RMS：消除分析共享出行服务的可用性和动态定价障碍

文献标题

RMS: Removing Barriers to Analyze the Availability and Surge Pricing of Ridesharing Services

文献信息

• 主题领域: 共享经济、网约车服务的供应与价格动态分析
• 关键词: 网约车服务, 共享经济, Uber, 涨价, COVID-19, 短时合同经济, 可用性, 数据测量, 供需分析, 动态定价

研究背景与问题

• 发现的问题或挑战:
  • 网约车服务（如Uber和Lyft）并未公开关键的实时数据，如其可用性（供应、利用率、闲置时间及闲置距离）和动态涨价模型，这限制了学术界和监管机构对这些服务的分析和研究。
  • 现有的相关研究数据具有空间与时间上的敏感性，且主要集中在北美、个别城市以及少数服务商，普适性和复现性较差。
• 重要性:
  • 网约车服务对社会经济的影响广泛，涉及交通模式、碳排放、收入差异和交通拥堵等诸多领域。
  • 透明、实时的数据对于指导政策制定和研究全球网约车服务的广泛应用和影响具有重要价值。
• 研究动机与相关工作:
  • 先前研究利用各种方法探索了供应和涨价问题，但这些方法（如用户调查、司机体验、数据爬取等）或者规模有限，或者对特定时期和地区有效，导致缺乏普适性数据分析工具。
  • 之前的研究存在供应高估、利用率误算、新冠疫情影响数据缺失等问题。

解决方案

• 提出的方法或解决方案:

  • 提出并开发了“网约车测量套件”（Ridesharing Measurement Suite，RMS），一个开源工具，可实时收集、处理并公开网约车服务的可用性和涨价数据。
  • RMS通过调用网约车服务官网或移动应用程序的HTTPS请求，持续捕获实时数据，并经过处理后通过API和图形界面对外展示。

• 创新之处:

  1. 通用性: RMS支持多种网约车服务的数据收集和分析，且适用于世界范围内的任何城市。
  2. 位置无关性: RMS可以在不需城市特定调整的情况下部署于任何地点。
  3. 实时性: 对网约车服务进行持续的、实时的数据跟踪。
  4. 共享性: 提供公共API和数据分享机制，降低研究门槛。

• 实施步骤:

  • 数据收集：通过安卓模拟器和网络代理工具获取网约车应用的网络流量；使用算法消除数据噪声。
  • 数据处理：提取车辆位置信息，清洗和分析数据（包括去重、消除误差等操作）。
  • 数据展示：通过热力图和JSON格式的API将结果分发给用户和研究者。

• 使用的关键技术:

  • 使用Charles代理工具，以及逆向工程手段绕过SSL固定机制，解密HTTPS通信。
  • 数据分析包括统计方法（如皮尔逊相关系数）和网络可视化技术（如热力图）。

研究成果

• 具体成果:

  1. 开发了开放的实时数据收集和分享工具RMS。
  2. 构建了对全球9个国家10个网约车服务的数据收集网络，并分析了为期8周的数据（分别来自疫情之前和疫情期间）。
  3. 提供了关于供应、利用率及涨价影响的多种关键洞察，例如：
     • 疫情期间服务供应减少54%，但利用率上升6%，服务涨价频率增加5倍。
     • 网约车涨价多集中在小区域，涨价影响半径约为0.5英里。
     • 在多个城市和服务中，超过20%的司机同时为多个服务平台工作或涵盖多种服务类别。

• 与现有解决方案的对比优势:

  1. 数据普适性和透明性显著提升，可以覆盖全球范围，不局限于特定区域或单一服务。
  2. 通过API和图形化工具降低了非技术研究群体的使用门槛。
  3. 实现了大规模和高频率数据收集，使得研究结果具有更好的时间效性和可靠性。

• 实验或评估结果:

  • RMS所收集的数据揭示了疫情对网约车服务的显著冲击，并揭露了先前研究中一些供需分析的误区。
  • 例如，通过实时数据验证了涨价政策通常只重新分配现有的驾驶员供应，而不显著增加总供应。

• 局限性与未来方向:

  • 局限性:
    1. 数据收集范围局限于经济中心区域的特定小范围范围。
    2. 所获利用数据可能为上限值，缺乏真实需求的全面数据。
    3. 当前主要关注经济型车辆，尚未分析网约车型号的全面对比。
    4. 共享服务器资源有限，数据更新频率为15分钟一轮。
  • 未来方向:
    1. 在更广泛的城市区域实施跨类别、跨区域测量。
    2. 分析多因素（天气、节假日等）对网约车使用的深层影响。
    3. 与人机交互（HCI）研究人员合作，针对低收入、有障碍群体进行设计优化及评估。
    4. 增加硬件设施以提升数据更新效率和覆盖范围。

总结

这项研究通过RMS这一工具的开发和应用，显著降低了研究和分析网约车服务的门槛，并揭示了疫情和动态涨价等影响的许多新发现。研究展示了RMS的多样化应用潜力，并为未来的研究提供了宝贵的原型和平台。