2.4.1.1 နယူးယောက်စီးတီးရှိမီတာတက္ကစီ

တစ်ဦးကသုတေသီ New York မှာတက္ကစီယာဉ်မောင်း၏ဆုံးဖြတ်ချက်ချမှတ်ခြင်းလေ့လာဖို့တက္ကစီမီတာကနေကြီးမားတဲ့ data တွေကိုအသုံးပြုခဲ့ပါတယ်။ ဤရွေ့ကားဒေတာဒီသုတေသနလုပ်ငန်းများအတွက်ကောင်းစွာသင့်လျော်ခဲ့သည်။

လက်ျာအရာရေတွက်၏ရိုးရှင်းသောအာဏာကိုဥပမာတစျခုဟင်နရီ Farber ရဲ့ထံမှလာ (2015) နယူးယောက်စီးတီးတက္ကစီယာဉ်မောင်း၏အမူအကျင့်၏လေ့လာမှု။ ဒီအဖွဲ့ကမူလကပင်စိတ်ဝင်စားစရာအသံမပေမဲ့သူကလုပ်အားဘောဂဗေဒနှစ်ခုယှဉ်ပြိုင်သီအိုရီစမ်းသပ်ဘို့မဟာဗျူဟာသုတေသနကိုဆိုက်ဖြစ်ပါတယ်။ Farber ရဲ့သုတေသန၏ရည်ရွယ်ချက်အဘို့, တက္ကစီယာဉ်မောင်း၏လုပျငနျးပတ်ဝန်းကျင်အကြောင်းနှစ်ခုအရေးကြီးသောအင်္ဂါရပ်တွေရှိပါတယ်: 1) သူတို့၏အလုပ်ချိန်နာရီလုပ်အားခထဲကနေနေ့က-to-နေ့မှာရာသီဥတုနှင့် 2 တူအချက်များပေါ်တွင်အစိတ်အပိုင်းတွင်အခြေစိုက်) fluctuates သူတို့အလုပ်လုပ်နာရီအရေအတွက် ကားမောင်းသူရဲ့ဆုံးဖြတ်ချက်တွေအပေါ်အခြေခံပြီးနေ့တိုင်းအတက်အကျနိုင်ပါတယ်။ ဤအင်္ဂါရပ်အလုပ်လုပ်ခဲ့အလုပ်ချိန်နာရီလုပ်အားခနှင့်နာရီအကြားဆက်ဆံရေးနှင့် ပတ်သက်. စိတ်ဝင်စားစရာကောင်းတဲ့မေးခွန်းဖို့ဦးဆောင်လမ်းပြ။ ဘောဂဗေဒအတွက် Neoclassical မော်ဒယ်များတက္ကစီယာဉ်မောင်းသူတို့ပိုမိုမြင့်မားအလုပ်ချိန်နာရီလုပ်အားခရှိသည်ဘယ်မှာရက်ပိုပြီးအလုပ်လုပ်မယ်လို့ခန့်မှန်း။ တနည်းအားဖြင့်, အမူအကျင့်ဘောဂဗေဒမှမော်ဒယ်များအတိအကျဆန့်ကျင်ဘက်ခန့်မှန်း။ ယာဉ်မောင်းနေ့နှင့်အလုပ်နှုန်းဟာအထူးသဖြင့်ဝင်ငွေပစ်မှတ်-ပွောဆို $ 100 ကိုသတ်မှတ်ထားပါကြောင်းပစ်မှတ်တွေ့ဆုံခဲ့သည်တိုင်အောင်, ထို့နောက်ယာဉ်မောင်းသူတို့ကပိုဝင်ငွေဖြစ်ကြောင်းရက်နည်းပါးလာနာရီအလုပ်လုပ်တက်အဆုံးသတ်မည်ဖြစ်သည်။ သင်တစ်ဦးပစ်မှတ်ရရှိသူဖြစ်လျှင်ဥပမာ, သငျသညျမကောင်းတဲ့နေ့က (တစ်နာရီလျှင် $ 20) ရက်နေ့တွင်အကောင်းတစ်နေ့၌ 4 နာရီ (တစ်နာရီလျှင် $ 25) နဲ့ 5 နာရီအလုပ်လုပ်တက်အဆုံးသတ်ပေလိမ့်မည်။ ဒီတော့ယာဉ်မောင်း (အမူအကျင့်, စီးပွားရေးမော်ဒယ်အားဖြင့်ခန့်မှန်းကဲ့သို့) အနိမ့်အလုပ်ချိန်နာရီလုပ်အားခနှင့်အတူရက်ပိုမိုမြင့်မားအလုပ်ချိန်နာရီလုပ်အားခ (ထို neoclassical မော်ဒယ်များအားဖြင့်ခန့်မှန်းကဲ့သို့) သို့မဟုတ်ထို့ထက် ပို. နာရီနှင့်အတူနေ့ရက်ကာလအပေါ်မှာပိုပြီးနာရီအလုပ်လုပ်သလဲ?

2013 ခုနှစ်, ယခုဖြစ်ကြောင်းဒေတာ - ဤမေးခွန်းကိုဖြေဆိုရန် Farber 2009 ခုနှစ်ကနေနယူးယောက်စီးတီး cabs အားဖြင့်ခေါ်ဆောင်သွားသည်ကိုတက္ကစီခရီးစဉ်အပေါ်ဒေတာရယူ လူသိရှင်ကြားမရရှိနိုင်ပါ ။ ဒီ data-သောမြို့ကိုစီခရီးစဉ်အတွက်သတင်းအချက်အလက်အများအပြားအပိုငျးပိုငျးကိုသုံး-လည်းပါဝင်သည်တက္ကစီလိုအပ်သည်အီလက်ထရောနစ်မီတာအားဖြင့်ကောက်ယူခဲ့သည်: အချိန်စတင်တည်နေရာ, အဆုံးအချိန်, အဆုံးတည်နေရာ, ခစတင်များနှင့်အစွန်အဖျား (ပျဉ်းတစ်ဦးနှင့်အတူပေးဆောင်ခဲ့လျှင် အကြွေးဝယ်ကဒ်)။ စုစုပေါင်းခုနှစ်, Farber ရဲ့ဒေတာ (ကပြောင်းကုန်ပြီတစ်ယာဉ်မောင်းများအတွက်အကြမ်းအားဖြင့်တနေ့ရဲ့အလုပ်ဖြစ်ပါသည်) ခန့်မှန်းခြေအားဖြင့် 40 သန်းဆိုင်းနေစဉ်အတွင်းသိမ်းယူခန့်မှန်းခြေအားဖြင့် 900 သန်းခရီးစဉ်အပေါ်သတင်းအချက်အလက်များပါရှိသော။ တကယ်တော့ဒါအများကြီးဒေတာ Farber သာမိမိအခွဲခြမ်းစိတ်ဖြာကြောင့်တစ်ဦးကိုကျပန်းနမူနာအသုံးပြုခဲ့တဲ့ရှိ၏။ ဒီတက္ကစီမီတာဒေတာကိုအသုံးပြုခြင်း, Farber အများဆုံး drivers တွေကိုလုပ်ခ, မြင့် neoclassical သီအိုရီနှင့်ကိုက်ညီသည့်အခါရက်ပိုပြီးအလုပ်လုပ်သောတွေ့ရှိခဲ့ပါတယ်။ ဒီအဓိကတွေ့ရှိချက်များအပြင်၌, Farber သောင်းပြောင်းထွေလာရောနှောခြင်းနှင့်ဒိုင်းနမစ်၏တစ်ဦးပိုမိုနားလည်များအတွက်အချက်အလက်များ၏အရွယ်အစားကိုလွှမ်းမိုးနိုင်ဖို့နိုင်ခဲ့သည်။ Farber အချိန်ကျော်အသစ်များ drivers တွေကိုတဖြည်းဖြည်း (ဥပမာ, သူတို့ neoclassical မော်ဒယ်များခန့်မှန်းထားပါတယ်အဖြစ်ပြုမူရန်သင်ယူ) မြင့်မားသောလုပ်ခရက်ပိုပြီးနာရီလုပ်ကိုင်ဖို့သင်ယူကြောင်းတွေ့ရှိခဲ့ပါတယ်။ ထိုအပိုပစ်မှတ််ငွေရရှိသူတွေလိုပဲအလုပ်လုပ်တယ်တဲ့သူအသစ်ယာဉ်မောင်းတစ်ဦးတက္ကစီမောင်းသူဖြစ်ခြင်းနုတ်ထွက်ဖို့ပိုများပါတယ်။ လက်ရှိယာဉ်မောင်းများ၏လေ့လာအပြုအမူကိုရှင်းပြကူညီသောဤပိုပြီးသိမ်မွေ့တွေ့ရှိချက်, နှစ်ယောက်စလုံးကြောင့် Datasets ၏အရွယ်အစားကိုသာဖြစ်နိုင်ချေရှိကြ၏။ သူတို့ကအချိန်ရဲ့တိုတောင်းတဲ့ကာလကျော်တက္ကစီယာဉ်မောင်းတစ်ဦးသေးငယ်တဲ့အရေအတွက်ကနေစက္ကူခရီးစဉ်စာရွက်များ (ဥပမာ, အသုံးပြုခဲ့တဲ့အစောပိုင်းကလေ့လာမှုများအတွက် detect လုပ်ဖို့မဖြစ်နိုင်ခဲ့ကြပေသည် Camerer et al. (1997) ) ။

Farber ရဲ့လေ့လာမှုကြီးတွေဒေတာကို အသုံးပြု. လေ့လာမှုတစ်ခုအဘို့အကောင်းဆုံး-ကိစ္စတွင်နီးစပ်ခဲ့သည်။ မြို့တော်ကိုဒစ်ဂျစ်တယ်မီတာသုံးစွဲဖို့ drivers တွေကိုလိုအပ်သောကြောင့်, ပထမ, ဒေတာမဟုတ်တဲ့ကိုယ်စားလှယ်မဟုတ်ကြ။ သူကရှေးခယျြမှုရှိခဲ့လျှင်မြို့အနားမှာစုဆောင်းကောက်ယူခဲ့ကွောငျးကိုဒေတာ (Farber စုဆောင်းခဲ့ကြလိမ့်မယ်လို့ကိုဒေတာမှတော်တော်နီးစပ်ခဲ့တယောက်ခြားနားချက် Farber စုစုပေါင်းလုပ်ခ-ကိုပုံမှန်အတိုင်းအပေါ်ဒေတာလိုခငျြပေါင်း tips- ခဲ့ကြလိမ့်မယ်လို့စျသောကွောငျ့, ထိုဒေတာမပြည့်စုံကြဘူး ဒါပေမယ့်မြို့ဒေတာသာ) ခရက်ဒစ်ကဒ်အားဖြင့်ပေးဆောင်အကြံပေးချက်များပါဝင်သည်။ Farber ရဲ့သုတေသနဖို့အဓိကသော့ချက်ကောင်းသောဒေတာနဲ့ကောငျးတဲ့မေးခွန်းပေါင်းစပ်ပြီးခဲ့သည်။ တယောက်တည်းအဆိုပါဒေတာလုံလောက်မဟုတ်။