2.4.1.1 Տաքսիները Նյու Յորքում

A գիտաշխատող օգտագործվում մեծ տվյալների տաքսի մետր է ուսումնասիրել որոշումների կայացման տաքսու վարորդները Նյու-Յորքում: Այս տվյալները, ինչպես նաեւ պիտանի համար այս հետազոտության.

Մեկը, օրինակ, որ պարզ իշխանության հաշվարկման ճիշտ բանը, որ գալիս է Հենրի Farber ի (2015) Ուսումնասիրության վարքագծի New York City տաքսու վարորդները. Չնայած նրան, որ այս խումբը կարող է հնչի ժառանգաբար հետաքրքիր, դա ռազմավարական հետազոտությունների համար կայքը փորձարկման երկու մրցակցող տեսությունները `աշխատանքի էկոնոմիկա. Նպատակների համար Farber հետազոտությունների, կան երկու կարեւոր առանձնահատկություններ աշխատանքի մասին միջավայրում տաքսու վարորդները: 1) իր ամենժամյա աշխատավարձը տատանվում է օր առ օր, հիմնված մասի վրա գործոնների, ինչպիսիք են եղանակի եւ 2) թիվը ժամերի նրանք աշխատում կարող է տատանվել, ամեն օր հիման վրա, վարորդ-ի որոշումների համար: Այդ հատկանիշները հանգեցնել մի հետաքրքիր հարցին միջեւ փոխհարաբերության մասին ժամային աշխատավարձի եւ ժամերի: Neoclassical մոդելները տնտեսագիտության կանխատեսել է, որ տաքսու վարորդները պետք է ավելի շատ աշխատել օր, որտեղ նրանք ունեն ավելի բարձր ամենժամյա աշխատավարձը. Այլապես, մոդելների վարքագծային տնտեսագիտության կանխատեսել, թե հակառակը: Եթե ​​վարորդները սահմանել մասնավորապես եկամուտների թիրախը-ասում $ 100 մեկ օրում, եւ աշխատել, մինչեւ որ թիրախը հանդիպել, ապա վարորդները պետք է մինչեւ վերջ աշխատում ավելի քիչ ժամեր օրերի, որ նրանք ավելի շատ վաստակել: Օրինակ, եթե դուք էին թիրախ earner, դուք կարող եք մինչեւ վերջ աշխատում 4 ժամ լավ օր ($ 25 մեկ ժամ), եւ 5 ժամ մի վատ օր ($ 20 մեկ ժամ): Այնպես որ, չեմ վարորդները աշխատել ավելի ժամ օրերին բարձր ժամային աշխատավարձի (ըստ կանխատեսումների կողմից neoclassical մոդելների) կամ ավելի ժամ օրով ցածր ժամային աշխատավարձի (ինչպես եւ կանխատեսել էր վարքային տնտեսական մոդելներ):

Պատասխանել այս հարցին Farber ձեռք բերել տվյալներ ամեն տաքսու ուղեւորության վերցված են New York City cabs 2009 թ-ից - 2013 թ., Տվյալները, որոնք այժմ հրապարակավ մատչելի . Այս տվյալները, որը հավաքագրվել է էլեկտրոնային մետր է, որ այդ քաղաքը պահանջում տաքսիների օգտագործելու-ներառում է մի քանի կտոր տեղեկատվության յուրաքանչյուր ուղեւորության: սկսել ժամանակ, սկսել տեղանքը, ավարտի ժամանակ, վերջ գտնվելու վայրը, ուղեվարձը, եւ հուշում (եթե հուշում վճարվել հետ ԿՐԵԴԻՏ քարտ). Ընդհանուր առմամբ, Farber տվյալները պարունակվում տեղեկություններ մոտ 900 միլիոն գործուղումների ձեռնարկված ընթացքում մոտ 40 մլն հերթափոխով (հերթափոխի է մոտավորապես մեկ օր աշխատանքը մեկ վարորդ): Ի դեպ, կար այնքան տվյալները, որ Farber միայն օգտագործվում է պատահական նմուշ դրա համար իր վերլուծության. Օգտագործելով այս տաքսի մետր տվյալները, Farber գտել է, որ մեծ մասը վարորդները աշխատում են ավելի օրերին, երբ աշխատավարձն ավելի բարձր է, համահունչ է neoclassical տեսության: Ի լրումն այս հիմնական հայտնաբերման, Farber կարողացավ լծակներ չափը տվյալների համար ավելի լավ հասկանալու heterogeneity եւ դինամիկայի: Farber գտել է, որ ժամանակի ընթացքում նոր վարորդները աստիճանաբար սովորել է աշխատել ավելի շատ ժամեր են բարձր աշխատավարձերի օրերի (օրինակ, նրանք սովորում են վարվել, քանի որ neoclassical մոդելները կանխատեսում է): Եվ, նոր վարորդները, ովքեր վարվում ավելի շատ նման է թիրախային earners են ավելի հավանական է հրաժարվի տաքսու վարորդ: Այս երկու ավելի նուրբ արդյունքների, որոնք օգնում են բացատրել, դիտարկված վարքագիծը ընթացիկ վարորդների, էին միայն հնարավոր է, քանի որ չափի dataset. Նրանք կլիներ անհնար է հայտնաբերել վաղ ուսումնասիրություններ, որոնք օգտագործվում են թղթի ուղեգրերը մի փոքր շարք տաքսու վարորդները ավելի կարճ ժամանակահատվածում (օրինակ, Camerer et al. (1997) ):

Farber ուսումնասիրությունը էր մոտ մեկ լավագույն դեպքում մի ուսումնասիրության, օգտագործելով մեծ տվյալների. Նախ, որ տվյալները չէին ոչ ներկայացուցիչ, քանի որ քաղաքը պահանջվում է վարորդներին օգտագործել թվային մետր: Եվ, որ տվյալները չէին թերի, քանի որ տվյալները, որոնք հավաքագրվել են քաղաքի բավականին մոտ է տվյալներ, որ Farber կլիներ հավաքված եթե նա ուներ ընտրություն (մեկը տարբերությունն այն է, որ Farber կցանկանային տվյալներ ընդհանուր աշխատավարձի-ուղեվարձի գումարած tips- բայց քաղաքը տվյալները միայն ներառված խորհուրդներ վճարված կրեդիտային քարտ): Բանալին է Farber հետազոտությունների էր համատեղելով լավ հարց է լավ տվյալների: Տվյալները միայնակ բավական չեն: