7月17日，公共管理学术前沿讲座第71期暨清华大学国情研究院青年学者沙龙第14期举办，来自加拿大多伦多大学经济系的罗耀副教授为清华大学公共管理学院（以下简称“清华公管学院”）师生分享了前沿研究《驾驭司机:网约车中的算法分配》，讲座由清华公管学院刘生龙副教授主持，清华公管学院赵静副教授、陈济冬副教授、张鹏龙副教授、魏文池副教授，以及北京交通大学焦敬娟副教授担任点评专家。来自清华大学、北京交通大学的师生现场聆听了讲座。
罗耀作专题报告
罗耀首先以一个生动的案例引入，指出在现实生活中观察到相对于兼职司机，全职司机不仅收入更高，同时小时工资收益率也更高。由此引申出在网约车司机的劳动报酬设计方面，是否存在着这样偏好性算法，即给予全职司机相对于兼职司机更加优惠的福利待遇？如果存在着这样的偏好性算法，那么将会对全职司机福利、兼职司机福利、消费者福利和平台收入产生什么样的影响？
活动现场
为了回答上述问题，罗耀从简约式的估计出发，通过实证模型分析在网约车司机的劳动报酬中是否存在着偏向于全职司机的劳动报酬激励设计。具体来说，简约式估计中以司机的工作时长、以及是否连续工作（是否全职司机）等变量作为解释变量，以司机的小时工资率作为被解释变量进行实证估计，结果表明相对于兼职司机，全职司机的小时工资收益率存在显著提高，同时这一估计结果在使用司机家乡的天气水平作为工具变量进行回归时仍然保持稳健。在得到基本回归结果的基础上，罗耀进一步通过简约式的估计介绍了全职司机小时工资收益率提升的潜在机制，例如平台公司会分配给全职司机更多的订单数量、更低取消率和更长驾驶距离的订单以及减少全职司机的空车时间等措施。此外，他还通过控制始发地和到达地、司机的驾驶时间等变量，排除了由于司机个人经验和事先选择订单所带来的竞争性解释。
在结构式的估计中，罗耀首先利用简单的供给需求曲线展示了平台进行偏好性派单算法的成因，即为了平衡交通高峰时段和波谷时段的供给数量，平台通过给予全职司机更多的福利，能够激励全职司机在交通高峰时段更多地供给服务，通过跨期的动态劳动力供给调节实现平台企业的福利水平最大化。在此基础上，罗耀构建了动态劳动力供给模型，通过参数校准之后，对没有偏好性算法下的反事实福利情况进行了计算，结果表明在取消偏好性算法的基础上，平台和消费者福利略有下降，司机的消费者福利上升，全职司机的比例可能会下降，更多的司机将会从全职变为兼职。
陈济冬从自身经验出发，点评指出现实中经常会观察到的现象是，面对出租车打不到，只能等到网约车。这就意味着对于网约车司机来说，除了进行全职和兼职的工作选择外，也需要权衡选择是做出租车还是网约车。目前模型里似乎没有见到网约车司机转为出租车司机的情况设定，未来是否可以在允许进入和退出的框架下进一去分析个人在网约车和出租车之间的权衡。
张鹏龙则是从工具变量的选择方面，点评提出了一些建议，即对于本地人来说，这个家乡气候的工具变量可能本身与劳动力供给情况是高度相关的，同时对于本地人和外地人来说，进行全职-兼职工作选择的机会成本也不尽相同，因此建议未来模型中可以对此类异质性做进一步的探究。
赵静从公共政策的视角出发，点评指出中国现在的网约车市场特征。从国内的网约车算法来说，不同的平台本身也会定期迭代更新。像该研究中所指出的偏向性派单方式，在现实中究竟有多少公司存在，以及算法的迭代是否会纠正此类偏向性算法仍然有待进一步讨论。如果偏向性算法在大数据时代成为一种普遍的趋势，那么本研究未来具有较大的政策意义值得进一步对话探讨。
焦敬娟从实践出发，点评指出当前中国的网约车算法存在着抢单模式和派单模式两种选择。在这两种不同的模式下，全职是派单模式，兼职是抢单模式。因此，可能本研究未来仍需考虑不同派单模式、不同平台算法之间的异质性情况。
活动合影
供稿丨清华大学国情研究院