中的成本支出(空驶耗油、耗电与时间损耗,发生在前)与收益回报(抵达溢价区后的接单收入,发生在后且具有不确定性)存在时间分离,劳动者会建立独立的心理账户,对先期确定性转移成本产生高达 倍的损失厌恶痛感。这一微观行为摩擦不仅降低了远距离运力的空间供给弹性,还通过多区域均衡外部性重构了不同区位劳动者之间的竞争格局。启示三:双边市场匹配效率与城市交通负外部性(Congestion & Pollution Externalities)的社会福利权衡。
司机的跨区重定位(Relocation)是一把双刃剑:适度的转移能够消除供需错配、缩短乘客等待时间;但由不当信息机制(如单纯的 Surge 热力图)诱发的过度转移(Redundant Flocking),一方面抽空了非溢价区的基础运力、损害了非溢价区消费者剩余,另一方面产生了大量无载客空驶里程(Deadheading Miles),直接加剧了大城市的道路交通拥堵与尾气排放(Benjaafar and Hu 2020)。因此,优化平台空间信息披露机制本身就是一项零成本的绿色交通治理工具。
6.2 管理学与平台运营实践启示(Managerial & Operational Implications)
管理启示一:打破对传统“仅显示溢价区热力图(Surge Information Sharing)”的路径依赖。
目前 Uber、DiDi、Bolt 等众多出行与配送平台仍广泛采用仅高亮显示溢价区的 Surge 热力图。本文的管理学警示在于:尽管标准理性模型支持该做法,但在真实运营中,这种“报喜不报忧(只展示哪里缺车溢价、不展示其他区域日常繁忙度)”的界面设计会导致溢价区周边的司机过度流失,造成周边普通区域打车难,反而拉低平台整体的订单完成率。平台管理层应当警惕单一溢价热力图带来的“拆东墙补西墙”效应与司机端因扎堆扑空而产生的职业倦怠和不满情绪。管理启示二:优先推行“完全信息共享(Full Information Sharing)”以兼顾匹配效率与平台透明度。
实验有力证实了以 DoorDash 和 Grab 为代表的完全信息共享机制在真实人类决策环境中的优越性——它不仅实现了最高的整体订单匹配率(),有效遏制了盲目跟风空驶,而且没有损害司机的平均收入与运力利用率(论文 Online Appendix B.7 验证)。同时,向司机透明展示全城各区域的真实供需状态,高度契合当前平台经济在环境、社会与治理(如 Uber ESG Report 2023)中倡导的“收入机会透明化”管理趋势。管理启示三:科学设计“局部/个性化信息推送(Local Information Sharing)”的触发边界。
以 Lyft 的 Personal Power Zones 为代表的局部定向信息共享,在本文实验中展现出显著优于传统理论预期的实操价值(匹配率达 ,与 Surge 持平),证明通过限制获知溢价信息的司机范围确实能够缓解恶性扎堆竞争。但结合理论与实验结果,平台在部署此类私有化推荐算法时,绝不能仅凭地理距离(Proximity)一刀切,而必须将各区域的实时运力充裕度()纳入算法动态调节:当溢价区周边运力充裕时,可优先使用 Local 定向唤醒近区司机;当周边运力匮乏而远区运力淤积时,则必须扩大信息广播半径或切换为 Full 模式以动员远区运力。管理启示四:将“损失厌恶与决策误差”嵌入平台运力预测、智能派单与动态补贴算法。
平台的数据科学与定价团队在预测各区域未来运力供给(Supply Availability)及制定动态溢价(Dynamic Pricing)时,应当用包含损失厌恶()和决策误差()的行为均衡模型替代传统的完全理性模型。特别地,针对远距离运力过剩区域的司机因心理账户损失厌恶(畏惧先期空驶成本)而不愿跨区支援的痛点,平台不应仅仅依赖事后的溢价倍数分成,而可以设计“确定性前置空驶补贴 / 跨区保底调度奖(Upfront Relocation Bonus / Guaranteed Minimum Earnings)”,直接在司机的第一心理账户中冲抵先期转移成本,从而以更低的激励预算高效调动远端闲置运力。
七、参考文献(References)
以下完整列出论文原文引用的全部 57 篇参考文献(按作者姓氏字母顺序排列):
[1] Afeche P, Liu Z, Maglaras C (2023) Ride-hailing networks with strategic drivers: The impact of platform control capabilities on performance. Manufacturing Service Oper. Management 25(5):1890–1908.
[2] Bai J, So KC, Tang CS, Chen X, Wang H (2019) Coordinating supply and demand on an on-demand service platform with impatient customers. Manufacturing Service Oper. Management 21(3):556–570.
[3] Banerjee S, Freund D, Lykouris T (2022) Pricing and optimization in shared vehicle systems: An approximation framework. Oper. Res. 70(3):1783–1805.
[4] Becker-Peth M, Katok E, Thonemann UW (2013) Designing buyback contracts for irrational but predictable newsvendors. Management Sci. 59(8):1800–1816.
[5] Benjaafar S, Hu M (2020) Operations management in the age of the sharing economy: What is old and what is new? Manufacturing Service Oper. Management 22(1):93–101.
[6] Besbes O, Castro F, Lobel I (2021) Surge pricing and its spatial supply response. Management Sci. 67(3):1350–1367.
[7] Bimpikis K, Candogan O, Saban D (2019) Spatial pricing in ride-sharing networks. Oper. Res. 67(3):744–769.
[8] Bradshaw T, Lee D (2022) Is Uber’s driver shortage finally over? Accessed November 1, 2022, https://www.ft.com/content/1056a50b-84a8-4361-83f2-80eecd0fe79f.
[9] Cachon GP, Fisher M (2000) Supply chain inventory management and the value of shared information. Management Sci. 46(8):1032–1048.
[10] Cachon GP, Daniels KM, Lobel R (2017) The role of surge pricing on a service platform with self-scheduling capacity. Manufacturing Service Oper. Management 19(3):368–384.
[11] Campbell H (2016) Advice for new Uber drivers – Don’t chase the surge!. Accessed January 15, 2019, https://maximumridesharingprofits.com/advice-new-uber-drivers-dont-chase-surge/.
[12] Castillo JC, Knoepfle D, Weyl G (2017) Surge pricing solves the wild goose chase. Proc. 2017 ACM Conf. Econom. Comput. (Association for Computing Machinery, New York), 241–242.
[13] Chen Y, Hu M (2020) Pricing and matching with forward-looking buyers and sellers. Manufacturing Service Oper. Management 22(4):717–734.
[14] Chen L, Lee HL (2009) Information sharing and order variability control under a generalized demand model. Management Sci. 55(5):781–797.
[15] Chen MK, Sheldon M (2016) Dynamic pricing in a labor market: Surge pricing and flexible work on the Uber platform. EC 16:455.
[16] Chen L, Mislove A, Wilson C (2015) Peeking beneath the hood of Uber. Proc. 2015 Internet Measurement Conf. (Association for Computing Machinery, New York), 495–508.
[17] Cramer J, Krueger AB (2016) Disruptive change in the taxi business: The case of Uber. Amer. Econom. Rev. 106(5):177–182.
[18] Cui R, Allon G, Bassamboo A, Van Mieghem JA (2015) Information sharing in supply chains: An empirical and theoretical valuation. Management Sci. 61(11):2803–2824.
[19] Deliveroo (2020) How the new heatmap works. Accessed January 5, 2021, https://riders.deliveroo.co.uk/en/news/heatmap.
[20] Dholakia UM (2015) Everyone hates Uber’s surge pricing–Here’s how to fix it. Harvard Bus. Rev. (December 21), https://hbr.org/2015/12/everyone-hates-ubers-surge-pricing-heres-how-to-fix-it.
[21] Diakopoulus N (2015) How Uber surge pricing really works. Accessed February 15, 2020, https://www.washingtonpost.com/news/wonk/wp/2015/04/17/how-uber-surge-pricing-really-works/.
[22] DoorDash (2020) How to use the dash now home page. Accessed December 15, 2020, https://help.doordash.com/dashers/s/article/How-to-use-the-Dash-Now-home-page?language=en_US.
[23] Fen-Cheng S (2019) Commentary: Shortening the waiting time for your cab with a driver guidance system. Accessed December 20, 2020, https://computing.smu.edu.sg/news/2019/feb/07/commentary-shortening-waiting-time-your-cab-driver-guidance-system.
[24] Freund RJ, Wilson WJ, Sa P (2006) Regression Analysis (Elsevier, Amsterdam), 480.
[25] Gaur V, Giloni A, Seshadri S (2005) Information sharing in a supply chain under ARMA demand. Management Sci. 51(6):961–969.
[26] Gavirneni S, Kapuscinski R, Tayur S (1999) Value of information in capacitated supply chains. Management Sci. 45(1):16–24.
[27] Grab (2018) Improved demand heat map. Accessed December 15, 2020, https://www.grab.com/my/blog/driver/improved-heat-map/.
[28] Gridwise (2017) Why you should never chase surges (and what to do instead). Accessed December 15, 2020, https://gridwise.io/blog/rideshare/why-you-should-never-chase-surges-and-what-to-do-instead/.
[29] Gridwise (2018) This is how drivers feel about Uber’s new driver app. Accessed December 15, 2020, https://gridwise.io/this-is-how-drivers-feel-about-ubers-new-driver-app.
[30] Guda H, Subramanian U (2019) Your Uber is arriving: Managing on-demand workers through surge pricing, forecast communication, and worker incentives. Management Sci. 65(5):1995–2014.
[31] Gurvich I, Lariviere M, Moreno A (2019) Operations in the on-demand economy: Staffing services with self-scheduling capacity. Ming Hu, ed. Sharing Economy: Making Supply Meet Demand (Springer, Berlin), 249–278.
[32] Helling B (2023) What are Lyft power zones and how do they work? https://www.ridester.com/lyft-power-zones/.
[33] Hendriks A (2012) Sophie-software platform for human interaction experiments. Working paper, University of Osnabrück, Osnabrück.
[34] Ho TH, Zhang J (2008) Designing pricing contracts for boundedly rational customers: Does the framing of the fixed fee matter? Management Sci. 54(4):686–700.
[35] Hu M, Zhou Y (2020) Price, wage, and fixed commission in on-demand matching. Preprint, submitted August 31, https://dx.doi.org/10.2139/ssrn.2949513.
[36] Hu B, Hu M, Zhu H (2022) Surge pricing and two-sided temporal responses in ride hailing. Manufacturing Service Oper. Management 24(1):91–109.
[37] Jha SS, Cheng S-F, Lowalekar M, Wong N, Rajendram R, Varakantham P, Troung NT, BIN Abd Rahman F (2018) A driver guidance system for taxis in Singapore. AAMAS’18: Proc. 17th Internat. Conf. Autonomous Agents Multiagent Systems, vol. 15 (IFAAMAS, Stockholm, Sweden), 1820–1822.
[38] Jiang Z-Z, Kong G, Zhang Y (2021) Making the most of your regret: Workers’ relocation decisions in on-demand platforms. Manufacturing Service Oper. Management 23(3):695–713.
[39] Kahneman D, Tversky A (1979) Prospect theory: An analysis of decision under risk. Econometrica 47(2):263–291.
[40] Karacaoglu N, Moreno A, Ozkan C (2018) Strategically giving service: The effect of real-time information on service efficiency. Preprint, submitted October 3, https://dx.doi.org/10.2139/ssrn.3260035.
[41] Lee HL, Whang S (2000) Information sharing in a supply chain. Internat. J. Manufacturing Tech. Management 1(1):79–93.
[42] Lee HL, So KC, Tang CS (2000) The value of information sharing in a two-level supply chain. Management Sci. 46(5):626–643.
[43] Li L (2002) Information sharing in a supply chain with horizontal competition. Management Sci. 48(9):1196–1212.
[44] Lu A, Frazier P, Kislev O (2018) Surge pricing moves Uber’s driver partners. Preprint, submitted May 17, https://dx.doi.org/10.2139/ssrn.3180246.
[45] Lyft The Hub (2019) Find high demand with personal power zones. Accessed December 15, 2020, https://www.lyft.com/hub/posts/personal-power-zones.
[46] Nunn N (2008) The long-term effects of Africa's slave trades. Quart. J. Econom. 123(1):139–176.
[47] Ong HY, Freund D, Crapis D (2021) Driver positioning and incentive budgeting with an escrow mechanism for ride-sharing platforms. INFORMS J. Appl. Anal. 51(5):373–390.
[48] Özer Ö, Zheng Y (2016) Markdown or everyday low price? The role of behavioral motives. Management Sci. 62(2):326–346.
[49] Özkan E, Ward AR (2020) Dynamic matching for real-time ride sharing. Stochastic Systems 10(1):29–70.
[50] Taylor TA (2018) On-demand service platforms. Manufacturing Service Oper. Management 20(4):704–720.
[51] Thaler RH (1999) Mental accounting matters. J. Behav. Decision Making 12(3):183–206.
[52] Uber ESG Report (2023) Environmental, social, and governance report. Accessed April 20, 2024, https://s23.q4cdn.com/407969754/files/doc_downloads/2023/04/Uber-2023-Environmental-Social-and-Governance-Report.pdf.
[53] Wagner P (2018) Ride-hailing apps surpass regular taxis in NYC. Accessed December 20, 2020, https://www.statista.com/chart/13480/ride-hailing-apps-surpass-regular-taxis-in-nyc/.
[54] Yan C, Zhu H, Korolko N, Woodard D (2020) Dynamic pricing and matching in ride-hailing platforms. Naval Res. Logist. 67(8):705–724.
[55] Yang P, Iyer K, Frazier P (2019) Information design in spatial resource competition. Preprint, submitted September 27, https://arxiv.org/abs/1909.12723.
[56] Zeelenberg M (1999) Anticipated regret, expected feedback and behavioral decision making. J. Behav. Decision Making 12(2):93–106.
[57] Zhang Y, Donohue K, Cui TH (2016) Contract preferences and performance for the loss-averse supplier: Buyback vs. revenue sharing. Management Sci. 62(6):1734–1754.