2.4.1.1 Taksioj en Novjorko

La investigador uzataj grandaj datumoj de taksio metroj studi decidado de taksiistoj en Novjorko. Tiuj datumoj estis bone taŭgas por tiu esplorado.

Unu ekzemplo de la simpla potenco de rakonti lin ĝentila devenas Henry Farber la (2015) studo de la konduto de Novjorko taksiistoj. Kvankam tiu grupo ne povus trumpeti propre interesa estas strategia esploro ejo por testado du konkurantaj teorioj en Labormerkato. Por la celoj de Farber esplorado, ekzistas du gravaj karakterizaĵoj pri la laboro medio de taksiistoj: 1) ilia hourly salajro fluktuas de tago al tago, bazita delvis sur faktoroj kiel la klimato kaj 2) la nombro de horoj ili laboras povas variadi ĉiutage bazita sur la ŝoforo decidoj. Tiuj trajtoj konduki al interesa demando pri la rilato inter hourly salajro kaj horoj laboris. Novklasikaj modeloj en ekonomiko antaŭdiri ke taksiistoj laborus pli en tagoj kie havas pli altan hourly salajro. Alternative, modeloj de konduto ekonomiko antaŭdiri ĝuste la malo. Se ŝoforoj metis apartan enspezoj blanka-diri $ 100 tage-kaj laboro ĝis tiu celo estas renkontita, tiam ŝoforoj finus laboras malpli horoj sur tempo, kiun ili gajnis pli. Ekzemple, se vi estus celo earner, vi povus fini supre laboranta 4 horoj sur festotago ($ 25 por horo) kaj 5 horoj sur malbona tago ($ 20 por horo). Do, ĉu ŝoforoj labori pli horoj tagoj kun maksimuma hourly salajro (kiel antaŭdiris la novklasika modeloj) aŭ pli horoj tagoj kun malaltaj hourly salajro (kiel antaŭvidita de kondutaj ekonomiaj modeloj)?

Respondi tiun demandon Farber akiris datumojn sur ĉiu taksio vojaĝo prenita de Novjorko taksioj de 2009 - 2013, datumoj kiuj estas nun publike haveblaj . Tiu datumo-kiu estis kolektita de elektronikaj metroj kiuj la urbo postulas taksioj uzi-inkludas plurajn pecojn de informo por ĉiu vojaĝo: starti tempo, komencu loko, fino tempo, fino lokon, vojagxo, kaj beko (se la pinto estis pagita per kreditkarto). Entute Farber datumoj enhavis informon sur proksimume 900 milionoj vojaĝoj prenitaj dum proksimume 40 milionoj ŝanĝoj (ŝanĝo estas malglate unutaga laboro por unu ŝoforo). Fakte, ekzistis tiel multe datumojn, ke Farber uzata nur hazarda specimeno de ĝi por sia analizo. Uzante ĉi Taksimetrilo datumoj, Farber trovis ke plej ŝoforoj labori pli en tagoj kiam salajroj estas pli altaj, kohera kun la novklasika teorio. Krom tiu ĉefa trovo, Farber povis utiligi la grandeco de la datumoj por pli bona kompreno de heterogeneco kaj dinamiko. Farber trovis ke la tempo pli nova ŝoforoj laŭgrade lernas labori pli horoj alte salajron tagoj (ekz, ili lernas al konduti kiel la novklasika modeloj antaŭdiras). Kaj, novaj ŝoforoj kiuj kondutas pli kiel celo earners estas pli verŝajna esi esti taksiisto. Ambaŭ tiuj pli subtilajn malkovrojn, kiuj helpas klarigi la observitan konduton de nunaj ŝoforoj, estis nur ebla pro la grandeco de la aro de datumoj. Ili estus neeblaj de detekti en antaŭaj studoj kiu uzis paperon vojaĝo tukoj el malmulto de taksiistoj super mallonga periodo de tempo (ekz Camerer et al. (1997) ).

Farber la studo estis proksima al plejbone-kazo por studo uzante grandajn datumojn. Unue, la datumoj ne estis ne-reprezentanto ĉar la urbo postulataj ŝoforoj uzi ciferecan metroj. Kaj, la datumoj ne estis nekompleta ĉar la datumoj kiuj estis kolektitaj de la urbo estis sufiĉe proksima al la datumoj kiuj Farber estus kolektita se li havis la elekton (unu diferenco estas ke Farber havus volis datumoj sur totala salajro-biletprezojn plus tips- sed la urbo datiĝas nur inkludas konsiletojn pagis per kreditkarto). La ŝlosilo al Farber esploro estis kombinante bona demando kun bona datumoj. La datumoj sole ne sufiĉas.