Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx

Daftar isi tersedia di ScienceDirect

Ilmu Perencanaan Sosial Ekonomi

beranda jurnal: www.elsevier.com/locate/seps

Ketidaksesuaian antara kesejahteraan sosial dan profesional bisnisfi

Maksimalisasi: Kasus pengemudi taksi New York' sistem insentif
Andrew S. ManikasSebuah,∗, James R. Kroesb, Thomas F. Gattikerb
SebuahUniversity of Louisville, Departemen Manajemen, Sekolah Tinggi Bisnis, Louisville, KY, 40292, AS
b Boise State University, Sekolah Tinggi Bisnis dan Ekonomi, 1910 University Drive, Boise, ID, 83725, AS

ARTICLEINFO ABSTRAK

Kata kunci: Tujuan keberlanjutan usaha effUpaya umumnya mencakup peningkatan keamanan konsumen, penurunan konsumsi sumber daya, dan
Data digital penurunan polusi. Meskipun ada kepentingan masyarakat untuk mencapai tujuan ini, bisnis dan pelaku ekonomi lainnya sering
Taksi beroperasi di bawah struktur insentif yang bertentangan dengan tujuan tersebut. Pengemudi taksi beroperasi sebagai orang mandiri
Kota New York
ekonomi. Pendapatan mereka tergantung pada tarif dan tip mereka. Apalagi mereka memilih berapa jam untuk bekerja, seberapa cepat
Penyelarasan kebijakan
berkendara, dan rute mana yang harus diambil. Dengan menggunakan data taksi Kota New York dari tahun 2013, kami menguji tingkat
Keamanan publik
keselarasan antara perilaku memaksimalkan pendapatan dari pengemudi versus keselamatan, konservasi, dan hasil terkait polusi yang
dihargai oleh para pemangku kepentingan. Kitafidan ketidakselarasan substansial-yaitu, untuk memaksimalkan pendapatan, pengemudi
mengambil alihffirute yang efisien dan melebihi batas kecepatan sehingga menurunkan keselamatan, meningkatkan konsumsi bahan
bakar, dan meningkatkan polusi udara. Berdasarkan hasil empiris ini, kami menyarankan metode untuk menyelaraskan tujuan
masyarakat dengan tujuan memaksimalkan pendapatan pengemudi taksi.

1. Perkenalan 2. Tinjauan pustaka

Sasaran keberlanjutan di tingkat bisnis dan masyarakat sering kali mencakup
peningkatan keselamatan konsumen, penurunan konsumsi sumber daya, dan
penurunan polusi. Namun, bisnis dan pelaku ekonomi lainnya sering beroperasi
di bawah struktur insentif yang bertentangan dengan tujuan ini. Ini memaksa
trade-offs - sering kali trade-o yang tidak diinginkanffs - antara
keberlanjutan ekonomi dan keberlanjutan sosial / lingkungan.
Sopir taksi itu rasional, profesionalfit mencari pelaku ekonomi. Mereka memiliki keleluasaan
yang tinggi dalam mengambil keputusan seperti berapa lama harus bekerja, rute apa yang
digunakan untuk setiap ongkos, dan seberapa cepat mengemudi. Keputusan ini affect pro setiap
pengemudifits. Keputusan ini juga affect jejak keberlanjutan setiap pengemudi - termasuk faktor-
faktor seperti risiko keselamatan, konsumsi sumber daya, pembentukan polusi, dan hasil sosial
dan lingkungan lainnya. Kami menggunakan data yang dikumpulkan dari taksi Kota New Yorkfl
eet untuk mengeksplorasi tingkat keselarasan antara pengemudi profit hasil dan hasil yang
terkait dengan keberlanjutan. Seperti yang kami laporkan di bawah ini, kamifidan
ketidakselarasan substansial antara hasil ini - yaitu,
untuk memaksimalkan pendapatan, pengemudi mengambil alihffirute yang efisien dan sering
melebihi batas kecepatan sehingga menurunkan keselamatan, sekaligus meningkatkan
konsumsi bahan bakar dan polusi udara. Berdasarkan hasil empiris ini, kami menyarankan
metode untuk menyelaraskan tujuan masyarakat dengan tujuan memaksimalkan pendapatan
pengemudi taksi.
Ekonom telah sering memeriksa apakah individu itu rasional dan profit
memaksimalkan. Dalam makalah penting mereka tentang perilaku pengemudi taksi
New York, Camerer et al. [1] identified bahwa pengemudi taksi beroperasi sebagai
pekerja ekonomi mandiri. Pengemudi memilih berapa lama berkendara, dan mereka
menyimpan ongkos dan tip sebagai pendapatan mereka. Perilaku pengemudi harus
memberikan pemahaman yang baik tentang perilaku rasional. Camerer dkk. [1] juga
menyarankan agar pengemudi memiliki titik setel uang yang ingin mereka hasilkan
setiap hari. Begitu mereka mencapai titik setel itu, pengemudi akan berhenti bekerja. Ini
menjelaskan mengapa pada hari-hari hujan, ketika permintaan akan layanan mereka
tinggi, sulit bagi pelanggan untuk melakukannyafimenemukan taksi yang tersedia. Alih-
alih bekerja lebih lama pada hari-hari di mana permintaan tinggi dan uang tambahan
dapat diperoleh dengan mudah, para pengemudi berhenti bekerja ketika mereka
mencapai titik setel pendapatan mereka. Karya ini dibantah oleh Farber [2] yang
menemukan bahwa pengemudi biasanya berhenti ketika mereka lelah, biasanya setelah
12 jam pada shift. Selain itu, Farber [3] menyimpulkan bahwa kondisi berhenti untuk
shift pengemudi sangat terkait dengan jam kerja, dan jika titik setel pendapatan yang
diperoleh terkait dengan probabilitas pengemudi untuk berhenti, titik setel tersebut
berubah setiap hari. Gagasan bahwa kriteria pemberhentian pengemudi taksi
didasarkan pada jam kerja daripada pendapatan yang diperoleh adalah penipuanfirmed
di Crawford dan Meng [4]. Farber [5] menemukan bahwa pengemudi cenderung belajar
cara menghasilkan lebih banyak pendapatan per jam karena mereka mendapatkan
pengalaman mengemudi selama beberapa tahun. Sepertinya lebih mungkin begitu

∗ Penulis yang sesuai.

Alamat email: andrew.manikas@louisville.edu (AS Manikas), jimkroes@boisestate.edu (JR Kroes), tomgattiker@boisestate.edu (TF Gattiker).

https://doi.org/10.1016/j.seps.2018.08.001
Diterima 13 September 2017; Diterima dalam bentuk revisi 1 Agustus 2018; Diterima 3 Agustus 2018
0038-0121 / © 2018 Elsevier Ltd. Semua hak dilindungi undang-undang.

Silakan mengutip artikel ini sebagai: Manikas, AS, Ilmu Perencanaan Sosial-Ekonomi (2018), https://doi.org/10.1016/j.seps.2018.08.001
AS Manikas dkk. Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx

karena jumlah taksi yang diizinkan di New York terbatas (melalui medali), peningkatan
permintaan taksi dalam hujan tidak terpenuhi karena kapasitas taksi tidak flfleksibel.
Selain itu, terlalu banyak taksi akan membuat karir tidak menarik karena pada cuaca dan
waktu normal, akan sangat sulitffikultus bagi setiap pengemudi untuk mencari nafkah.
Karena setiap pengemudi pada umumnya bekerja sampai lelah, pendapatan yang
diperoleh kembaliflEfektif dari seorang profesionalfit memaksimalkan ekonomi individu.
Dengan berfokus pada pendapatan (ongkos dan tip) per ongkos, jumlah jam kerja
sebelum pengemudi berhenti pada hari itu tidak bolehffect hasil belajar kita di sini. Oleh
karena itu, kerangka sampel kami adalah tarif individu (perjalanan) dan bukan
keseluruhan shift seperti yang dilakukan dalam penelitian sebelumnya.

Di New York City, supir taksi membayar a fldengan bayaran untuk menggunakan taksi, dan kemudian

menyimpan pendapatan dan tip. Semua hal lainnya sama, persentase tip yang lebih tinggi berarti lebih

banyak pendapatan bagi pengemudi untuk tarif tertentu. Dalam studi mereka tentang pemberian tip,

Haggag dan Paci [6] menggunakan layar pembayaran yang menyarankan tip default (dalam berbagai

jumlah). Mereka menemukan bahwa pengaturan tip default (meskipun tombol untuk“jumlah lain” tersedia)

membuat orang memberi tip lebih sedikit. Tampaknya pelanggan tidak menyukai
saran default dan akan memberi tip berdasarkan faktor lain, termasuk persepsi
bahwa pengemudi memenuhi kebutuhan transportasi mereka. Di New York City,
meteran taksi menentukan tarif melalui kombinasi pengukuran waktu dan jarak.
Tarif kota standar (Kode Tarif 1) mengenakan biaya $ 2,50 kepada pelangganfl
dengan biaya masuk saat masuk serta biaya $ 0,50 per unit tambahan. Satuan
adalah defiDapat berupa (i) interval 60 detik saat mobil diam atau mengemudi
kurang dari 6 mil per jam atau (ii) 0,20 mil saat mobil melaju 6 mil per jam atau
lebih cepat. Selain itu, ada biaya tambahan, yang ditangkap dalam kumpulan
data; specifidihabiskan; 1) biaya tambahan malam sebesar $ 0,50 antara pukul
20:00 dan 6:00, 2) biaya tambahan hari kerja pada jam sibuk sebesar $ 1,00 Senin
sampai Jumat antara pukul 16:00 dan 20:00, dan 3) Negara Bagian New York biaya
tambahan pajak sebesar $ .50 per perjalanan [7].

Dengan metodologi penghitungan tarif ini, pengemudi taksi mungkin memiliki

insentif untuk melebihi batas kecepatan atau mengambil rute yang lebih panjang antara
dua lokasi. Misalnya, seperti yang ditunjukkan padaGambar 1 (contoh perjalanan
dari Empire State Building hingga American Museum of Natural History), pengemudi Gambar 1. Opsi rute pengemudi taksi dari Empire State Building (bertanda A
memiliki sejumlah opsi yang tersedia atas kebijaksanaannya sendiri tentang cara bawah figambar) ke Museum Sejarah Alam Amerika (diberi tanda B di atas fi
menyelesaikan perjalanan. Jarak terpendek melalui jalan darat adalah 3,0 mil (Rute 1) - angka).
dengan asumsi perjalanan ditempuh dengan kecepatan 18 mil per jam (MPH) dan juga
dengan asumsi untuk simpli ini.fiMisalnya tidak ada waktu idle di persimpangan,
mencatat bahwa pria lebih mungkin untuk mempercepat daripada wanita (66% berbanding 61%).
dibutuhkan 10 menit (melalui jalan ke-5, memotong melalui Central Park di 79th Street
Pengemudi taksi tampaknya memiliki dorongan untuk mengebut, sementara masyarakat ingin mereka
Traverse). Demikian pula, perjalanan ini dapat memakan waktu 11 menit untuk
mengemudi dengan lebih hati-hati. Analisis kami akan melihat bagaimana pengemudi taksi dapat
menempuh jarak 3,0 mil (Rute 2) dengan memotong melalui Central Park di 65th Street
memaksimalkan pendapatan mereka, dan memaksimalkan persentase tip, pada tarif. Kami berasumsi
Traverse. Tarif untuk pengemudi akan sama, tetapi dengan memilih Rute 1, pengemudi
bahwa supir taksi adalah agen yang rasional (seperti yang dilakukan dalam studi ekonomi sebelumnya
dapat memperoleh jumlah tersebut ($ 2,50fldengan biaya + [0,50 * 5] * 3 mil = $ 10)
dengan menggunakan supir taksi), oleh karena itu supir harus menunjukkan perilaku yang konsisten
dalam 10 menit versus 11 menit. Ini akan optimal untuk pengemudi dan penumpang.
dengan menghasilkan pendapatan terbesar untuk pekerjaan mereka.ffort.
Namun, keluar dari jalan (Rute 3, yaitu inefficient routing), perjalanan bisa menjadi 3,2
mil, menambahkan 50 sen ke ongkos pengemudi. Pengemudi sekarang harus
3. Model penelitian dan analisis empiris
menempuh 19,2 MPH untuk menyelesaikan perjalanan yang sedikit lebih panjang ini
(9th Ave ke Columbus Ave) dalam 10 menit yang sama. Sebagai alternatif, pengemudi
Donovan dan Work [13] memperoleh data dari New York City Taxi and
dapat mengemudi dengan kecepatan 18 MPH pada rute jarak tempuh yang lebih jauh ini
Limousine Commission melalui permintaan Freedom of Information Law (FOIL).
dan membutuhkan waktu kurang dari 11 menit untuk tiba di tujuan. Jika penumpang
Dataset mencakup empat tahun, yang terbaru
tidak terbiasa dengan jalanan atau lalu lintasffic di kota, 10 menit dan 11 menit mungkin
2013. Kami menggunakan data tahun terakhir ini untuk studi kami di sini. Karena
keduanya cocok untuk perjalanan mereka. Namun, rute yang lebih panjang tidak
medali dan lisensi retas ditetapkan ulang setiap tahun, hanya mungkin untuk
menguntungkanfihubungi penumpang (kecuali yang signifitidak bisa traffic acara
melacak pengemudi (lisensi retasan) dan kendaraan (medali) dalam satu tahun
memblokir rute jarak tempuh yang lebih rendah).
kalender.
Batas kecepatan di New York sejak 1986 adalah 30 MPH, tetapi pada 2014
diturunkan menjadi 25 MPH di effort untuk mengurangi traffic kematian [8].
Mengebut mobil lebih mungkin menyebabkan kematian karena risiko kematian 3.1. Hipotesis
kira-kira empat kali lebih tinggi ketika pejalan kaki ditabrak pada 40 MPH
daripada pada 30 MPH [9]. Faktanya, ngebut menewaskan 9262 orang pada Di luar kecepatan 12 MPH, pengemudi menghasilkan lebih banyak uang per periode
tahun 2014 [10]. Kebut-kebutan juga menyebabkan cedera dan berdampak waktu mengemudi dengan penumpang versus duduk diam dengan penumpang karena
negatif terhadap ekonomi masyarakat. Buku Fakta Komisi Taksi & Limusin (TLC) jarak tempuh yang ditempuh dengan tarif 50 sen per 0,2 mil berkontribusi pada
2016 [11] mencatat bahwa di luar jumlah korban tewas, dampak ekonomi total pendapatan lebih dari tip - dilaporkan rata-rata 18% [14]. Jadi, dengan asumsi dia dapat
dari ngebut rata-rata sekitar $ 40,4 miliar setahun di Amerika Serikat. Lebih lanjut, mengemudi di atas rata-rata 12 MPH, ketika ada pelanggan di dalam kendaraan,
TLC Factbook merinci lebih dari 99% pengemudi taksi adalah laki-laki. Ini seorang pengemudi yang ekonomis secara rasional ingin mengemudi lebih cepat untuk
menambah kemungkinan percepatan sebagai studi pemerintah 2015 [12] menghasilkan lebih banyak pendapatan per jam.

2
AS Manikas dkk.
Perlu dicatat bahwa jika perjalanan memiliki kecepatan rata-rata kurang dari 12 MPH, maka
biaya masuk perjalanan akan berkontribusi lebih banyak pada tarif daripada jarak tempuh untuk
perjalanan di bawah ___ mil. Oleh karena itu, jika dia tidak bisa rata-rata 12 MPH, seorang
pengemudi dapat menghasilkan lebih banyak uangfilima perjalanan masing-masing satu mil,
karena setiap perjalanan baru memiliki biaya masuk $ 2,50, dibandingkan dengan satu
perjalanan sub 12 MPH filima mil. Pengemudi menghasilkan tambahan $ 10 ($ 2.50 × 4) semua
yang lain sama dengan yang dimilikifilima perjalanan satu mil dibandingkan dengan satu fitarif
lima mil. Namun, memiliki penumpang yang membayar ongkos taksi tampaknya lebih baik
daripada menurunkan merekaff dan mencari penumpang lain dan kemudian mencari lebih
banyak pelanggan tiga kali lagi untuk masing-masing membayar biaya masuk $ 2,50. Tampaknya
lebih baik memiliki penumpang yang dijamin menghasilkan pendapatan daripada risiko
mengemudi dalam keadaan kosong atau duduk diam sambil menunggu kemungkinan ongkos
berikutnya. Ini adalah strategi yang sangat dapat dieksekusi, mengingat kecepatan taksi rata-
rata (dalam data kami) lebih dari 12.
Berdasarkan pengamatan di atas, kami berharap untuk melihat bahwa mengemudi lebih
cepat pada rute tarif dikaitkan dengan lebih banyak pendapatan bagi pengemudi:
H1a. Kecepatan rute tarif berhubungan positif dengan pendapatan pengemudi
per jam.
Mengasumsikan bahwa driver adalah pelaku ekonomi yang beroperasi untuk memaksimalkan keuntungan
ekonomi individufit, kami berharap pengemudi dapat meningkatkan pendapatan mereka dengan mengemudi lebih
cepat; namun, pelanggan tidak membagikan insentif ini. Selain itu, pelanggan menghargai keselamatan - penumpang
umumnya mengasosiasikan kecepatan dengan kecerobohan dan mereka mungkin khawatir tentang cedera pada diri
mereka sendiri, orang lain, atau merusak benda mati dalam kecelakaan saat berada di dalam taksi yang melaju
kencang. Kami menyadari bahwa ketika orang-orang terlambat, mereka mungkin memprioritaskan kecepatan
daripada keselamatan, tetapi kemungkinan besar sebagian besar penumpang tidak terlambat. Oleh karena itu, kami
mengharapkan penumpang secara keseluruhan untuk mengungkapkan keinginan mereka akan keselamatan dengan
memberikan persentase yang lebih kecil dari tarif saat pengemudi taksi berjalan lebih cepat:
H1b.Kecepatan pengemudi rata-rata berhubungan negatif dengan persentase tip
pengemudi.
Seperti yang disarankan oleh H1a, pengemudi yang bisa berkendara lebih dari satu mil bisa
menghasilkan lebih banyak pendapatan. Kami define ineffiefisiensi (INEFF) sebagai jarak
perjalanan (dicatat pada meteran) dibagi dengan jarak udara garis lurus (mis.,
flying dari titik A ke titik B, tanpa harus berbelok di jalan). Skor satu akan menjadi sempurna effirute yang
efisien, dan skor yang lebih besar dari satu menunjukkan perutean yang semakin berputar. Implikasinya
adalah mengurangi mengemudi efficiently (INEFF lebih tinggi) dengan mengambil tarif pada rute yang
lebih panjang meningkatkan pendapatan karena meningkatkan mil yang dikenakan untuk tarif.
Mengambil rute yang lebih panjang adalah cara yang terdokumentasi dengan baik bagi pengemudi“rip off”
pelanggan [15].
Mengambil rute yang lebih panjang adalah strategi yang layak bagi pengemudi karena diff
erensi dalam persepsi. Rekan dan Sulaiman [16] menemukan bahwa pengemudi profesional dan
juga pengemudi non-profesional memiliki kesalahan yang cukup besar dalam perkiraan
kecepatan mengemudi dan waktu perjalanan mereka. Namun, para peneliti menentukan bahwa
perkiraan waktu yang terlalu tinggi untuk pengemudi taksi lebih kecil daripada perkiraan yang
terlalu tinggi oleh pengemudi nonprofesional. Dengan demikian penumpang mungkin melebih-
lebihkan jarak atau waktu optimal untuk sampai ke tujuan mereka, memungkinkan pengemudi
taksi yang cerdas untuk mengambil lebih sedikitffirute yang efisien
Tabel 1
Deskripsi variabel.
Nama Variabel Deskripsi
Pendapatan Efficiency (REVEFF) Jumlah tarif ditambah jumlah tip per detik dari
Tip persen (TIPPCT) perjalanan Tip Persen (TIPPCT) = jumlah tip / jumlah tarif
Kecepatan (SPEED) Dihitung sebagai jarak perjalanan / waktu perjalanan dalam detik (Mil Per Detik), lalu dikonversi ke mil per jam (MPH) Setel ke 1
Hujan hujan) untuk curah hujan ringan, sedang, atau berat, 0 untuk tidak ada curah hujan
Vendor (VENDOR) Penjual mesin pembayaran elektronik di dalam taksi (menunjukkan tarif / tip, mengambil kartu kredit, dll.): 1 =Sistem Transportasi VeriFone (VTS), atau 0
=Mobile Knowledge Systems Inc. (CMT)
Liburan Setel ke 1 untuk hari libur besar di AS, 0 jika tidak
Akhir pekan Setel ke 1 jika hari dalam seminggu untuk perjalanan tersebut, 0 jika tidak,
Jumlah penumpang (PASSCT) Jumlah penumpang yang tercatat pada tarif
Pengemudi Ineffiefisiensi (INEFFF) Jarak perjalanan / jarak udara garis lurus (flying dari titik A ke titik B, tanpa harus berbelok di jalan). Skor satu akan menjadi sempurna effirute yang efisien,
dan skor yang lebih besar dari satu menunjukkan perutean yang semakin berputar.
3
Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx
menambahkan mil dan pendapatan tarif ke total perjalanan. Dengan asumsi pengemudi tidak akan
ditangkap dan dikenakan sanksi, mengambil rute yang lebih panjang dari rute yang optimal (sedang“ineffi
cient”) adalah cara bagi pengemudi untuk memaksimalkan kesejahteraan ekonomi individu mereka. Jadi
kami berharap untuk melihat:
H2a. Sopir ineffiefisiensi dikaitkan secara positif dengan pendapatan
Sebaliknya, penumpang memiliki preferensi paling banyak effirute yang efisien dan
mereka mungkin menyadari bahwa a kurang effirute yang efisien sedang digunakan.
Beberapa penumpang mengetahui kota dan lalu lintasffic kondisi sebaik atau hampir
sebaik sopir taksi, dan dengan demikian mereka tahu kapan sopir mengambil kurang
dari effirute yang efisien. Pengendara yang bahkan kurang berpengetahuan mungkin
merasa bahwa pengemudi tidak mengambil rute yang paling langsung. Misalnya,
pengemudi mungkin melakukan banyak belokan kiri dan kanan yang tampaknya tidak
perlu. Apalagi, sebagian besar penumpang memiliki aplikasi pemetaan berkemampuan
GPS di ponsel mereka. Hal ini memungkinkan mereka untuk menarik beberapa
kesimpulan tentang rute effiefisiensi-misalnya, dengan membandingkan rute
sebenarnya dengan rute yang mendekati garis lurus, atau dengan meminta aplikasi
untuk memetakan rute tersebut. Terakhir, beberapa aplikasi memperkirakan waktu
perjalanan dari asal ke tujuan, dan penumpang dapat membandingkan waktu ini
dengan waktu perjalanan sebenarnya. Dalam kasus ini, kesimpulan penumpang tentang
apakah pengemudi mengambil hasil maksimal effiRute yang efisien tidak sempurna,
tetapi memberikan indikasi bahwa pengemudi menyimpang dari rute terbaik. Karena
pelanggan lebih suka pengemudi mengambil rute terbaik, kami berharap:
H2b. Sopir ineffiefisiensi dikaitkan secara negatif dengan persen tip
3.2. Model
Kami menggunakan regresi berganda, seperti yang dilakukan di McLay et al. [17];
untuk menguji hipotesis kami. Melihat faktor mana yang signifikanficant dalam
memprediksi respon melalui regresi berganda juga dilakukan oleh Iacocca et al. [18].
3.3. Data
Konsisten dengan studi lain misalnya Ref. [19], agar kumpulan data dapat
dikelola, kami menggunakan sampel yang dipilih secara acak sebanyak 1%
pengemudi selama 12 bulan di tahun 2013 (data NY Taxi tahun terbaru tersedia
pada awal penelitian ini). Kemudian lisensi hack tersebut (secara unik terkait
dengan driver) digunakanfiSaring semua driver lain dari data 2013. Jumlah tip
jarang dicatat jika jenis pembayarannya tunai. Oleh karena itu, kami hanya
menggunakan perjalanan pembayaran kredit yang tercatat dalam kumpulan
data. KamifiSampel akhir terdiri dari 949 pengemudi yang melakukan 262.224
perjalanan. Untuk memasukkan kemungkinan cuaca effdll, kami mengambil
cuaca setiap jam untuk New York City (weathersource.com, 2016). Kami
berasumsi bahwa cuaca yang tercatat di observatorium di Central Park pada hari
dan jam tertentu akan serupa untuk semua kota. Variabel minat dalam kumpulan
data ditampilkan diTabel 1:
3.3.1. Datafipenyaringan
Kami menggunakan data serupa fiFilter sebagai Haggag dan Paci [6] untuk meminimalkan kesalahan
entri data / penangkapan:
AS Manikas dkk.
• Kami menghapus jalan tol dan flpada perjalanan tarif (mis., ke / dari bandara).
• Kami menjatuhkan tarif duplikat di mana semua variabel sama atau
medali yang sama dan awal perjalanan identik, karena itu
bisa jadi.
• Kami menurunkan tarif di mana jenis pembayarannya “Gratis” atau
“Perselisihan”
• Kami menghapus transaksi tunai karena pembayaran tunai hampir semuanya
tidak memiliki jumlah tip yang dicatat oleh pengemudi. Pembayaran kartu kredit secara otomatis
mengumpulkan jumlah tip. 45% dari entri adalah uang tunai dan dijatuhkan karena jumlah tip
dibutuhkan untuk penelitian ini. Sebagai catatan, penelitian sebelumnya telah melihat penjangkaran
untuk meningkatkan jumlah tip pada transaksi kartu kredit [20]. Lebih lanjut, setidaknya satu artikel
berita menyatakan bahwa pengemudi mendapatkan tip yang lebih besar ketika orang menggunakan
kartu kredit, mungkin karena jumlah yang disarankan dalam Haggag et al. [20], sistem. Namun, kami
menyarankan penjelasan yang mungkin menakutkan; yaitu, pengemudi taksi mungkin kurang
melaporkan tip uang tunai di effort untuk menghindari pembayaran wajib pajak penghasilan Federal,
Jaminan Sosial, dan Medicare [21]. Mengingat bahwa lebih dari 99% transaksi tunai dalam penelitian
kami memiliki tip nol sedangkan tip kartu kredit rata-rata adalah sekitar 17,6%, tampaknya mungkin
bahwa perbedaanfference adalah kesalahan perekaman oleh pengemudi dan bukan perbedaan yang
jelasffkelompok penumpang lain yang menggunakan uang tunai versus kartu kredit. Tampaknya
pemerintah bisa saja meminta para pengemudi taksi untuk membayar pajak atas tip untuk ongkos
tunai dengan persentase yang sama
secara otomatis mencatat tip tentang tarif kartu kredit.
• Kami menurunkan tarif di mana waktu perjalanan dalam hitungan detik adalah nol seperti itu
pasti ada kesalahan data.
• Kami menurunkan tarif yang jarak perjalanannya nol karena itu pasti a
kesalahan data.
• Kami menghapus tarif jika jumlah tip negatif, yang pasti a
kesalahan data.
• Kami menurunkan tarif di mana garis lintang atau bujur tidak memungkinkan
nilai (yaitu, di luar rentang yang mungkin-90/90 dan-180/180,
masing-masing).
• Tarif apa pun yang lebih besar dari tarif terhitung maksimum yang diberikan jarak
dan waktu telah dihapus dari sampel. Tarif maksimum adalah cal-
dihitung berdasarkan semua biaya tambahan yang mungkin ditambah seluruh waktu perjalanan
sebagai waktu idle ditambah seluruh jarak tempuh sebagai unit.
Variabel utama yang digunakan dalam analisis adalah winorized pada tingkat
1% untuk lebih menghilangkan pencilan.
3.3.2. Variabel dependen
Analisis kami menguji dua model dasar, masing-masing dengan variabel dependen
yang unik:
• Itu fiModel pertama menggunakan Pendapatan Efficiency (REVEFF) sebagai
variabel terikat. REVEFF, dihitung sebagai jumlah tarif ditambah jumlah tip per
kedua perjalanan, mengukur bagaimana effEfektif seorang pengemudi sedang menghasilkan
pendapatan selama perjalanan.
• Tip Percent (TIPPCT) adalah variabel dependen dalam model kedua.
TIPPCT, diukur sebagai jumlah tip / jumlah tarif, mengukur
nilai yang dirasakan pelanggan selama perjalanan.
3.3.3. Variabel independen
Untuk menguji hipotesis kami, kami menggunakan dua variabel independen
berikut:
• Kecepatan perjalanan (SPEED) adalah kecepatan rata-rata perjalanan dalam mil per jam
(MPH).
• Sopir Inefficiency (INEFF) sama dengan jarak perjalanan / garis lurus udara
jarak (flying dari titik A ke titik B, tanpa harus berbelok di jalan). Skor satu
akan menjadi sempurna effirute yang efisien, dan skor yang lebih besar dari
satu menunjukkan perutean yang semakin berputar. Ketika memilih
penggunaan jarak udara garis lurus dalam pengukuran kami, kami
mengasumsikan bahwa, pada sampel sebesar yang ada dalam penelitian
kami (n = 262.224), rata-rata jarak udara akan sebanding dengan
4
Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx
jarak mengemudi paling langsung - terutama karena sampel kami diambil dari
perjalanan di Manhattan, yang memiliki sistem jalan raya yang sebagian besar
diatur di sekitar denah persegi panjang. Untuk membenarkan penggunaan jarak
udara garis lurus sebagai proxy jarak mengemudi, kami mengumpulkan data jarak
mengemudi jalur terpendek aktual untuk dibandingkan dengan data jarak garis
lurus yang digunakan dalam pengukuran kami. Untuk melakukan ini, kami
menggunakan Google Maps API yang memungkinkan pengguna untuk menanyakan
data jarak mengemudi yang sebenarnya menggunakan makro MS Excel (jarak
mengemudi sebenarnya dari Google Maps mempertimbangkan jalan satu arah dan
batasan lainnya.) Sayangnya, mengumpulkan data lengkap untuk kami sampel
terbukti tidak praktis karena API membatasi jumlah kueri menjadi 2.500 per hari.
Oleh karena itu, kami mengumpulkan data jarak mengemudi aktual untuk 5%
perjalanan yang digunakan dalam analisis kami,
13.112 observasi). Kami kemudian menguji korelasi antara jarak garis lurus
yang digunakan dalam penelitian kami dengan jarak mengemudi sebenarnya
yang diambil dari Google Maps. Kami menemukan bahwa kedua ukuran ini
memiliki korelasi 0,92, signifikanfitidak bisa pada level p <0,0001. Kami
percaya bahwa tingkat korelasi yang tinggi ini mendukung penggunaan jarak
udara garis lurus sebagai proksi untuk jarak tempuh terpendek di wilayah
kami.ffimengukur efisiensi.
3.3.4. Kontrol
Variabel berikut disertakan dalam model kami untuk mengontrol faktor lain
yang mungkin memengaruhi pendapatan. Effiefisiensi dan persentase tip:
• AKHIR PEKAN. Setel ke 1 untuk Sabtu dan Minggu, 0 jika tidak. Pelancong akhir pekan mungkin akan
pergiffeh dari pengguna taksi hari kerja yang mungkin lebih banyak
cenderung menjadi pebisnis yang pergi dan pulang kerja.
• LIBURAN. Setel ke 1 untuk hari libur utama AS, 0 jika tidak. Penumpang
traffic dan permintaan pelanggan pada hari libur mungkin berkurangffeh dari normal
pola.
• Jumlah penumpang (PASSCT). Jumlah penumpang tidak af-
mempengaruhi tarif berdasarkan mil atau waktu, tetapi mungkin perlu waktu lebih lama untuk memuat dan
menurunkan muatan, sehingga mengurangi jumlah tarif yang dapat diambil pengemudi per
jam. Lebih lanjut, tip mungkin lebih tinggi jika penumpang ingin membuat orang terkesima,
atau lebih rendah jika orang merasa bahwa penumpang lain harus ikut campur
lebih.
• PENJAJA. Dua vendor menyediakan sistem pembayaran taksi; 1)
VeriFone Transportation System (VTS), dan 2) Pengetahuan Seluler
Systems Inc. (CMT). Perhatikan bahwa sistem CMT lebih mudah digunakanfix jika a
penumpang ingin membayar dengan kartu kredit, tetapi pengemudi sudah
memilih uang tunai. Sebagaimana dicatat oleh TLC Kota New York [22], pada
sistem CMT terdapat tombol kembali pada Driver Information Monitor (DIM),
sedangkan pada sistem VTS, pengemudi perlu memasukkan tarif negosiasi
(Kode Tarif 5), kemudian mengizinkan penumpang untuk membayar dengan
kredit kartu. Di minor inifference dapat mengubah tip karena pelanggan
mungkin terganggu oleh kompleksitas pada sistem VTS. Bodoh
VENDOR dibuat dengan 0 untuk CMT dan 1 untuk VTS.
• Hujan hujan). Kami berharap bahwa curah hujan dapat memengaruhi beha-
viors baik pengemudi maupun penumpang. Untuk mengontrol ini mungkin
effdll, curah hujan dalam inci diperoleh dari data jam observasi Central Park [
23]. HUJAN disetel ke 1 jika ada curah hujan atau salju turun, sebaliknya 0 jika
tidak ada curah hujan.
3.3.5. Spesifikasi modelfikation
Model utama kami untuk diuji, mengingat itu saya adalah spesiesfiTarif c, adalah:
REVEFFi = β0 + β1 (WEEKENDi) + β2 (HOLIDAYi) + β3 (PASSCTi)
+ β4 (VENDORi) + β5 (SPEEDi) + β6 (RAINi) + β7 (INEFFi)
+ εsaya
TIPPCTi = β0 + β1 (WEEKENDi) + β2 (HOLIDAYi) + β3 (PASSCTi)
+ β4 (VENDORi) + β5 (SPEEDi) + β6 (RAINi) + β7 (INEFFi)
+ εsaya
AS Manikas dkk. Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx

Meja 2
Statistik variabel.
Nama Variabel Min Max
REVEFF (per detik) 0,01 0,08
TIPPCT 0,00% 60,00%
KECEPATAN (MPH) 7.76 36.25
Rata-rata Waktu Perjalanan (Menit) 9.00 33.00
Jarak Perjalanan Rata-rata (Mil) 2.47 11.51
Meja 2 mencantumkan nilai minimum, maksimum, dan rata-rata untuk
beberapa variabel yang diminati. Kecepatan rata-rata 17 MPH, dihitung sebagai
trip_distance / trip_time_in_sec (mil per detik) dan kemudian dikonversi ke mil per
jam (MPH), jauh di bawah batas kecepatan 30 MPH yang ada selama 2013.
Meskipun kecepatan rata-rata di bawah batas yang sah , dari
262.224 perjalanan dalam sampel, 11.976 (4,6%) memiliki kecepatan rata-rata
melebihi 30 MPH. Selanjutnya, 221 dari 969 (22,8%) pengemudi dalam kumpulan
data memiliki setidaknya satu tarif selama tahun tersebut dengan kecepatan rata-
rata di atas 30 MPH. Sayangnya, penentuan pasti jumlah perjalanan di mana
pengemudi melebihi batas kecepatan tidak mungkin dilakukan karena data yang
tersedia tidak berisi waktu idle, hanya total mil yang ditempuh dan total durasi
perjalanan. Oleh karena itu, meskipun jumlah pastinya tidak dapat dihitung,
jumlah perjalanan sebenarnya di mana pengemudi melebihi 30 MPH untuk
sebagian perjalanan tersebut tentu lebih besar karena perhitungan kecepatan
rata-rata tidak memperhitungkan berhenti dan waktu idle. Jika digabungkan, poin
data ini menunjukkan bahwa ngebut sebenarnya adalah masalah nyata bagi
pengemudi dan penumpang taksi New York.
4. Hasil
Hasil regresi berganda kami ditampilkan di Tabel 3. Model (1) dan
(3) adalah model dasar yang digunakan untuk menguji hipotesis kami sebagai
spesified di bagian sebelumnya. Model (2) dan (4), yang dibahas pada bagian
selanjutnya, melakukan uji interaksi post-hoc. Effminat. Model
(1) dan (2) memiliki variabel hasil pendapatan effiefisiensi (REVEFF),
dan model (3) dan (4) memiliki variabel hasil tip persen (TIPPCT). Semua model
memiliki significant nilai F-Statistic, menunjukkan bahwa masing-masing model
regresi signifikanfimemprediksi dengan cepat variabel hasil masing-masing.
Untuk memastikan bahwa multikolinearitas di antara sampel kami tidak masukfl
mempengaruhi hasil, kami menghitung varians diflSkor faktor asi (VIF) untuk
masing-masing variabel dan menemukan bahwa skor VIF berkisar antara 1.0 dan
1.09, jauh di bawah ambang batas yang direkomendasikan yaitu 10.
Dari Model 1, kami melihat ituH1a dan H1b keduanya didukung
(p <0,01); Pengemudi menghasilkan lebih banyak pendapatan dengan mengebut dan
penumpang cenderung memberikan persentase tip yang lebih rendah untuk ngebut, sehingga
kecepatan yang lebih cepat memungkinkan pengemudi untuk mengumpulkan pendapatan lebih
Berarti
cepat meskipun bagian pendapatan tip dapat dikurangi. Hasil analisis kedua kami (Model 3)
0,02 menunjukkan dukungan untuk keduanyaH2a dan H2b - mendemonstrasikan itu
17,59%
pengemudi menghasilkan lebih banyak pendapatan dengan tidak mengambil sebagian besar effirute
17.62
yang efisien dengan tarif mereka dan penumpang tampak sadar bahwa mereka sedang dikemudikan
18.57
5.44 “jauh” dan selanjutnya menurunkan persen tip mereka.
Perhatikan nilai R-kuadrat tinggi untuk pendapatan variabel hasil effiefisiensi
(Model 1 dan 2) di Tabel 3. Ini mengisyaratkan bahwa pengemudi dapat
memprediksi perkiraan pendapatan mereka per jam secara wajar berdasarkan
pada hari apa dalam seminggu, jika itu hari libur, pembayaran elektronik apa (
PENJAJA) mereka telah menginstal, cuaca (HUJAN), dan dibawah
kontrol mereka, seberapa cepat mereka mengemudi dan seberapa ine merekaffisecara
efisien mereka bepergian dengan pelanggan. Sebaliknya, model persentase tip (3 dan 4)
memiliki nilai R-squared yang jauh lebih rendah, yang menunjukkan bahwa faktor tak
terukur lainnya yang tidak termasuk dalam model kami mungkin memengaruhi
persentase tip. Persentase tip mungkin terkait dengan faktor sosial ekonomi
penumpang yang tidak tersedia dalam data tarif yang tercatat.
Mungkin saja file fibiaya tetap dari tarif dapat meningkatkan pendapatan effi
efisiensi per contoh hipotetis kami di Bagian 3.3 dimana supir
dengan five satu mil perjalanan membuat lebih dari satu sopir membuat satu five
mil perjalanan karena setiap tarif membayar a fibiaya tetap untuk masuk ke taksi. Kami
menjalankan analisis post hoc dengan REVEFF sebagai hasil di mana kami mengisolasi
perjalanan pendek (5 mil atau kurang) dan panjang (lebih dari 5 mil) dengan membuat
variabel dummy SHORT baru seperti yang ditunjukkan diTabel 4.
Sebagai Tabel 4 menunjukkan, pendapatan effiefisiensi ditingkatkan dengan pengemudi
melakukan perjalanan yang lebih pendek. Ini masuk akal karena setiap tarif baru membayar a
fibiaya tetap untuk masuk ke taksi. Seperti contoh yang dicatat di Bagian3.3, supir
dapat menghasilkan tambahan $ 10 ($ 2,50 × 4) semuanya sama dengan memiliki filima
perjalanan satu mil dibandingkan dengan satu fiperjalanan lima mil. Jika pengemudi
dapat membuat taksi tetap penuh, beberapa tarif jarak pendek dapat meningkatkan
pendapatan mereka. Effiefisiensi.
5. Diskusi
Makalah ini membahas insentif ekonomi pengemudi versus kepentingan pelanggan di effi
efisiensi dan keamanan. KitafiDan pengemudi memiliki insentif (yaitu tarif yang lebih tinggi)
untuk berkendara jarak jauh dan melakukannya dengan kecepatan tinggi. Perilaku memberi tip
penumpang menunjukkan bahwa penumpang memang mengekspresikan keinginannya untuk e
ffiefisiensi dan keamanan. Namun penumpang' tips tidak memberikan suffidisinsentif yang kuat
secara efisien untuk mencegah pengemudi mengambil rute yang lebih lama dari yang optimal
dan melakukannya pada kecepatan yang lebih tinggi.
Sebagai contoh, jika paling effirute yang efisien untuk suatu perjalanan memiliki jarak

Tabel 3
Hasil regresi dengan hasil Pendapatan Efficiency (REVEFF) dan Tip Percent (TIPPCT).

VARIABEL (1) REVEFF (2) REVEFF (3) TIPPCT (4) TIPPCT

AKHIR PEKAN 6.61e-05 *** (1.13e-05) 6.68e-05 *** (1.13e-05) -0,00297 *** (0,000282) -0,00297 *** (0,000282)
LIBURAN 0,000148 *** (2.42e-05) 0,000147 *** (2,41e-05) -0,000199 (0,000604) -0,000197 (0,000604)
PASSCT -2.58e-05 *** (3.95e-06) -2.58e-05 *** (3.94e-06) 0,000220 ** (9,87e-05) 0,000220 ** (9,87e-05)
PENJAJA -0,000155 *** (1,10e-05) -0,000154 *** (1.09e-05) -0,00460 *** (0,000274) -0,00460 *** (0,000274)
KECEPATAN 0,000698 *** (H1a) 0,000699 *** (8,75e-07) -0,000552 *** (H1b) -0,000553 *** (2.19e-05)
(8,75e-07) (2.19e-05)
HUJAN -0,000154 *** (1,42e-05) -0,000156 *** -9.42e-05 (0,000355) -8.29e-05 (0,000355)
(1.42e-05)
INEFF 0,000200 *** (H2a) 0,000375 *** (8,26e-06) -0,000380 *** (H2b) -0,000676 *** (0,000207)
(2.55e-06) (6.37e-05)
KECEPATAN x INEFF -6.07e-06 *** (2.68e-07) 1.07e-05 (6.71e-06)
HUJAN x INEFF 5.40e-05 *** (7.49e-06) -0,000272 (0,000187)
Konstan 0,00859 *** (1,85e-05) 0,00859 *** (1,84e-05) 0,189 *** 0,189 *** (0,000461)
(0,000461)
Pengamatan 262.224 262.224 262.224 262.224
F-Statistik 92.712 *** 72.319 *** 155,6 *** 121,5 ***
R-kuadrat 0.712 0.713 0,004 0,004

Kesalahan standar dalam tanda kurung.

* * * p <0,01, ** p <0,05, * p <0,1.

5
AS Manikas dkk. Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx

Tabel 4 Tabel 5
Hasil regresi dengan hasil Pendapatan Efficiency (REVEFF) untuk Analisis kecepatan post hoc.
model lengkap dari Tabel 3, tapi dengan tambahan boneka
VARIABEL (1)
variabel SHORT (1: <= 5 miles, 0:> 5 jarak tarif mil).
Kecepatan

VARIABEL (1) REVEFF

AKHIR PEKAN 0,234 *** (0,0252)
AKHIR PEKAN -7.12e-05 *** (1.08e-05) LIBURAN 1,195 *** (0,0538)
LIBURAN 2.23e-05 (2.30e-05) PASSCT -0,000635 (0,00881)
PASSCT -2.08e-05 *** (3.76e-06) PENJAJA 0,0384 (0,0244)
PENJAJA -0,000150 *** (1.04e-05) HUJAN -0,442 *** (0,0316)
KECEPATAN 0,000794 *** (1.02e-06) INEFF 0,0494 *** (0,00569)
HUJAN -0,000100 *** (1,35e-05) Konstan 17,52 *** (0,0229)
INEFF 0,000375 *** (7.88e-06) Pengamatan 262.224
PENDEK 0,00198 *** (1,23e-05) F-Statistik 152,0 ***
KECEPATAN x INEFF -6.14e-06 *** (2.56e-07) R-kuadrat 0,003
HUJAN x INEFF 5.28e-05 *** (7.15e-06)
Konstan 0,00577 *** (2,48e-05) Kesalahan standar dalam tanda kurung.
Pengamatan 262.224 * * * p <0,01, ** p <0,05, * p <0,1.
R-kuadrat 0.739

lebih cepat.
Kesalahan standar dalam tanda kurung.
Sebagai analisis post-hoc tambahan, kami memeriksa apakah kombinasi
* * * p <0,01, ** p <0,05, * p <0,1.
mendorong ineffirute yang efisien saat ngebut atau saat hujan memengaruhi
pendapatan dan tip. Untuk mengujinya, kami modified beberapa model regresi
5 mil, pada 30 MPH yang membutuhkan waktu 10 menit lengkap tanpa berhenti. Itu
asli kami untuk menyertakan interaksi antara drive ineffiefisiensi dengan
untuk tarif akan menjadi $ 2,50 fl
dengan biaya plus 5 mil * (5 unit * $ 0,50) dengan total
kecepatan dan hujan. Itufianalisis pertama, Model 3 in
biaya $ 15. Asumsikan penumpang yang bahagia memberi tip 18%, dengan total pendapatan $ 17,70.
Tabel 3, menunjukkan tandafitidak bisa berinteraksi effect kecepatan dan ineffiefisiensi
Sebaliknya, pengemudi yang tidak etis dapat membawa mereka dalam perjalanan sejauh 7 mil ke tujuan
pendapatan effiefisiensi. Coe negatiffficient menunjukkan bahwa pada tingkat
yang sama dengan menyingkir. Jika pengemudi melaju dengan kecepatan 42 MPH, perjalanan akan tetap
kecepatan dan ine yang sangat tinggiffiefisiensi, pendapatan effiefisiensi akan mulai
10 menit tanpa berhenti. Namun, sekarang tarifnya menjadi $ 2,50fldengan bayaran ditambah 7 mil * (5
menurun. Namun, seperti yang disajikan diGambar 2 (yang menunjukkan interaksi effdll
unit * $ 0,50) = $ 20. Sekalipun penumpang merasa perjalanannya berputar-putar dan tidak meninggalkan
untuk rentang kecepatan plus dan minus satu standar deviasi di sekitar kecepatan rata-
tip, perjalanan ini tetap akan menghasilkan lebih banyak pendapatan bagi pengemudi taksi dibandingkan
rata), interaksi coeffiefisiensi tidak terlalu substansial meskipun signifikan secara statistik
dengan efficontoh rute yang efisien ($ 20,00 versus $ 17,70).
ficance - yang berarti bahwa seorang pengemudi akan menghasilkan lebih banyak uang
dengan mengemudi lebih cepat dan lebih sedikit effiefisien kecuali dalam kasus yang
Selain kepentingan pengemudi dan penumpang, ada kepentingan masyarakat
paling ekstrim. Hujan dan inefficiency juga punya artifitidak bisa, tapi interaksi kecil eff
dalam keselamatan (untuk pejalan kaki, pengendara sepeda, dan properti, serta untuk
ect pada pendapatan effiefisiensi. Gambar 3
pengendara dan penumpangnya) serta minat masyarakat terhadap sumber daya.ffi
menunjukkan differences ketika ada hujan selama perjalanan, dan di mana tidak ada
efisiensi-terutama konservasi bahan bakar dan pencegahan polusi. Sayangnya, perilaku
hujan. Sekali lagi, menjadi lebih inefficient terbaik untuk pendapatan pengemudi per
memberi tip pelanggan bersama dengan batasan kecepatan dan peraturan lainnya tidak
jam. Apakah turun hujan memang memiliki tanda statistik yang signifikanfitidak bisa eff
cukup untuk menyelaraskan pengemudi taksi' perilaku dengan
ect pada pendapatan, tapi secara praktis itu adalah e kecilffdll. Terlepas dari cuacanya,
kepentingan yang lebih luas ini. Bagian penting dari struktur insentif adalah
pengemudi menghasilkan lebih banyak uang dengan mengambil rute terpanjang yang
penghitungan tarif, yang ditetapkan oleh New York City, yang memungkinkan
dapat mereka tempuh dalam banyak situasi.
pengemudi memperoleh pendapatan terbanyak dalam periode waktu tertentu dengan
mempercepat dan menerima.ffirute yang efisien. Tindakan pengaturan mungkin
6. Batasan
memperbaiki situasi. Namun, usulan pada 2014 oleh Walikota New York untuk ditutupff
meteran saat pengemudi ngebut tidak diterima dengan baik oleh supir taksi dan
Batasan penelitian kami adalah bahwa datanya hanya dari tarif taksi Kota
belum dilaksanakan [24]. Komponen lain dari proposal Walikota ini adalah
New York untuk tahun 2013. Kami tidak menggunakan data dari kota lain, tapi
membutuhkan lebih banyak pelatihan bagi pengemudi taksi yang sering
mengalami kecelakaan.
Dalam melihat hasil, adanya hujan yang termasuk sebagai kontrol memang
memiliki effect pada pendapatan effiefisiensi bagi pengemudi taksi. Melihat tarif
dengan curah hujan versus tanpa curah hujan, kami menghitung kecepatan
perjalanan rata-rata 17,0 MPH dengan curah hujan versus 17,7 MPH tanpa curah
hujan. Penurunan kecepatan ini kemungkinan besar menjadi penyebab
penurunan pendapatan. Namun, data kami tidak menunjukkan penumpang
mengubah persentase tip berdasarkan adanya curah hujan. Mereka mungkin
senang naik taksi versus berjalan di tengah hujan, tetapi tip mereka tidak berlakufl
dll ini.
Untuk menyelidiki masalah ini lebih dalam, kami melakukan analisis post-hoc dari
perilaku pengemudi untuk melihat variabel mana yang affdll. kecepatan mereka (lihat
Tabel 5). Hal tersebut menunjukkan bahwa pengemudi cenderung mengemudi lebih cepat pada
akhir pekan dan hari libur. Yang juga menarik, pengemudi mempercepat karena mereka
menjadi lebih ineffiefisien dalam perjalanan mereka. Ini masuk akal secara intuitif seperti yang
ditunjukkan pada contoh diGambar 1. Rute keluar dari jalan (lebih lanjutfficient) memberikan
lebih banyak pendapatan bagi pengemudi, tetapi penumpang cenderung tidak memperhatikan
jarak tempuh ekstra jika perjalanan memakan waktu kurang lebih sama dengan rute langsung.
Dengan demikian, strategi memaksimalkan pendapatan adalah untuk pengemudi taksi yang Gambar 2. Plot interaksi antara kecepatan dan ineffiefisiensi. Lebih banyak ineffirute

mengemudiffiefisien dan cepat. Namun, nilai R-squared yang rendah diTabel 5

yang efisien menghasilkan pendapatan yang lebih tinggi efficiency (REVEFF) terlepas dari
kecepatannya. Rendah dan Tinggi dihitung sebagai mean ± 1 std. dev untuk setiap
menunjukkan bahwa faktor lain mungkin berkontribusi pada keputusan untuk mengemudi
ukuran. Misalnya, sumbu x mencakup kecepatan 11,7-23,5 MPH.

6
AS Manikas dkk.
Gambar 3. Plot interaksi antara hujan dan ineffiefisiensi. Ine lebih tinggiffiefisiensi menghasilkan
lebih banyak pendapatan effiefisiensi bagi pengemudi. Pengemudi mengambil effirute yang
efisien, memiliki pendapatan yang lebih rendah efficiency dalam kondisi hujan tinggi
(kemungkinan karena kecepatan berkurang mereka akhirnya mengemudi dalam hujan). Rendah
dan Tinggi dihitung sebagai mean ± 1 std. dev untuk setiap ukuran.
kami berharap bahwa skema penghargaan yang sama akan mendorong pengemudi di
kota lain dan tahun-tahun lain untuk berperilaku serupa.
Batasan lebih lanjut dari data yang tersedia adalah bahwa kita tidak dapat mengetahui paling banyak
effirute yang efisien untuk setiap tarif. Jalan diblokir dan faktor lain menyebabkan rute terbaik berubah
seiring waktu. Sebagai proxy untuk sebagian besar effirute yang efisien kami menggunakan jarak titik ke
titik (sebagai burung gagak flies).
Ini hanya akan menjadi yang paling aktual effirute yang efisien untuk perjalanan yang
melalui garis lurus saja. Paling effirute yang efisien untuk sebagian besar tarif akan lebih
panjang daripada jarak titik ke titik. Namun, semua rute dalam analisis kami dihitung
dengan proxy ini untuk effirute yang efisien sehingga kami percaya bahwa
penyimpangan jarak relatif dari effiefisiensi masih berharga dalam wawasan
peminjaman.
7. Kesimpulan dan rekomendasi
Singkatnya, analisis kami dengan jelas menunjukkan bahwa pengemudi taksi
memiliki insentif untuk bertindak melawan kepentingan penumpang dan
masyarakat dan bahwa pengemudi taksi memang berperilaku sesuai dengan
insentif tersebut. Kami memberikan rekomendasi yang akan mengubah struktur
insentif agar sesuai dengan kepentingan masyarakat dan pelanggan.
Meskipun proposal asli pada tahun 2014 ditutupff meter saat
Pengemudi ngebut tidak dilaksanakan, kami yakin ini akan menjadi langkah positif.
Batas kecepatan saat ini di Kota New York sekarang adalah 25 MPG, sehingga setiap
pengemudi taksi yang melebihi tarif tersebut akan dikenalifidiedit secara otomatis oleh
sistem tarif elektronik. Mengirimi mereka tilang ngebut tidak akan sama dengan eff
efektif sebagai umpan balik langsung dari meteran yang berputar off (dan mungkin
beberapa sinyal visual seperti lampu atau suara peringatan). Pelanggan akan diberi tahu
tentang kecepatan yang berlebihan dan pengemudi tidak hanya akan kehilangan
ongkos selama insiden ngebut, tetapi mungkin tipnya juga akan berkurang karena
penumpang akan menyadari bahwa pengemudi tersebut bertindak secara ilegal dan
berbahaya. Hilangnya tarif dan pendapatan tip ini akan lebih menyelaraskan tujuan
pengemudi taksi dengan tujuan kota dan penumpang. Suara masyarakat harus didengar
bersama dengan pengemudi taksi.- survei bisa fiCari pendapat anggota masyarakat dan
kebijakan apa yang masuk akal. Ernst dan Lambe [25] merancang dan
mengimplementasikan survei terhadap orang-orang yang menggunakan meteran
parkir. Instrumen survei serupa bisa dikembangkan untuk mengetahui apa yang
dirasakan masyarakat tentang ngebut. Jika masyarakat pada umumnya menanggapi
bahwa keselamatan lebih penting daripada faktor-faktor lain, maka pengemudi taksi
yang ingin memaksimalkan pendapatan dengan mempercepat mungkin tidak
disarankan untuk mempercepat dengan aturan tarif / argo yang baru (misalnya,
menutup argo.ff jika taksi sedang ngebut).
Masalah sopir taksi yang menerimaffirute yang efisien dapat dikurangi.
7
Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx
Jarak mengemudi optimal dalam mil dapat dihitung melalui perangkat lunak
perutean dan teknologi GPS saat tarif berakhir (pengambilan dan pengantaranff
lintang dan bujur direkam oleh sistem taksi secara otomatis sekarang). Mungkin
tarif menurut jarak tempuh bisa secara otomatis diturunkan ke ambang batas.
Misalnya, jika jarak tempuh lebih dari 10% di atas rute optimal yang dihitung, tarif
berdasarkan jarak tempuh akan ditetapkan ke minimum sebenarnya atau lebih
dari 10%. Waktu menganggur bukanlah kepentingan pengemudi dan seringkali di
luar kendali mereka (menunggu di lalu lintasffic lampu), jadi unit biaya akan tetap
ditambahkan (untuk saat kendaraan di bawah 6 MPG). Kourtit dkk. [26]
mengusulkan penggunaan sistem data digital untuk kebijakan kota pintar.
Dengan data taksi yang ada yang digunakan untuk studi ini dan sistem pelacakan
mobil secara real time, keputusan yang lebih baik dapat dibuat tentang
kebutuhan transportasi umum, dan keadaan praktik keselamatan pengemudi
taksi.
Lampiran A. Data tambahan
Data tambahan terkait artikel ini dapat ditemukan di https: //
doi.org/10.1016/j.seps.2018.08.001.
Referensi
[1] Camerer C, Babcock L, Lowenstein G, Thaler R. Pasokan tenaga kerja taksi kota New York
driver: satu hari pada satu waktu. QJ Econ 199; 112 (2): 407-41.
[2] Farber H. Apakah besok hari lain? Pasokan tenaga kerja sopir taksi kota New York. J
Polit Econ 200; 113 (1): 46-82.
[3] Farber H. Preferensi yang bergantung pada referensi dan penawaran tenaga kerja: kasus New York
pengemudi taksi kota. Am Econ Rev 2008; 98 (3): 1069-82.
[4] Crawford VP, pasokan tenaga kerja pengemudi taksi kota Meng J.New York ditinjau kembali: referensi-
preferensi yang bergantung dengan target ekspektasi rasional untuk jam kerja dan pendapatan†.
Am Econ Rev 2011; 101: 1912-32.
[5] Farber H. Mengapa Anda Tidak Bisa fimencari taksi di tengah hujan dan pelajaran pasokan tenaga kerja lainnya
pengemudi taksi *. QJ Econ 2015; 130 (4): 1975-2026.
[6]Haggag K, Paci G. Tip default. Am Econ J Appl Econ 2014; 6 (3): 1-19.
[7] NYC.gov A. Komisi Taksi & Limusin NYC. http://www.nyc.gov/html/tlc/
html / industry / taxicab_rate_yellow.shtml (diakses 13 Juni 2017).
[8] Bankoff C. Inteligensia harian New York. 7 November 2014http://nymag.com/ daily /
intelligence / 2014/11 / hal-yang-perlu-diketahui-nycs-new-speed-limit.html.
[9] Departemen Transportasi. BERPIKIR.http://think.direct.gov.uk/speed.html (diakses
17 Juni 2014).
[10] NHTSA. Tra jalan raya nasionalffic administrasi keselamatan - Departemen Amerika Serikat
transportasi. 2015https://www.nhtsa.gov/risky-driving/speeding, Diakses tanggal: 17
Juni 2017.
[11]NYC.gov D. NYC taksi & komisi limusin. 2016. [Buku Fakta TLC].
[12] NYC.gov E. NYC Health. https://www1.nyc.gov/site/doh/about/press/pr2017/
pr016-17. halaman (diakses 17 Juni 2017).
[13] Donovan B, Work D. Data perjalanan taksi kota New York (2010-2013). University of Illinois di
Urbana-Champaign. Himpunan data; 2014https://doi.org/10.13012/J8PN93H8.
[14]NYC.gov C. NYC taksi & komisi limusin. 2014. [Buku Fakta TLC].
[15] Deaton JP. Bagaimana meteran taksi bekerja. 31 Maret 2011HowStuffWorks.com, Diakses
tanggal: 18 Juni 2017http: //auto.howstuffworks.com/taxi-meter.htm.
[16] Peer E, Solomon L. Bias profesional: misestimasi kecepatan mengemudi, perjalanan
penghematan waktu dan waktu di antara pengemudi taksi dan mobil. Pembuatan Keputusan
Putusan 2012; 7 (2): 165-72.
[17]McLay LA, Boone EL, Brooks JP. Menganalisis volume dan sifat panggilan medis darurat
selama kejadian cuaca buruk menggunakan metodologi regresi. Soc Econ Plann Sci 2012;
46: 55-66.
[18] Iacocca K, Sawhill J, Zhao Y. Model regresi berganda untuk menjelaskan biaya
merek-obat. Soc Econ Plann Sci 2013; 47: 238-46.
[19] Bornstein MH, Jaegar J, Putnick DL. Pengambilan sampel dalam ilmu perkembangan: situasi,
kekurangan, solusi, dan standar. PubMed 2013; 33 (4): 357-70.
[20]Haggag K, McManus B, Paci G. Belajar dengan mengemudi: peningkatan produktivitas oleh
pengemudi taksi kota New York†. Am Econ J Appl Econ 2017; 9 (1): 70-95.
[21] IRS. Tips Tips- Panduan Pelaporan Pajak Penghasilan (untuk Karyawan yang Menerima
Pendapatan Tip). Departemen Internal Revenue Service Amerika Serikat.https: //
www.irs.gov/pub/irs-pdf/p3148.pdf (diakses 2/24, 2018).
[22] NYC.gov B. NYC Taxi & Limousine Commission. 2017.http://www.nyc.gov/html/ tlc / html /
industry / taxicab_serv_enh_archive.shtml (diakses 14 Juni 2017).
[23] Weathersource. https://weathersource.com/(diakses 12/17/2016).
[24] Fasick K, Fonrogue G, Harshbarger R. De Blasio ingin mematikan meteran untuk
memperlambat kecepatan taksi. New York Post. 18 Februari 2014http://nypost.com/
2014/02/18/ de-blasio-ingin-mematikan-meter-di-ngebut-taksi, Diakses tanggal: 15 Juni
2017.
[25] Ernst FF, Lambe TA. Desain dan implementasi survei orang yang parkir di
meteran tepi jalan. Soc Econ Plann Sci 1983; 17 (3): 121-9.
[26] Kourtit K, Nijkamp P, Steenbruggen J. Signi itufikekuatan sistem data digital untuk kebijakan
kota pintar. Scoio-Econ Plann Sci 2016https://doi.org/10.1016/j.seps.2016.
10.001.
AS Manikas dkk.
Dr Manikas memperoleh gelar BS dalam Ilmu Komputer dan MBA dalam Material and Logistics
Management dari Michigan State University, dan gelar Ph.D. dari Institut Teknologi Georgia.
Sebelumnya, dia adalah instruktur untuk kursus pengoptimalan rantai pasokan untuk i2
Technologies dan bekerja sebagai konsultan manajemen untuk KPMG Peat Marwick, CSC, dan
Deloitte Consulting. Manikas adalah Asisten Profesor di Departemen Manajemen di Universitas
Louisville. Dia adalah CIRM dan CSCP melalui APICS, PMP melalui PMI, dan CPSM melalui ISM.
Surel:andrew.manikas@louisville.edu
Dr. Kroes adalah Associate Professor di departemen Teknologi Informasi dan Manajemen Rantai
Pasokan di Sekolah Tinggi Bisnis dan Ekonomi Boise State University. Ia meraih gelar Ph.D. dan
gelar master di Institut Teknologi Georgia dan gelar sarjana di Institut Politeknik Rensselaer.
Sebelum bergabung dengan fakultas di Boise State, Dr. Kroes menjabat sebagai Asisten Profesor
di Universitas Rhode Island. Minat penelitiannya saat ini meliputi manajemen operasi
berkelanjutan, optimalisasi transportasi, uang tunaiflmanajemen arus, dan manufaktur serta
manajemen rantai pasokan ritel. Dr. Kroes telah menerbitkan artikel ilmiah di sejumlah jurnal
yang ditinjau oleh rekan sejawat
Ilmu Perencanaan Sosial-Ekonomi xxx (xxxx) xxx – xxx
termasuk Jurnal Manajemen Operasi, Manajemen Operasi Manufaktur dan Jasa, Jurnal
Internasional Ekonomi Produksi, Antarmuka, dan Jurnal Internasional Riset Produksi. Surel:
JimKroes@boisestate.edu
Dr Gattiker adalah Profesor Manajemen Rantai Pasokan di Boise State University. Sebelum
memperoleh gelar Ph.D. dari University of Georgia (2000), dia memegang berbagai posisi
industri dalam operasi dan manajemen inventaris, terakhir di Rockwell Automation / Reliance
Electric. Minat penelitiannya adalah dalam bisnis yang ramah lingkungan dan dalam penerapan
sistem informasi untuk operasi dan manajemen rantai pasokan. Penelitiannya muncul di jurnal
terkemuka termasuk Journal of Operations Management, Journal of Supply Chain Management,
Journal of Business Logistics dan MIS Quarterly. Dia menjabat sebagai Associate Editor di Journal
of Operations Management dan Journal of Supply Chain Management. Dia adalah mantan Ketua
Divisi Manajemen Operasi dari Akademi Manajemen. Dia menikmati menghabiskan waktu di luar
ruangan bersama keluarga dan teman-temannya. Surel:tomgattiker@boisestate.edu