1. Giới thiệu và bối cảnh nghiên cứu
Trong các thị trường dịch vụ mang đặc tính hàng hóa tín nhiệm như khám chữa bệnh, sửa chữa cơ khí, tư vấn pháp lý và vận tải hành khách bằng taxi, người cung cấp dịch vụ nắm giữ lợi thế thông tin vượt trội so với khách hàng về cả lộ trình tối ưu, chi phí thực tế lẫn mức nỗ lực phục vụ cần thiết (Darby & Karni, 1973; Dulleck & Kerschbamer, 2006). Bất cân xứng thông tin tạo ra đồng thời hai dạng thất bại thị trường kinh điển trong kinh tế học vi mô. Trước hết, về phía cấu trúc tham gia thị trường, sự bất lực của người mua trong việc phân biệt nhà cung cấp chất lượng cao trước giao dịch dẫn tới hiện tượng lựa chọn đối nghịch theo cơ chế của Akerlof (1970), khiến các nhà cung cấp tận tâm dần bị chèn ép bởi nhóm gian lận. Thứ hai, ngay cả khi đặc tính bẩm sinh của người bán đã được cố định, sự thiếu vắng công cụ giám sát minh bạch trong quá trình thực hiện hợp đồng kích hoạt rủi ro đạo đức, biểu hiện qua hành vi kéo dài quãng đường di chuyển, gian lận biểu giá cước hoặc cắt giảm tiêu chuẩn an toàn và thái độ phục vụ hành khách (Balafoutas et al., 2013; Balafoutas et al., 2017).
Sự trỗi dậy mạnh mẽ của các nền tảng gọi xe kỹ thuật số và thương mại điện tử trong hai thập niên vừa qua thường được xem là lời giải thể chế hữu hiệu nhằm khôi phục kỷ luật thị trường thông qua hệ thống chấm điểm phản hồi hai chiều và định tuyến vệ tinh thời gian thực (Cabral & Hortaçsu, 2010; Cramer & Krueger, 2016). Tuy nhiên, một câu hỏi nhận dạng nhân quả cốt lõi vẫn tồn tại dai dẳng trong kinh tế học tổ chức ngành thực nghiệm: Khi chất lượng dịch vụ trên một nền tảng số vượt trội đáng kể so với thị trường truyền thống, phần đóng góp thực sự đến từ cơ chế sàng lọc đầu vào giúp thu hút nhóm người bán vốn dĩ trung thực và chuyên nghiệp hơn, hay đến từ áp lực kỷ luật trực tiếp của cơ chế đánh giá danh tiếng buộc cùng một người bán phải điều chỉnh hành vi trong từng giao dịch cụ thể (Klein et al., 2016; Liu et al., 2021)? Trong dữ liệu quan sát thông thường trên các sàn giao dịch trực tuyến, hai kênh tác động này luôn gắn kết chặt chẽ với nhau vì việc gia nhập nền tảng đồng nghĩa với việc chịu sự chi phối tức thì của hệ thống xếp hạng sao (Nosko & Tadelis, 2015).
Nhờ cấu trúc thị trường đặc biệt đó, nhóm tác giả thiết kế một thực nghiệm hiện trường quy mô chuyến đi đồng thời theo từng cụm bốn chuyến trên cùng lộ trình và khung giờ, bao quát bốn chế độ giao dịch phân biệt rõ ràng. Việc so sánh nhóm xe Taxi Beat được vẫy trực tiếp trên phố với nhóm xe Taxi Vàng truyền thống vẫy trên phố cho phép ước lượng trực tiếp hiệu ứng tự lựa chọn ròng trong điều kiện hoàn toàn vắng bóng cơ chế danh tiếng trực tuyến. Tiếp theo, phép đối chiếu giữa nhóm xe Taxi gọi qua ứng dụng Beat và nhóm xe Taxi Beat vẫy trên phố cố định cùng một tập hợp tài xế đã vượt qua khâu tuyển chọn của nền tảng Beat, từ đó cô lập hiệu ứng danh tiếng thuần túy phát sinh từ nguy cơ bị khách hàng chấm điểm thấp trên ứng dụng. Ngoài ra, sự hiện diện song song của dịch vụ UberX tại Athens trong cùng thời kỳ cho phép đo lường chênh lệch thể chế bổ sung khi chuyển từ mô hình ứng dụng gọi xe áp dụng đồng hồ cước pháp quy sang mô hình nền tảng định giá thuật toán linh hoạt.
Mục tiêu của nghiên cứu tái lập này bao gồm bốn nhiệm vụ khoa học gắn kết chặt chẽ. Thứ nhất, chúng tôi giải mã trực tiếp cấu trúc tệp nhị phân gốc trên kho lưu trữ Harvard Dataverse, đối chiếu từng dòng biến đổi dữ liệu trong kịch bản gốc của tác giả và chuẩn hóa bộ dữ liệu mở phục vụ kiểm chứng độc lập. Thứ hai, chúng tôi thực thi tái lập chéo toàn bộ hệ thống kiểm định phi tham số và mô hình hồi quy tuyến tính trên ba nền tảng tính toán độc lập gồm Stata 18 MP, R 4.3 và Python 3.13 kết hợp đối chiếu trên hệ thống công cụ kinh tế lượng chuẩn hóa nhằm kiểm định ngưỡng dung sai định lượng khắt khe dưới . Thứ ba, chúng tôi mở rộng phân tích chẩn đoán sang đặc tả hiệu ứng cố định đa chiều hấp thụ trọn vẹn 120 phiên thực nghiệm bộ bốn đồng thời với ma trận hiệp phương sai gom cụm theo phiên dựa trên khung lý thuyết của Cameron & Miller (2015) và Abadie et al. (2023), qua đó lượng hóa mức độ nhạy của ước lượng giá cước và chất lượng trước các cú sốc giao thông cục bộ. Thứ tư, báo cáo cung cấp bản bình duyệt học thuật độc lập tại Phụ lục A nhằm phân tích sâu các giả định nhận dạng, sai số đo lường phần cứng GPS và lộ trình ứng dụng thiết kế thực nghiệm hiện trường cho thị trường gọi xe công nghệ tại Việt Nam.
2. Cơ sở lý thuyết và tổng quan nghiên cứu
2.1. Bất cân xứng thông tin trong thị trường hàng hóa tín nhiệm
Khung lý thuyết nền tảng của nghiên cứu bắt nguồn từ phân loại cổ điển của Darby & Karni (1973) và tổng quan hệ thống của Dulleck & Kerschbamer (2006) về hàng hóa tín nhiệm. Khác với hàng hóa tìm kiếm nơi người tiêu dùng có thể kiểm tra chất lượng trước khi mua hoặc hàng hóa trải nghiệm nơi chất lượng bộc lộ đầy đủ sau khi tiêu dùng, hàng hóa tín nhiệm đặt người mua vào thế bất lợi thông tin ngay cả sau khi giao dịch đã hoàn tất. Trong lĩnh vực vận tải hành khách đô thị, một hành khách không thông thạo mạng lưới giao thông nội đô hoặc quy định phụ phí thời điểm rất khó xác định liệu tài xế có cố tình chọn tuyến đường vòng gây tốn kém thời gian và tiền bạc hay không, cũng như liệu mức cước thu thêm có tuân thủ đúng biểu giá pháp định hay đã bị can thiệp gian lận (Balafoutas et al., 2013).
Dulleck et al. (2011) chứng minh bằng thực nghiệm trong phòng thí nghiệm rằng khi khả năng kiểm chứng chất lượng và trách nhiệm pháp lý bị hạn chế, thị trường hàng hóa tín nhiệm suy thoái nghiêm trọng về mức cung ứng chất lượng tối ưu, nhưng sự hiện diện của cơ chế tích lũy danh tiếng nơi người mua có thể quan sát lịch sử giao dịch quá khứ giúp khôi phục đáng kể hiệu quả trao đổi. Bước ra môi trường thực địa tại chính thành phố Athens, Balafoutas et al. (2013) thực hiện thực nghiệm đóng vai hành khách mang diện mạo người bản địa, khách nội địa từ tỉnh khác và du khách nước ngoài, phát hiện tài xế taxi truyền thống kéo dài quãng đường gấp đôi đối với hành khách thiếu thông tin địa phương và thu cước vượt quy định trên diện rộng. Tiếp nối hướng tiếp cận này, Balafoutas et al. (2017) phân tích rủi ro đạo đức cấp độ hai khi hành khách thể hiện nhu cầu cần hóa đơn thanh toán lại chi phí công tác, cho thấy cấu trúc khuyến khích vi mô tác động tức thời lên xác suất gian lận lộ trình của tài xế.
2.2. Hai kênh tác động của nền tảng số: Sàng lọc lựa chọn đối nghịch và kỷ luật rủi ro đạo đức
Khi một nền tảng gọi xe kỹ thuật số thiết lập hệ thống đánh giá sao công khai đi kèm quy tắc thưởng phạt hoặc khóa tài khoản nếu điểm trung bình rơi xuống dưới ngưỡng quy định, cân bằng thị trường biến đổi qua hai kênh kinh tế vi mô tách biệt (Klein et al., 2016). Xét một tài xế sở hữu năng lực phục vụ bẩm sinh hoặc chuẩn mực đạo đức nghề nghiệp không quan sát được và lựa chọn mức nỗ lực phục vụ trực tiếp trong chuyến đi thuộc phiên . Chất lượng trải nghiệm thực tế của hành khách phụ thuộc đồng thời vào kiểu loại tài xế và nỗ lực thực thi:
Trong đó:
- : Điểm chất lượng trải nghiệm dịch vụ của chuyến đi trong phiên thực nghiệm .
- : Hằng số phản ánh mức chất lượng nền trung bình trên thị trường truyền thống không có nền tảng giám sát.
- : Tham số đặc tính cố định cá nhân đại diện cho phẩm chất nghề nghiệp, kỹ năng lái xe và chất lượng phương tiện sẵn có của tài xế .
- : Mức nỗ lực phục vụ có chủ đích của tài xế trong giao dịch , bao gồm thái độ ứng xử, tuân thủ luật giao thông và giữ gìn không gian xe sạch sẽ.
- : Véc-tơ các đặc trưng kiểm soát quan sát được của lộ trình, trợ lý nghiên cứu và nhân khẩu học tài xế kèm véc-tơ tham số .
- : Thành phần nhiễu ngẫu nhiên có kỳ vọng bằng không đại diện cho các yếu tố ngoại cảnh chưa quan sát được.
Kênh thứ nhất là hiệu ứng tự lựa chọn phát sinh ở giai đoạn gia nhập nền tảng theo tinh thần của Akerlof (1970) và Nosko & Tadelis (2015). Vì nền tảng áp đặt quy trình thẩm định hồ sơ phương tiện, đào tạo tiêu chuẩn giao tiếp và duy trì ngưỡng điểm tối thiểu để tiếp tục hoạt động, chi phí kỳ vọng của việc gia nhập nền tảng đối với nhóm tài xế có thấp cao hơn nhiều so với nhóm tài xế có cao. Hệ quả là tập hợp tài xế chọn liên kết với nền tảng số có thể sở hữu kỳ vọng phẩm chất bẩm sinh cao hơn nhóm tài xế truyền thống , tức là .
Kênh thứ hai là hiệu ứng danh tiếng hay kỷ luật rủi ro đạo đức vận hành ngay tại thời điểm cung ứng dịch vụ (Cabral & Hortaçsu, 2010; Klein et al., 2016). Khi giao dịch diễn ra dưới sự giám sát trực tiếp của ứng dụng , danh tính tài xế, lộ trình vệ tinh và quyền chấm điểm sau chuyến đi tạo ra phần thưởng kỳ vọng biên dương cho nỗ lực phục vụ, thúc đẩy tài xế nâng mức nỗ lực từ khi không bị giám sát lên khi bị giám sát, sinh ra độ lệch hành vi . Bằng chứng thực nghiệm trên nền tảng thương mại điện tử eBay của Klein et al. (2016) và dữ liệu hành trình taxi so với Uber tại thành phố New York của Liu et al. (2021) đều gợi ý rằng giám sát công nghệ làm giảm mạnh hành vi đi đường vòng; Tuy nhiên, việc tách bạch hoàn toàn khỏi trong cùng một thị trường thực địa đối với toàn bộ vector giá cả và chất lượng trải nghiệm đòi hỏi thiết kế thực nghiệm bốn nhánh đồng thời mà Alysandratos et al. (2026) đã kiến tạo tại Athens.
3. Dữ liệu thực nghiệm và phương pháp nhận dạng
3.1. Cấu trúc thực nghiệm hiện trường tại Athens và quy trình giải mã dữ liệu gốc
Thực nghiệm hiện trường được Alysandratos et al. (2026) triển khai tại khu vực đô thị Athens trong giai đoạn từ ngày 19 tháng 12 năm 2017 đến ngày 28 tháng 3 năm 2018, ngay trước thời điểm khung pháp lý mới làm thay đổi hoạt động của dịch vụ UberX tại Hy Lạp. Năm nữ trợ lý nghiên cứu được tuyển chọn và huấn luyện thống nhất về quy trình giao tiếp đóng vai hành khách trung lập nhằm loại trừ sai lệch tương tác chủ quan. Trong mỗi phiên thực nghiệm chuẩn, bốn trợ lý nghiên cứu xuất phát tại cùng một điểm đón vào cùng một thời điểm và di chuyển tới cùng một điểm đích trên một trong 25 lộ trình nội đô Athens bằng bốn phương thức gọi xe riêng biệt:
- Nhánh đối chứng cơ sở Taxi Vàng truyền thống với : Trợ lý nghiên cứu đứng vẫy ngẫu nhiên một xe taxi màu vàng thông thường không mang nhãn dán của nền tảng Beat đang lưu thông trên đường phố, tương ứng trạng thái không sàng lọc nền tảng và không giám sát danh tiếng .
- Nhánh tách lọc tự lựa chọn Taxi Beat vẫy phố với : Trợ lý nghiên cứu đứng trên phố và vẫy trực tiếp một xe taxi màu vàng có gắn phù hiệu nhận diện thuộc mạng lưới đối tác Beat nhưng không đặt xe qua ứng dụng điện thoại, tương ứng trạng thái đã qua sàng lọc nền tảng nhưng hoàn toàn tắt cơ chế giám sát danh tiếng .
- Nhánh kích hoạt danh tiếng Ứng dụng Beat với : Trợ lý nghiên cứu đặt xe trực tiếp thông qua ứng dụng di động Beat để hệ thống điều phối một tài xế thuộc mạng lưới Beat kèm lưu vết lộ trình và quyền đánh giá sao sau chuyến đi, tương ứng trạng thái , dưới chế độ đồng hồ tính cước taxi pháp định.
- Nhánh đối sánh thể chế nền tảng Ứng dụng Uber với : Trợ lý nghiên cứu đặt dịch vụ UberX qua ứng dụng di động Uber với trạng thái , kết hợp cơ chế định giá thuật toán và đội xe tư nhân ngoài hệ thống taxi truyền thống.

Quá trình rà soát kho lưu trữ gốc trên Harvard Dataverse xác nhận toàn bộ dữ liệu thực nghiệm công khai nằm trong tệp nhị phân dataforPub.mat dung lượng 7,639 byte đi kèm kịch bản xử lý analysisForPub_Commented.m dài 253 dòng và tài liệu mô tả biến. Các biến phân loại gồm tên trợ lý nghiên cứu, tên lộ trình, dấu thời gian giao dịch và bảng tham chiếu khoảng cách – thời gian cơ sở của 32 lộ trình được lưu dưới định dạng đối tượng hệ thống hướng đối tượng nội bộ của MATLAB. Chúng tôi xây dựng bộ giải mã nhị phân không suy hao đọc trực tiếp không gian làm việc con để khôi phục chính xác 100% nhãn chuỗi gốc, áp dụng đúng hiệu chỉnh dấu thời gian tại quan sát thứ 379 sang ngày 30 tháng 1 năm 2018 lúc 08:40:18, tịnh tiến biến tuổi tài xế cộng thêm 5 đơn vị và chuẩn hóa thang điểm trải nghiệm từ tập giá trị gốc lên thang chuẩn 1 đến 5 đúng theo quy tắc tiền xử lý của nhóm tác giả. Toàn bộ 112 phiên chuẩn bốn chuyến, 2 phiên tám chuyến được tách đôi thành bốn phiên bốn chuyến cùng 4 phiên lẻ do điều kiện thực địa tạo thành tổng cộng phiên thực nghiệm độc lập trên tổng cỡ mẫu quan sát hoàn chỉnh không khuyết thiếu bất kỳ giá trị nào.
| Chỉ tiêu thống kê | Trung bình Taxi Vàng | Trung bình Beat vẫy phố | Trung bình Ứng dụng Beat | Trung bình Ứng dụng Uber | Kiểm định tự lựa chọn | Kiểm định danh tiếng |
|---|---|---|---|---|---|---|
| Giá cước thực trả (EUR) | 11.0881 (0.4001) | 11.0007 (0.4096) | 10.7249 (0.3666) | 9.9261 (0.3343) | 0.5543 | 0.9854 |
| Điểm trải nghiệm chuyến đi (1–5) | 3.1579 (0.0813) | 3.2460 (0.0701) | 3.6496 (0.0634) | 3.9412 (0.0576) | 0.5461 | 0.0000 |
| Chỉ số vi phạm dịch vụ tiêu cực | 0.9123 (0.1061) | 0.7698 (0.0874) | 0.4786 (0.0764) | 0.2269 (0.0578) | 0.3654 | 0.0070 |
| Chỉ số đãi ngộ tích cực có GPS | 0.3947 (0.0538) | 0.5476 (0.0570) | 0.7692 (0.0635) | 0.9328 (0.0569) | 0.0550 | 0.0093 |
| Chỉ số đãi ngộ tích cực không GPS | 0.3246 (0.0550) | 0.3492 (0.0556) | 0.4872 (0.0693) | 0.4706 (0.0606) | 0.8501 | 0.1523 |
| Tuổi ước tính của tài xế (năm) | 52.2632 (0.9542) | 50.4286 (0.8962) | 48.4615 (0.9841) | 40.1513 (1.0003) | 0.1076 | 0.1530 |
| Tỷ lệ tài xế nam giới | 0.9649 (0.0173) | 0.9762 (0.0136) | 0.9231 (0.0247) | 0.9076 (0.0267) | 0.6071 | 0.0570 |
| Khoảng cách lộ trình cơ sở (km) | 10.6061 (0.3523) | 10.6325 (0.3269) | 10.5897 (0.3416) | 10.6101 (0.3399) | 0.9695 | 0.9656 |
| Thời gian di chuyển cơ sở (phút) | 17.2702 (0.5243) | 16.9937 (0.4843) | 17.0000 (0.5058) | 17.0840 (0.5043) | 0.6380 | 0.9780 |
| Số quan sát phân tổ | 114 | 126 | 117 | 119 | 240 | 243 |
Ghi chú: Giá trị trong từng ô của bốn cột đầu biểu thị mức trung bình mẫu kèm sai số chuẩn của trung bình nằm trong ngoặc đơn trên tổng cỡ mẫu chuyến đi; Hai cột cuối trình bày giá trị xác suất hai phía của kiểm định tổng hạng Wilcoxon đối chiếu nhóm Beat vẫy phố với Taxi Vàng nhằm kiểm tra tự lựa chọn và đối chiếu nhóm Ứng dụng Beat với Beat vẫy phố nhằm kiểm tra hiệu ứng danh tiếng.
Số liệu thống kê mô tả tại Bảng 1 cho thấy tính cân bằng thực nghiệm xuất sắc của thiết kế lộ trình đồng thời: Khoảng cách lộ trình cơ sở trung bình dao động rất hẹp quanh ngưỡng đến km với xác suất kiểm định Wilcoxon đạt và ; Thời gian di chuyển cơ sở trung bình ổn định quanh mức đến phút. Về đặc điểm nhân khẩu học tài xế, tỷ lệ nam giới chiếm từ ở nhóm Uber đến ở nhóm Beat vẫy phố; Đáng chú ý, tuổi trung bình ước tính của tài xế giảm dần từ tuổi ở Taxi Vàng truyền thống xuống tuổi ở Beat vẫy phố, tuổi ở Ứng dụng Beat và trẻ hơn rõ rệt ở mức tuổi đối với tài xế Uber.
3.2. Đặc tả mô hình kinh tế lượng và chiến lược kiểm chứng mở rộng
Ở tầng đặc tả cơ sở bám sát công trình gốc của Alysandratos et al. (2026), phương trình hồi quy tuyến tính cho biến kết quả của chuyến đi thuộc phiên trên lộ trình do trợ lý nghiên cứu thực hiện có dạng:
Trong đó:
- : Biến kết quả đầu ra của chuyến đi trong phiên , lần lượt nhận năm thước đo gồm Điểm trải nghiệm chuyến đi trên thang 1 đến 5, Giá cước thực trả tính bằng đồng EUR, Chỉ số vi phạm dịch vụ tiêu cực, Chỉ số đãi ngộ tích cực có bao gồm thiết bị GPS và Chỉ số đãi ngộ tích cực loại trừ yếu tố GPS.
- : Hệ số chặn phản ánh kỳ vọng cơ sở của nhóm đối chứng Taxi Vàng truyền thống ứng với trợ lý nghiên cứu tham chiếu Daphne.
- : Biến giả nhị phân nhận giá trị bằng 1 nếu chuyến đi thuộc chế độ Taxi Beat vẫy trực tiếp trên phố và bằng 0 trong các trường hợp còn lại, đi kèm hệ số tự lựa chọn ròng .
- : Biến giả nhị phân nhận giá trị bằng 1 nếu chuyến đi được đặt qua Ứng dụng Beat và bằng 0 trong các trường hợp còn lại, đi kèm hệ số tổng hợp .
- : Biến giả nhị phân nhận giá trị bằng 1 nếu chuyến đi được đặt qua Ứng dụng Uber và bằng 0 trong các trường hợp còn lại, đi kèm hệ số tổng hợp .
- : Khoảng cách cơ sở chuẩn hóa của lộ trình tính bằng km với hệ số độ dốc .
- : Thời gian di chuyển cơ sở chuẩn hóa của lộ trình tính bằng phút với hệ số độ dốc .
- : Tuổi ước tính của tài xế điều khiển phương tiện tính bằng năm với hệ số .
- : Biến giả nhị phân nhận giá trị bằng 1 nếu tài xế là nam giới với hệ số .
- : Hệ thống hiệu ứng cố định của trợ lý nghiên cứu nhằm loại trừ sự khác biệt về thang chấm điểm cá nhân giữa năm quan sát viên thực địa.
- : Sai số ngẫu nhiên của phương trình hồi quy.
Từ hệ thống tham số của phương trình trên, ba đại lượng kinh tế vi mô cốt lõi được nhận dạng tường minh và kiểm định thông qua thống kê Wald tuyến tính:
Trong đó:
- : Hiệu ứng tự lựa chọn ròng đo lường chênh lệch đầu ra giữa tài xế đã qua sàng lọc của Beat và tài xế Taxi Vàng truyền thống khi cả hai cùng đón khách vẫy ngẫu nhiên ngoài phố.
- : Hiệu ứng danh tiếng thuần túy đo lường mức thay đổi hành vi của cùng nhóm tài xế Beat khi chuyển từ giao dịch ẩn danh ngoài phố sang giao dịch chịu giám sát xếp hạng trên ứng dụng.
- : Chênh lệch thể chế nền tảng phản ánh tác động bổ sung của mô hình định giá thuật toán và đội xe riêng trên ứng dụng Uber so với mô hình gọi taxi đồng hồ cước qua ứng dụng Beat.
Ở tầng kiểm định nâng cao, do bốn chuyến đi trong cùng một phiên diễn ra đồng thời trên cùng một tuyến đường, các cú sốc tắc nghẽn giao thông, mưa lớn, biểu tình đô thị hoặc biến động nhu cầu giờ cao điểm tạo ra thành phần nhiễu chung cấp độ phiên . Để khai thác triệt để thiết kế ghép bộ bốn của thực nghiệm hiện trường theo khuyến nghị của Cameron & Miller (2015) và Abadie et al. (2023), chúng tôi ước lượng thêm mô hình hiệu ứng cố định đa chiều hấp thụ toàn bộ 120 phiên thực nghiệm:
Trong đó:
- : Hiệu ứng cố định của phiên thực nghiệm hấp thụ toàn bộ đặc tính bất biến theo lộ trình cũng như mọi cú sốc giao thông và thời tiết đồng thời trong phiên.
- : Các hệ số tác động ròng nội phiên ước lượng từ biến thiên giữa bốn phương thức di chuyển trong cùng phiên xuất phát.
- : Hệ số kiểm soát tuổi và giới tính tài xế trong mô hình hấp thụ hiệu ứng phiên.
- : Hiệu ứng cố định của trợ lý nghiên cứu trong đặc tả nội phiên.
- : Nhiễu đặc thù cấp chuyến đi với ma trận hiệp phương sai được gom cụm tại cấp độ phiên theo công thức hiệu chỉnh mẫu hữu hạn bậc tự do đầy đủ tương thích tuyệt đối giữa Stata, R và Python.
4. Kết quả tái lập đa nền tảng và kiểm định chẩn đoán
4.1. Phân phối chất lượng dịch vụ, kiểm định phi tham số và hiệu ứng thiết bị GPS
Trước khi đi vào phân tích hồi quy đa biến, Hình 2 trình bày bức tranh phân phối toàn diện của điểm trải nghiệm chuyến đi và ba chỉ số hành vi cụ thể của tài xế trên mẫu quan sát. Tại khung trái của Hình 2, phân phối điểm trải nghiệm dịch vụ dịch chuyển đơn điệu và rõ rệt về phía các mức xếp hạng cao khi đi từ chế độ không sàng lọc – không danh tiếng sang các chế độ có kích hoạt danh tiếng trực tuyến; Kiểm định xu thế thứ bậc phi tham số Jonckheere–Terpstra có hiệu chỉnh đồng hạng đạt giá trị thống kê tương ứng và . Cụ thể, ở nhóm Taxi Vàng truyền thống và nhóm Taxi Beat vẫy trực tiếp trên phố, tỷ lệ chuyến đi bị chấm mức kém từ 1 đến 2 sao chiếm lần lượt và , trong khi tỷ lệ đạt mức xuất sắc 5 sao chỉ vỏn vẹn và ; Kiểm định tổng hạng Wilcoxon giữa hai nhóm vẫy xe ngoài phố này cho giá trị , khẳng định sự tương đồng gần như hoàn toàn về chất lượng phục vụ khi tài xế không chịu sự giám sát của ứng dụng. Trái lại, khi đặt xe qua Ứng dụng Beat, tỷ lệ chuyến đi 1 sao triệt tiêu về , tỷ lệ từ 4 đến 5 sao tăng vọt lên với kiểm định Wilcoxon đối chiếu Beat vẫy phố đạt ; Trên nền tảng Uber, toàn bộ các trải nghiệm tiêu cực ở mức 1 sao và 2 sao biến mất hoàn toàn ở mức , đưa tỷ trọng chuyến đi đạt 4 và 5 sao lên tới .

Khung phải của Hình 2 làm sáng tỏ cơ chế hành vi vi mô đứng sau sự dịch chuyển điểm số tổng hợp thông qua việc đối chiếu chỉ số vi phạm dịch vụ tiêu cực như hút thuốc, lái xe ẩu, thái độ thô lỗ với hai biến thể của chỉ số đãi ngộ tích cực gồm mở cửa hỗ trợ hành lý, cung cấp tiện ích và sử dụng hệ thống dẫn đường vệ tinh GPS. Chỉ số vi phạm tiêu cực giảm nhẹ không có ý nghĩa thống kê từ ở Taxi Vàng xuống ở Beat vẫy phố với , nhưng sụt giảm mạnh gần một nửa xuống ở Ứng dụng Beat với và tiếp tục giảm xuống ở Ứng dụng Uber với . Đáng chú ý đặc biệt là sự phân kỳ giữa hai đường biểu diễn đãi ngộ tích cực: Khi tính gộp việc sử dụng GPS vào chỉ số đãi ngộ, nhóm Beat vẫy phố dường như cao hơn Taxi Vàng ở mức cận biên so với với ; Tuy nhiên, ngay khi loại bỏ yếu tố sử dụng GPS để chỉ đo lường nỗ lực phục vụ thuần túy của tài xế, trung bình của Taxi Vàng là và của Beat vẫy phố là hoàn toàn trùng khớp nhau với xác suất Wilcoxon , đồng thời khoảng cách giữa Uber ở mức và Ứng dụng Beat ở mức cũng triệt tiêu với . Phát hiện này chứng minh rằng trang bị điện thoại thông minh gắn bản đồ GPS là điều kiện kỹ thuật tất yếu khi tài xế tham gia nền tảng số chứ không phải biểu hiện của phẩm chất đạo đức vượt trội do tự lựa chọn.
4.2. Kết quả tái lập đa nền tảng mô hình trọng tâm và phân rã nhân quả
Bảng 2 trình bày đối chiếu chi tiết từng tham số của mô hình hồi quy trọng tâm ước lượng Điểm trải nghiệm chuyến đi trên mẫu quan sát với hệ số xác định và hệ số xác định hiệu chỉnh đạt . Trên cả ba nền tảng tính toán độc lập, độ lệch tương đối giữa các hệ số ước lượng và sai số chuẩn bằng ở bốn chữ số thập phân. So với nhóm cơ sở Taxi Vàng truyền thống sau khi đã kiểm soát hiệu ứng cố định trợ lý nghiên cứu, độ dài lộ trình, thời gian cơ sở và đặc điểm tài xế, hệ số của biến Cơ chế Taxi Beat vẫy trực tiếp trên phố chỉ đạt với sai số chuẩn và . Kết quả này bác bỏ giả thuyết cho rằng thành tựu chất lượng của ứng dụng gọi xe bắt nguồn từ việc tuyển chọn được nhóm tài xế vốn dĩ lịch sự hơn ngay cả khi không bị giám sát.
| Biến số | Bài báo gốc | Tái lập Stata 18 MP | Tái lập R 4.3 | Tái lập Python 3.13 | Độ lệch tối đa (%) |
|---|---|---|---|---|---|
| Cơ chế Taxi Beat vẫy trực tiếp trên phố | 0.0951 (0.0945) | 0.0951 (0.0945) | 0.0951 (0.0945) | 0.0951 (0.0945) | 0.00% |
| Cơ chế gọi xe qua ứng dụng Beat | 0.4693*** (0.0964) | 0.4693*** (0.0964) | 0.4693*** (0.0964) | 0.4693*** (0.0964) | 0.00% |
| Cơ chế gọi xe qua ứng dụng Uber | 0.6758*** (0.1043) | 0.6758*** (0.1043) | 0.6758*** (0.1043) | 0.6758*** (0.1043) | 0.00% |
| Khoảng cách lộ trình cơ sở | -0.0013 (0.0154) | -0.0013 (0.0154) | -0.0013 (0.0154) | -0.0013 (0.0154) | 0.00% |
| Thời gian di chuyển cơ sở | 0.0086 (0.0104) | 0.0086 (0.0104) | 0.0086 (0.0104) | 0.0086 (0.0104) | 0.00% |
| Tuổi ước tính của tài xế | -0.0068** (0.0032) | -0.0068** (0.0032) | -0.0068** (0.0032) | -0.0068** (0.0032) | 0.00% |
| Giới tính nam của tài xế | -0.0966 (0.1453) | -0.0966 (0.1453) | -0.0966 (0.1453) | -0.0966 (0.1453) | 0.00% |
| Hiệu ứng cố định trợ lý Maria | 0.1691 (0.1571) | 0.1691 (0.1571) | 0.1691 (0.1571) | 0.1691 (0.1571) | 0.00% |
| Hiệu ứng cố định trợ lý Stavrina | -0.1931** (0.0945) | -0.1931** (0.0945) | -0.1931** (0.0945) | -0.1931** (0.0945) | 0.00% |
| Hiệu ứng cố định trợ lý Stella M | 0.2872*** (0.1011) | 0.2872*** (0.1011) | 0.2872*** (0.1011) | 0.2872*** (0.1011) | 0.00% |
| Hiệu ứng cố định trợ lý Venetia | -0.2017** (0.0939) | -0.2017** (0.0939) | -0.2017** (0.0939) | -0.2017** (0.0939) | 0.00% |
| Số quan sát | 476 | 476 | 476 | 476 | 0% |
| Hệ số xác định | 0.2183 | 0.2183 | 0.2183 | 0.2183 | 0.00% |
Ghi chú: Sai số chuẩn cổ điển tương ứng đặc tả gốc được trình bày trong ngoặc đơn bên cạnh hệ số ước lượng trên cỡ mẫu ; Nhóm tham chiếu cơ sở là xe Taxi Vàng vẫy trực tiếp trên phố và trợ lý nghiên cứu Daphne; Ký hiệu mức ý nghĩa thống kê hai phía: , , .
Ngược lại, khi hành khách đặt xe qua Ứng dụng Beat, điểm trải nghiệm chuyến đi tăng vọt thêm điểm với sai số chuẩn và , tương đương mức cải thiện độ lệch chuẩn của nhóm đối chứng. Đối với dịch vụ gọi xe qua Ứng dụng Uber, mức tăng chất lượng đạt điểm với sai số chuẩn và . Trong nhóm biến kiểm soát nhân khẩu học, biến tuổi ước tính của tài xế mang dấu âm có ý nghĩa thống kê ở mức với và sai số chuẩn , hàm ý rằng trung bình mỗi mười năm tuổi nghề tăng thêm đi kèm mức giảm nhẹ khoảng điểm đánh giá trải nghiệm ngay cả trong cùng một phương thức gọi xe, trong khi giới tính tài xế và độ dài lộ trình không tạo ra sai lệch hệ thống lên điểm chất lượng.
| Đặc tả mô hình kiểm chứng | Biến trọng tâm | Tái lập Stata 18 MP | Tái lập R 4.3 | Tái lập Python 3.13 | Độ lệch tối đa (%) |
|---|---|---|---|---|---|
| Mô hình 1 — Điểm trải nghiệm chuyến đi OLS gốc | Ứng dụng Beat | 0.4693*** (0.0964) | 0.4693*** (0.0964) | 0.4693*** (0.0964) | 0.00% |
| Mô hình 2 — Giá cước thực trả OLS gốc | Ứng dụng Uber | -1.1955*** (0.3228) | -1.1955*** (0.3228) | -1.1955*** (0.3228) | 0.00% |
| Mô hình 3 — Chỉ số vi phạm dịch vụ OLS | Ứng dụng Beat | -0.4416*** (0.1211) | -0.4416*** (0.1211) | -0.4416*** (0.1211) | 0.00% |
| Mô hình 4 — Chỉ số đãi ngộ tích cực có GPS OLS | Ứng dụng Beat | 0.3568*** (0.0795) | 0.3568*** (0.0795) | 0.3568*** (0.0795) | 0.00% |
| Mô hình 5 — Chỉ số đãi ngộ không GPS OLS | Ứng dụng Beat | 0.1702** (0.0856) | 0.1702** (0.0856) | 0.1702** (0.0856) | 0.00% |
| Mô hình 6 — Điểm trải nghiệm chuyến đi HDFE phiên | Ứng dụng Beat | 0.4580*** (0.1132) | 0.4580*** (0.1132) | 0.4580*** (0.1132) | 0.00% |
| Mô hình 7 — Giá cước thực trả HDFE phiên | Ứng dụng Uber | -0.8713*** (0.2777) | -0.8713*** (0.2777) | -0.8713*** (0.2777) | 0.00% |
Ghi chú: Sai số chuẩn được trình bày trong ngoặc đơn bên cạnh hệ số ước lượng trên cỡ mẫu ; Các Mô hình 1 đến 5 sử dụng ước lượng bình phương tối thiểu thông thường theo đặc tả gốc, trong khi Mô hình 6 và Mô hình 7 hấp thụ toàn bộ 120 hiệu ứng cố định phiên thực nghiệm kèm sai số chuẩn gom cụm cấp độ phiên; Ký hiệu mức ý nghĩa thống kê hai phía: , , .
Để kiểm tra toàn diện tính nhất quán định lượng trên mọi thước đo đầu ra và đặc tả kinh tế lượng, Bảng 3 và Hình 3 tổng hợp kết quả kiểm chứng xuyên suốt bảy mô hình từ Mô hình 1 đến Mô hình 7 trên Stata 18 MP, R 4.3 và Python 3.13. Ở phương trình Giá cước thực trả theo đặc tả OLS gốc tại Mô hình 2 với , hai biến kiểm soát vật lý của lộ trình phản ánh chính xác biểu giá đồng hồ taxi tại Athens gồm khoảng cách cơ sở mang hệ số EUR mỗi km với sai số chuẩn và thời gian di chuyển cơ sở mang hệ số EUR mỗi phút với sai số chuẩn . Giữa ba nhóm xe taxi chịu sự điều tiết của biểu cước nhà nước gồm Taxi Vàng, Beat vẫy phố với hệ số EUR và Ứng dụng Beat với hệ số EUR, chênh lệch giá cước không có ý nghĩa thống kê; Tuy nhiên, dịch vụ Uber mang lại mức tiết kiệm trung bình EUR mỗi chuyến đi với sai số chuẩn , tương đương mức giảm khoảng so với giá cước trung bình của Taxi Vàng truyền thống.

Bảng 4 trình bày ma trận phân rã định lượng ba thành phần nhân quả , và kèm thống kê kiểm định Wald cho giả thuyết không có hiệu ứng danh tiếng . Đối với Điểm trải nghiệm chuyến đi trong mô hình OLS gốc, hiệu ứng danh tiếng thuần túy đạt với sai số chuẩn , thống kê và , giải thích tới tổng mức chênh lệch chất lượng của Ứng dụng Beat so với Taxi Vàng. Khi nâng cấp lên Mô hình 6 hấp thụ trọn vẹn 120 hiệu ứng cố định phiên thực nghiệm đồng thời với , hiệu ứng tự lựa chọn ròng tiếp tục nhỏ hơn và không có ý nghĩa thống kê ở mức với sai số chuẩn gom cụm , trong khi hiệu ứng danh tiếng thuần túy thậm chí nhích nhẹ lên với sai số chuẩn gom cụm , thống kê và , tức đóng góp tới tổng hiệu ứng nội phiên của Ứng dụng Beat!
| Chỉ tiêu kết quả thực nghiệm | Tự lựa chọn ròng | Danh tiếng thuần túy | Chênh lệch nền tảng | Kiểm định Wald danh tiếng | Xác suất danh tiếng |
|---|---|---|---|---|---|
| Điểm trải nghiệm chuyến đi OLS gốc | 0.0951 (0.0945) | 0.3742*** (0.0938) | 0.2065** (0.0993) | 15.91 | 0.0001 |
| Điểm trải nghiệm chuyến đi HDFE 120 phiên | 0.0771 (0.1161) | 0.3809*** (0.1127) | 0.2106* (0.1098) | 11.42 | 0.0010 |
| Giá cước thực trả EUR OLS gốc | -0.0734 (0.2927) | -0.2232 (0.2905) | -0.8990*** (0.3074) | 0.59 | 0.4428 |
| Giá cước thực trả EUR HDFE 120 phiên | 0.1965 (0.3359) | -0.2665 (0.3232) | -0.8013*** (0.2419) | 0.68 | 0.4114 |
| Chỉ số vi phạm dịch vụ tiêu cực OLS | -0.1596 (0.1188) | -0.2821** (0.1179) | -0.2824** (0.1247) | 5.73 | 0.0171 |
| Chỉ số đãi ngộ tích cực có GPS OLS | 0.1592** (0.0780) | 0.1976** (0.0774) | 0.1358* (0.0819) | 6.52 | 0.0110 |
| Chỉ số đãi ngộ tích cực không GPS OLS | 0.0448 (0.0840) | 0.1254 (0.0833) | -0.0315 (0.0882) | 2.26 | 0.1331 |
Ghi chú: Sai số chuẩn được trình bày trong ngoặc đơn bên cạnh từng ước lượng phân rã tuyến tính trên cỡ mẫu ; Kiểm định Wald đánh giá giả thuyết không sử dụng phân phối chuẩn cho đặc tả OLS và phân phối gom cụm theo 120 phiên thực nghiệm cho đặc tả HDFE; Ký hiệu mức ý nghĩa thống kê hai phía: , , .
4.3. Phân tích độ nhạy biểu cước và vai trò của hấp thụ cú sốc tắc nghẽn theo phiên
Một đóng góp chẩn đoán nổi bật của báo cáo tái lập thể hiện rõ nét tại Hình 4 khi so sánh phương trình giá cước giữa đặc tả OLS gốc tại Mô hình 2 với và đặc tả HDFE hấp thụ 120 phiên thực nghiệm tại Mô hình 7 với . Việc đưa hiệu ứng cố định phiên thực nghiệm vào phương trình làm tăng tỷ lệ phương sai giá cước được giải thích thêm gần 15 điểm phần trăm nhờ loại bỏ hoàn toàn các biến động ùn tắc giao thông thực tế giữa các khung giờ và ngày khảo sát khác nhau tại Athens. Dưới đặc tả nội phiên chặt chẽ này, mức chênh lệch giá cước của Ứng dụng Beat so với Taxi Vàng thu hẹp về gần không ở mức EUR với sai số chuẩn gom cụm , còn mức giảm cước của Ứng dụng Uber điều chỉnh từ EUR về mức EUR với sai số chuẩn gom cụm và . Sự dịch chuyển về độ lớn tuyệt đối này phản ánh thực tế rằng trong 4 phiên lẻ không đủ bộ bốn phương tiện do trục trặc gọi xe giờ cao điểm, tỷ trọng hiện diện của các phương thức không hoàn toàn đối xứng theo mức độ kẹt xe thực tế, song lợi thế giá cước rẻ hơn của thuật toán định giá Uber so với đồng hồ cước taxi vẫn giữ vững ý nghĩa thống kê ở mức .

Đối với các thước đo hành vi thành phần trong Bảng 4, hiệu ứng danh tiếng thuần túy làm giảm có ý nghĩa thống kê chỉ số vi phạm dịch vụ tiêu cực ở mức với và , trong khi chênh lệch thể chế giữa Uber và Ứng dụng Beat giúp cắt giảm thêm đơn vị vi phạm nữa. Trên chiều ngược lại, khi xét chỉ số đãi ngộ tích cực có bao gồm thiết bị định vị GPS tại Mô hình 4 với , cả hiệu ứng tự lựa chọn lẫn hiệu ứng danh tiếng đều có ý nghĩa thống kê; Thế nhưng ngay khi loại trừ yếu tố GPS tại Mô hình 5 với , hiệu ứng tự lựa chọn sụt giảm gần bốn lần xuống không có ý nghĩa thống kê và hiệu ứng danh tiếng trên các đãi ngộ tự nguyện ngoài GPS chỉ còn với . Như vậy, kỷ luật danh tiếng trên ứng dụng gọi xe tác động mạnh mẽ nhất thông qua việc ngăn chặn các hành vi tiêu cực xâm phạm quyền lợi hành khách hơn là kích thích các cử chỉ chăm sóc vượt chuẩn ngoài yêu cầu công nghệ.
5. Hàm ý chính sách và kết luận
Kết quả tái lập và mở rộng kinh tế lượng đối với nghiên cứu của Alysandratos et al. (2026) mang lại những thông điệp lý luận sắc bén cho kinh tế học thông tin và quản lý nhà nước đối với kinh tế nền tảng. Trái với quan điểm phổ biến cho rằng các công ty công nghệ đạt chất lượng dịch vụ cao chủ yếu nhờ tuyển lọc được đội ngũ tài xế ưu tú hơn mặt bằng chung của ngành taxi truyền thống, bằng chứng thực nghiệm hiện trường chứng minh rằng khi cùng một tài xế đã qua khâu tuyển chọn của nền tảng đón khách ẩn danh ngoài phố, hành vi phục vụ và tỷ lệ vi phạm của họ quay trở về trạng thái gần như không thể phân biệt với tài xế truyền thống. Chính cơ chế giám sát liên tục, lưu vết hành trình và phản hồi đánh giá sao gắn với từng chuyến đi cụ thể mới là động lực cốt lõi kiềm chế rủi ro đạo đức, đóng góp khoảng tám phần mười tổng mức cải thiện phúc lợi chất lượng cho người tiêu dùng.
Từ góc độ điều tiết thị trường vận tải đô thị, đặc biệt tại các đô thị lớn đang chuyển đổi số nhanh chóng như Hà Nội và Thành phố Hồ Chí Minh nơi các hãng taxi truyền thống vận hành song song phương thức vẫy xe trên phố, tổng đài điện thoại và ứng dụng đặt xe thông minh cạnh tranh trực tiếp với các nền tảng công nghệ, các phát hiện định lượng trên dẫn tới ba hàm ý chính sách rõ ràng.
Tổng kết lại, toàn bộ quy trình kiểm chứng đa nền tảng đã xác nhận tính toàn vẹn, khả năng tái lập chính xác tuyệt đối ở mức sai lệch dưới và giá trị học thuật bền vững của công trình Alysandratos et al. (2026). Việc kết hợp thiết kế thực nghiệm hiện trường tinh tế với các kỹ thuật kiểm soát hiệu ứng cố định đa chiều và suy diễn gom cụm hiện đại tiếp tục khẳng định vai trò trung tâm của thể chế thông tin minh bạch trong việc nâng cao hiệu quả phân bổ nguồn lực và phúc lợi xã hội trên các thị trường dịch vụ bất cân xứng thông tin.
Phụ lục A. Báo cáo bình duyệt học thuật độc lập
A.1. Đánh giá tổng quan đóng góp học thuật và vị thế nghiên cứu
Công trình thực nghiệm hiện trường của Alysandratos et al. (2026) công bố trên tạp chí The Review of Economics and Statistics giải quyết một trong những bài toán nhận dạng kinh điển nhưng khó xử lý nhất của kinh tế học thông tin và tổ chức ngành hiện đại: Tách biệt định lượng cơ chế sàng lọc lựa chọn đối nghịch đầu vào theo truyền thống của Akerlof (1970) khỏi cơ chế kỷ luật rủi ro đạo đức thông qua hệ thống danh tiếng trực tuyến trong thị trường hàng hóa tín nhiệm (Darby & Karni, 1973; Dulleck & Kerschbamer, 2006). Xuyên suốt hơn một thập niên phát triển của dòng văn chương nghiên cứu về các nền tảng số hai phía, các học giả thực nghiệm đã ghi nhận nhất quán rằng giao dịch qua nền tảng trực tuyến mang lại mức độ hài lòng cao hơn, tỷ lệ sử dụng công suất hiệu quả hơn (Cramer & Krueger, 2016) và mức độ đi đường vòng thấp hơn so với giao dịch truyền thống (Liu et al., 2021). Tuy nhiên, trong hầu hết các bối cảnh thể chế như sàn thương mại điện tử hay ứng dụng chia sẻ chuyến đi thuần túy, quyết định gia nhập nền tảng của người bán luôn đi kèm đồng thời với việc chịu sự giám sát của cơ chế chấm điểm phản hồi (Cabral & Hortaçsu, 2010; Nosko & Tadelis, 2015). Sự đồng hiện hoàn hảo giữa trạng thái thành viên nền tảng và trạng thái chịu giám sát khiến hiệu ứng chênh lệch gộp quan sát được trên dữ liệu thông thường luôn là tổng trộn lẫn không thể tách rời của hai lực kinh tế khác nhau về bản chất chính sách.
Đóng góp sáng tạo bậc nhất của nhóm tác giả nằm ở việc phát hiện và khai thác một cấu trúc thể chế lai ghép hiếm có tại thị trường taxi thủ đô Athens vào giai đoạn chuyển giao 2017–2018 để kiến tạo nhóm đối chứng trung gian mang tính quyết định. Khác với các thành phố nơi nền tảng gọi xe chỉ sử dụng đội xe tư nhân tách biệt hoàn toàn với taxi truyền thống, ứng dụng Beat tại Athens tuyển chọn trực tiếp từ đội ngũ tài xế taxi vàng được cấp phép hành nghề chính thức, kiểm định chất lượng phương tiện, tổ chức đào tạo quy chuẩn phục vụ và dán nhận diện thương hiệu bên ngoài xe, nhưng vẫn cho phép các tài xế này đón khách vẫy ngẫu nhiên trên đường phố ngoài hệ thống ứng dụng. Khi một hành khách vẫy chiếc xe taxi mang phù hiệu Beat trực tiếp trên vỉa hè, tài xế trên xe thuộc chính xác tập hợp những người đã vượt qua bộ lọc gia nhập của nền tảng, nhưng giao dịch diễn ra hoàn toàn ẩn danh, không có lưu vết định vị máy chủ và không tồn tại bất kỳ kênh đánh giá sao nào sau khi kết thúc hành trình.
Xét trên bản đồ học thuật quốc tế, công trình tạo dựng cầu nối trực tiếp giữa hai nhánh nghiên cứu lớn từng phát triển tương đối độc lập. Nhánh thứ nhất là chuỗi nghiên cứu thực nghiệm về gian lận trong thị trường hàng hóa tín nhiệm do Dulleck et al. (2011), Balafoutas et al. (2013) và Balafoutas et al. (2017) định hình, vốn tập trung đo lường hành vi tính cước vượt mức hoặc kéo dài lộ trình khi thông tin của khách hàng biến thiên nhưng chưa đi sâu vào cơ chế tuyển chọn nội sinh của các nền tảng công nghệ. Nhánh thứ hai là dòng nghiên cứu phân tách lựa chọn đối nghịch và rủi ro đạo đức trên các sàn giao dịch kỹ thuật số tiêu biểu là Klein et al. (2016) trên dữ liệu eBay và Liu et al. (2021) trên dữ liệu hành trình taxi – Uber tại Hoa Kỳ. Nếu như Klein et al. (2016) phải dựa vào biến cố thay đổi thiết kế hiển thị minh bạch trên nền tảng trực tuyến để suy luận gián tiếp trên dữ liệu hành chính, thì Alysandratos et al. (2026) kiểm soát chủ động quy trình sinh dữ liệu bằng cách cử các trợ lý nghiên cứu thực hiện đồng thời bốn chuyến đi cùng điểm đầu, cùng điểm cuối và cùng thời điểm xuất phát. Vị thế xuất bản dưới dạng bài nghiên cứu ngắn súc tích trên The Review of Economics and Statistics phản ánh đúng giá trị của một thiết kế nhận dạng sắc gọn, trực quan, trả lời trực diện một câu hỏi lớn bằng bằng chứng thực địa sạch và giàu sức thuyết phục.
A.2. Phân tích phản biện chiến lược định danh nhân quả và giả định kinh tế lượng
Để đánh giá nghiêm ngặt tính hợp lệ nội tại của chiến lược nhận dạng do Alysandratos et al. (2026) đề xuất, cần biểu diễn bài toán dưới khung kết quả tiềm năng có cấu trúc hai chiều can thiệp. Gọi là trạng thái tài xế thuộc mạng lưới đã qua sàng lọc của nền tảng số và là trạng thái kích hoạt cơ chế giám sát danh tiếng trong chuyến đi thuộc phiên . Với mỗi tài xế, kết quả tiềm năng của chuyến đi được viết dưới dạng . Ba chế độ taxi đồng hồ cước quan sát được trong thực nghiệm lần lượt cung cấp kỳ vọng mẫu cho ba ô trong ma trận trạng thái: Nhóm Taxi Vàng truyền thống phản ánh , nhóm Taxi Beat vẫy phố phản ánh và nhóm Ứng dụng Beat phản ánh . Phép phân rã tuyến tính của bài báo gốc đối với tổng chênh lệch giữa Ứng dụng Beat và Taxi Vàng dựa trên đồng nhất thức kỳ vọng điều kiện:
Trong đó:
- : Các biến chỉ báo chế độ giao dịch thực tế của chuyến đi trong phiên .
- : Biến kết quả tiềm năng ứng với trạng thái sàng lọc gia nhập và trạng thái giám sát danh tiếng .
- : Thành phần chênh lệch kỳ vọng phản ánh hiệu ứng sàng lọc và tự lựa chọn của tập tài xế nền tảng khi giao dịch ngoài ứng dụng.
- : Thành phần chênh lệch kỳ vọng phản ánh tác động nhân quả của việc bật giám sát danh tiếng trên tập tài xế nền tảng.
Phép nhận dạng trên chỉ đạt tính không chệch đối với tham số mục tiêu của tổng thể tài xế nền tảng khi thỏa mãn đồng thời bốn giả định kinh tế lượng then chốt mà công trình gốc chưa thảo luận hết độ phức tạp.
Giả định thứ nhất là tính bất biến của phân phối kiểu loại tài xế giữa hai kênh tiếp cận khách hàng trong nội bộ mạng lưới Beat, tức là . Trên thực tế vận hành tại Athens, không phải mọi tài xế đăng ký ứng dụng Beat đều có xác suất được vẫy trên phố ngang bằng với xác suất nhận cuốc qua ứng dụng. Một mặt, để trợ lý nghiên cứu nhận biết được một chiếc xe đang chạy trên đường là xe Beat nhằm giơ tay vẫy cho nhánh thứ hai, chiếc xe đó bắt buộc phải dán đề-can nhận diện thương hiệu Beat đủ lớn ở thân xe hoặc kính xe; Nếu những tài xế tự hào gắn nhãn thương hiệu công khai là nhóm hoạt động toàn thời gian có mức độ gắn kết cao hơn so với nhóm chỉ bật ứng dụng vào giờ rảnh rỗi mà không dán nhãn ngoại thất, mẫu Beat vẫy phố sẽ chọn lọc thiên lệch về nhóm tài xế chuyên nghiệp. Mặt khác, theo chiều ngược lại, những tài xế Beat đang trống khách và phải chạy rà dọc đường phố để tìm khách vẫy vào đúng khung giờ thực nghiệm có thể là những người có điểm xếp hạng thấp hơn hoặc tỷ lệ nhận cuốc qua thuật toán điều phối của ứng dụng kém hơn so với nhóm tài xế liên tục bận rộn nhờ đơn đặt hàng trực tuyến. Hai lực chọn mẫu nội bộ trái chiều này tạo ra thành phần chệch gán kênh nội mạng lưới mà dữ liệu cắt ngang không có mã định danh cá nhân của tài xế không thể kiểm định trực tiếp.
Giả định thứ hai là giả định không can thiệp chéo và độc lập đơn vị điều trị trong cấu trúc thực nghiệm bộ bốn đồng thời. Tại mỗi phiên xuất phát, bốn trợ lý nghiên cứu đứng gần nhau để đón bốn loại xe cùng lúc trên cùng một tuyến phố. Trong điều kiện mật độ phương tiện hạn chế hoặc tại các điểm đón đặc thù như bảo tàng và nhà ga, việc hai trợ lý gọi xe qua ứng dụng Beat và Uber có thể thu hút chính những chiếc xe đang lưu thông gần khu vực đó, làm thay đổi tập hợp xe còn trống chạy ngang qua vỉa hè để hai trợ lý còn lại vẫy trực tiếp. Dù quy mô bốn xe trên một thị trường đô thị hàng chục nghìn taxi tại Athens khiến hiệu ứng tranh chấp cục bộ không lớn, việc giải trình rõ khoảng cách đứng tách biệt vật lý giữa bốn trợ lý tại điểm xuất phát là yêu cầu chuẩn mực trong thiết kế thực nghiệm hiện trường hiện đại (Abadie et al., 2023).
Giả định thứ ba liên quan tới đặc tính ngoại sinh của biến kiểm soát tuổi tài xế và giới tính tài xế trong phương trình hồi quy Bảng 3. Dữ liệu thực nghiệm tại Bảng 1 cho thấy tuổi trung bình của tài xế Uber là tuổi, thấp hơn hơn mười hai năm so với mức tuổi của Taxi Vàng truyền thống và thấp hơn hơn tám năm so với mức tuổi của Ứng dụng Beat. Trong lý thuyết suy diễn nhân quả, tuổi và giới tính của tài xế không phải là biến tiền định ở cấp độ đơn vị phiên thực nghiệm mà là thuộc tính hậu định của người bán được kích hoạt sau khi hành khách lựa chọn chế độ gọi xe! Việc đưa có hệ số vào vế phải của phương trình hồi quy làm thay đổi ý nghĩa của hệ số : Thay vì đo lường tổng lợi ích chất lượng mà người tiêu dùng thực tế nhận được khi chọn nền tảng Uber bao gồm cả cơ cấu tài xế trẻ năng động hơn, hệ số hồi quy chỉ đo lường phần tác động trực tiếp sau khi đã cố định độ tuổi tài xế. Nếu tuổi tài xế vừa tương quan với chế độ nền tảng vừa tương quan với kỹ năng công nghệ chưa quan sát được, phép kiểm soát biến hậu định này có thể gây ra chệch biến trung gian.
Giả định thứ tư là cấu trúc ma trận hiệp phương sai của nhiễu . Trong kịch bản gốc của nhóm tác giả, hai mô hình hồi quy trọng tâm tại Bảng 3 được ước lượng bằng phương pháp bình phương tối thiểu cổ điển với giả định phương sai đồng nhất và độc lập hoàn toàn giữa tất cả chuyến đi: . Giả định này mâu thuẫn trực tiếp với chính cấu trúc thiết kế ghép cụm bộ bốn theo phiên và cấu trúc lặp lại trên 25 lộ trình cố định của nghiên cứu. Theo chứng minh kinh điển của Cameron & Miller (2015) cùng khung suy diễn dựa trên thiết kế của Abadie et al. (2023), khi các đơn vị quan sát cùng trải qua các cú sốc môi trường đồng thời trong phiên và được chấm điểm lặp lại bởi chỉ năm trợ lý nghiên cứu, việc bỏ qua cả hiệu ứng cố định phiên lẫn cấu trúc sai số chuẩn gom cụm cấp phiên làm sai lệch ước lượng phương sai tiệm cận và bỏ lỡ lượng thông tin đối chứng nội phiên quý giá nhất của thiết kế thực nghiệm.
A.3. Thẩm định chất lượng dữ liệu, cách đo lường biến số và độ nhạy mẫu
Quá trình rà soát trực tiếp tệp dữ liệu nhị phân dataforPub.mat và đối chiếu từng dòng lệnh trong tệp analysisForPub_Commented.m cho phép đánh giá khách quan độ tin cậy kỹ thuật của gói tái lập gốc cũng như chất lượng đo lường các biến số thực nghiệm. Về mặt tích cực, dữ liệu gốc đạt độ sạch cao hiếm thấy đối với một cuộc khảo sát thực địa đô thị: Toàn bộ chuyến đi không có bất kỳ quan sát khuyết thiếu nào trên tất cả các biến kết quả và biến giải thích, phân bố đồng đều giữa bốn chế độ gọi xe từ 114 đến 126 quan sát mỗi nhóm. Hơn nữa, thao tác lưu trữ tách biệt hai biến chỉ số đãi ngộ tích cực gồm biến tổng gộp và biến loại trừ định vị GPS cho thấy sự cẩn trọng đáng ghi nhận của nhóm tác giả trong khâu mã hóa biên bản quan sát hiện trường.
Tuy nhiên, kiểm tra kỹ thuật đối với kịch bản mã nguồn gốc phát hiện ba vấn đề thực thi và tiền xử lý dữ liệu cần được ghi nhận minh bạch trong hồ sơ tái lập khoa học:
- Lỗi thứ tự khởi tạo biến làm gián đoạn thực thi tuần tự tại dòng 91: Ngay ở đầu tệp kịch bản gốc, dòng 1 thực hiện lệnh xóa trắng toàn bộ không gian biến trong bộ nhớ, tiếp theo là bước nạp dữ liệu và tạo mã định danh phiên thực nghiệm. Thế nhưng tại dòng 91, kịch bản gọi lệnh in ma trận tuổi trung bình và tỷ lệ giới tính theo bốn chế độ xe cho Bảng 1 bằng hai véc-tơ
magevàmsex, trong khi hai véc-tơ này chỉ mới được tính toán lần đầu tiên bên trong vòng lặp ở các dòng 178 và 179 thuộc phần xử lý Bảng 2! Do đó, bất kỳ nhà nghiên cứu độc lập nào tải gói tái lập về máy và chạy kịch bản từ đầu trong một phiên làm việc mới đều gặp lỗi dừng chương trình ngay tại dòng 91, trừ phi họ đã chạy trước đoạn mã phía dưới trong bộ nhớ đệm. - Phụ thuộc hàm kiểm định ngoại vi không đính kèm tại dòng 99: Để thực hiện kiểm định xu thế đơn điệu Jonckheere–Terpstra cho xếp hạng trải nghiệm tổng thể, dòng 99 gọi hàm
jttrendvốn không phải là hàm tích hợp sẵn trong bộ công cụ thống kê tiêu chuẩn của MATLAB như đã kê khai trong tài liệu hướng dẫn mà là một tệp hàm người dùng tự viết bên ngoài không được đóng gói kèm theo kho lưu trữ Dataverse. Trong bộ ba kịch bản chuẩn hóa của nghiên cứu tái lập này, chúng tôi đã xây dựng lại tường minh thuật toán kiểm định Jonckheere–Terpstra có hiệu chỉnh phương sai cho các quan sát đồng hạng theo công thức giải tích chính xác, thu được thống kê và hoàn toàn độc lập với mã đóng bên ngoài. - Quy tắc hiệu chỉnh thủ công dấu thời gian và tái tạo mã phiên thực nghiệm: Tại dòng 17, tác giả ghi đè cứng dấu thời gian của quan sát thứ 379 từ ngày 2 tháng 2 năm 2018 lúc 11:55:31 về ngày 30 tháng 1 năm 2018 lúc 08:40:18 để khớp với nhật ký thực địa. Tiếp đó, tại các dòng 21 đến 80, mã định danh lộ trình được tạo bằng tổng mã ký tự của chuỗi tên lộ trình rồi ghép với công thức ngày lịch tuyến tính và tách thủ công hai phiên có 8 quan sát thành các phiên 4 quan sát theo thứ tự dòng. Dù trên bộ dữ liệu 25 lộ trình cụ thể này phép cộng mã ký tự may mắn không gây trùng lặp giá trị băm giữa hai lộ trình khác nhau, về mặt kỹ thuật phần mềm đây là cách mã hóa dễ tổn thương trước va chạm tổng ký tự và phụ thuộc ngầm vào thứ tự sắp xếp dòng vật lý trong tệp gốc khi tách đôi các phiên kép 8 chuyến đi.
Về phương diện đo lường biến số kinh tế, có ba điểm nhạy cảm đáng lưu tâm. Thứ nhất, biến driver_age không phải tuổi thực trích xuất từ giấy phép hành nghề mà là tuổi do trợ lý nghiên cứu ước đoán bằng mắt thường trong chuyến đi rồi được cộng tịnh tiến đồng loạt thêm 5 năm ở dòng 15 của kịch bản gốc; Sai số đo lường chủ quan khi ước đoán tuổi tài xế trung niên trong điều kiện ánh sáng ban đêm có thể gây ra chệch suy giảm trên hệ số . Thứ hai, hai biến kiểm soát lộ trình gồm khoảng cách cơ sở và thời gian cơ sở lấy từ bảng tham chiếu tĩnh 32 lộ trình chứ không phải quãng đường thực tế và thời gian thực tế của từng chuyến xe; Thậm chí trong bảng tham chiếu gốc xuất hiện những nhãn dịch tự động thô từ tiếng Hy Lạp sang tiếng Anh như lộ trình mang tên A Friday - Maroussi thay cho địa danh Agia Paraskevi vốn có nghĩa đen là Thứ Sáu Thánh trong tiếng Hy Lạp! Mặc dù việc dùng cố định theo lộ trình là hợp lý để tránh kiểm soát biến đầu ra nội sinh khi tài xế cố tình chạy lòng vòng, bảng tham chiếu tĩnh theo lộ trình không phản ánh được sự khác biệt lớn về thời gian cơ sở giữa khung giờ cao điểm buổi sáng và khung giờ tối muộn. Thứ ba, phân bố số chuyến đi giữa năm trợ lý nghiên cứu không hoàn toàn cân bằng khi ba trợ lý Daphne, Stavrina và Venetia mỗi người thực hiện đúng 119 chuyến, trợ lý Stella M thực hiện 92 chuyến còn trợ lý Maria chỉ thực hiện 27 chuyến, đồng thời tồn tại các hiệu ứng cố định người chấm điểm có ý nghĩa thống kê rất rõ rệt như trợ lý Stella M chấm hào phóng hơn điểm còn Stavrina và Venetia chấm khắt khe hơn lần lượt và điểm so với Daphne; Do đó, việc kiểm soát hiệu ứng cố định trợ lý nghiên cứu là bắt buộc để bảo đảm tính nhất quán của ước lượng.
A.4. Các hạn chế cốt lõi trọng yếu của nghiên cứu gốc
- Bỏ qua hiệu ứng cố định phiên thực nghiệm và tương quan nhiễu nội cụm làm sai lệch ước lượng giá cước và sai số chuẩn: Hạn chế kinh tế lượng nghiêm trọng nhất trong đặc tả hồi quy Bảng 3 của Alysandratos et al. (2026) là việc ước lượng phương trình tuyến tính gộp mà bỏ sót hoàn toàn 120 hiệu ứng cố định phiên thực nghiệm đồng thời sử dụng sai số chuẩn đồng nhất phương sai cổ điển, mặc dù biến
sessionđã được chính nhóm tác giả dày công kiến tạo và đưa vào bảng dữ liệu ở dòng 249. Xét cấu trúc sinh dữ liệu thực tế , khi gộp cú sốc môi trường giao thông vào nhiễu tổng hợp , hai hệ quả toán – kinh tế lượng phát sinh đồng thời. Một mặt, tại các phiên không cân bằng đủ bốn xe gồm 2 phiên ba chuyến, 1 phiên năm chuyến và 1 phiên đơn lẻ, nếu xác suất hoàn thành chuyến đi của véc-tơ biến giải thích đã khử trung bình tương quan với mức độ tắc nghẽn , ước lượng OLS gộp sẽ chịu thiên lệch biến bỏ sót so với tham số nhân quả thực theo giới hạn xác suất tiệm cận:Ký hiệu biểu thị véc-tơ ước lượng gộp, là tham số nội phiên và là cú sốc tắc nghẽn chung của phiên . Bằng chứng thực nghiệm tại Bảng 3 và Bảng 4 của chúng tôi chứng minh cơ chế chệch này hoàn toàn hiện hữu trên dữ liệu giá cước: Khi hấp thụ bằng mô hình HDFE, hệ số xác định của phương trình giá cước tăng vọt từ lên , đồng thời hệ số giảm giá cước của Uber dịch chuyển mạnh từ EUR về EUR, tức là mô hình OLS gốc đã phóng đại lợi thế tiết kiệm cước của Uber thêm so với ước lượng nội phiên! Mặt khác, ngay cả khi , tương quan nội cụm làm cho phương sai thực của ước lượng phụ thuộc vào hệ số nhân Moulton (Cameron & Miller, 2015). Đối với Điểm trải nghiệm chuyến đi, sai số chuẩn của hệ số Ứng dụng Beat tăng từ dưới OLS cổ điển lên dưới ma trận hiệp phương sai gom cụm CRV1, tức sai số chuẩn cổ điển đã đánh giá thấp độ bất định khoảng .
- Nhiễu nội sinh từ trang bị phần cứng công nghệ GPS trong thước đo đãi ngộ tích cực làm chệch dương hiệu ứng tự lựa chọn: Trong mô hình hồi quy chỉ số đãi ngộ tích cực tổng gộp , biến phụ thuộc cộng gộp nỗ lực phục vụ hành vi tự nguyện với biến nhị phân sử dụng hệ thống định vị vệ tinh . Do quy chế vận hành của nền tảng Beat bắt buộc mọi tài xế đối tác phải gắn điện thoại thông minh trên bảng điều khiển để nhận cuốc trực tuyến, chi phí biên của việc bật bản đồ GPS đối với tài xế thuộc mạng lưới gần bằng không ngay cả khi họ đón khách vẫy trên phố, trong khi nhiều tài xế Taxi Vàng lớn tuổi thuộc nhóm không trang bị giá đỡ thiết bị thông minh. Khi ước lượng phương trình cho nhằm suy luận về tự lựa chọn phẩm chất phục vụ, kỳ vọng hệ số của nhóm Beat vẫy phố bị cộng thêm thành phần chênh lệch công nghệ tĩnh:
Biểu thức trên tách hệ số gộp thành hiệu ứng hành vi thực và độ chệch phần cứng . Đối chiếu thực nghiệm giữa Mô hình 4 và Mô hình 5 xác nhận chính xác độ lớn của cơ chế gây chệch này: Trên chỉ số tổng gộp, có ý nghĩa thống kê ở mức với , dễ dẫn tới kết luận sai lầm rằng tài xế gia nhập nền tảng có khuynh hướng phục vụ hào phóng hơn; Thế nhưng khi tách riêng phần cứng công nghệ, với không khác biệt so với không, nghĩa là tới độ lớn của ước lượng ban đầu thực chất là hiệu ứng trang bị thiết bị công nghệ chứ không phải lựa chọn đối nghịch về đạo đức nghề nghiệp!
- Áp đặt dạng hàm tuyến tính lên biến phụ thuộc thứ bậc bị chặn biên và biến đếm lệch phải gây méo mó phương sai sai số và hiệu ứng biên: Biến kết quả trung tâm Điểm trải nghiệm chuyến đi là biến rời rạc thứ bậc có hai biên chặn cứng, trong khi chỉ số vi phạm dịch vụ là biến đếm không âm tập trung khối lượng xác suất lớn tại điểm không, đặc biệt ở nhóm Uber nơi số chuyến có và số chuyến nhận điểm . Dưới mô hình biến ẩn ngưỡng thứ bậc với các ngưỡng cắt và hàm phân phối tích lũy , kỳ vọng cùng phương sai có điều kiện của thang điểm rời rạc tuân theo hệ thức phi tuyến bị chặn:
Ở đây biểu thị xác suất chuyến đi đạt mức điểm ứng với ngưỡng cắt . Phương trình phương sai có điều kiện chứng minh bản chất phương sai thay đổi tất yếu: Khi kỳ vọng tiến sát trần trên ở nhóm Uber với trung bình , sự vắng mặt hoàn toàn của các điểm 1 và 2 làm phương sai phần dư co hẹp xuống , thấp hơn gần một nửa so với phương sai của nhóm Taxi Vàng truyền thống! Hơn nữa, hiệu ứng nén trần ở biên trên khiến ước lượng tuyến tính OLS có xu hướng đánh giá thấp mức tăng chất lượng tiềm ẩn thực sự của nhóm đạt điểm cao, đồng thời tại phương trình giá cước, phần dư có độ nhọn rất lớn đạt và thống kê kiểm định chuẩn Jarque–Bera lên tới với làm suy giảm hiệu quả tiệm cận của ước lượng bình phương tối thiểu thông thường.
- Thiên lệch chọn mẫu hiển thị ngoại thất và hành vi hoạt động đa kênh khi tách biệt hiệu ứng tự lựa chọn tĩnh khỏi đào thải động: Chiến lược nhận dạng dựa trên việc vẫy xe Taxi Beat ngoài đường phố ngầm giả định rằng mẫu xe Beat vẫy phố đại diện ngẫu nhiên cho toàn bộ quần thể tài xế thuộc nền tảng Beat và hoàn toàn độc lập với áp lực đào thải tích lũy của hệ thống danh tiếng. Xét trên phương diện cân bằng động của thị trường nền tảng (Cabral & Hortaçsu, 2010; Nosko & Tadelis, 2015), tập hợp tài xế đang hoạt động trên Beat tại thời điểm khảo sát năm 2018 thực chất là nhóm gia nhập sống sót qua quy tắc khóa tài khoản và duy trì phù hiệu ngoại thất :
Ký hiệu là chênh lệch quan sát được, là điểm xếp hạng tích lũy và là ngưỡng duy trì tài khoản. Biểu thức phân rã chỉ rõ hai cơ chế chệch ngược dấu có thể triệt tiêu lẫn nhau và tạo ra ước lượng . Một mặt, điều kiện sống sót lọc bỏ những tài xế tệ nhất khỏi mạng lưới Beat tạo chệch dương; Mặt khác, điều kiện chọn lọc đúng những tài xế đang trống đơn ứng dụng phải chạy tìm khách vẫy trên đường vào khung giờ đó, vốn có thể là những tài xế có tần suất nhận đơn ứng dụng thấp hơn trung bình mạng lưới tạo chệch âm. Do không thu thập thâm niên tham gia nền tảng và điểm sao hiện hành hiển thị trên hồ sơ ứng dụng của từng tài xế, nghiên cứu gốc chưa thể kiểm định sự đối trừ giữa chọn lọc đầu vào, đào thải động và chọn lọc nhàn rỗi ngoài phố.
- Sai số đo lường biến tuổi tài xế và kiểm soát biến trung gian hậu định làm thiên lệch ước lượng chênh lệch thể chế nền tảng: Trong phương trình hồi quy chính, tuổi tài xế không được quan sát chính xác mà được ghi nhận qua ước lượng thị giác với sai số đo lường có phương sai . Ngay cả dưới giả định sai số đo lường cổ điển , hệ số ước lượng chịu chệch suy giảm về phía không theo tỷ số tín hiệu trên nhiễu, và quan trọng hơn, do tuổi thực tương quan âm rất mạnh với biến chỉ báo nền tảng Uber với khoảng cách trung bình lên tới năm tuổi, sai số đo lường của biến kiểm soát lan truyền sang hệ số điều trị theo công thức tiệm cận đa biến:
Ký hiệu đại diện tập biến ngoại sinh còn lại và là hệ số hồi quy phụ của tuổi thực theo chỉ báo Uber. Vì cả và , tích số mang dấu dương khiến phần chệch đo lường cộng dồn dương vào , trong khi bản thân việc đưa biến hậu định vào phương trình lại cắt bỏ kênh cơ cấu nhân lực trẻ vốn là một bộ phận nội tại của mô hình kinh doanh nền tảng số Uber so với ngành taxi truyền thống.
A.5. Khuyến nghị nâng cấp mô hình và hướng mở rộng công bố quốc tế
- Chuẩn hóa đặc tả hiệu ứng cố định phiên thực nghiệm kết hợp suy diễn ngẫu nhiên hóa phân tầng và Wild Cluster Bootstrap: Nâng cấp trực tiếp và thiết yếu nhất cho mọi nghiên cứu tái lập hoặc kế thừa thiết kế bộ bốn đồng thời là chuyển đặc tả chính thức sang mô hình hiệu ứng cố định đa chiều hấp thụ toàn bộ hiệu ứng phiên như chúng tôi đã triển khai tại Mô hình 6 và Mô hình 7, đồng thời báo cáo song song ma trận hiệp phương sai gom cụm hai chiều theo phiên thực nghiệm và theo lộ trình (Cameron & Miller, 2015; Abadie et al., 2023). Do số lượng trợ lý nghiên cứu chỉ gồm 5 người và số lộ trình là 25 cụm không cân bằng kích thước, việc bổ sung kiểm định suy diễn ngẫu nhiên hóa chính xác phân tầng theo phiên hoán vị nhãn chế độ gọi xe trong nội bộ từng bộ bốn chuyến đi kết hợp quy trình Wild Cluster Bootstrap sử dụng trọng số Webb sáu điểm sẽ mang lại giá trị xác suất hữu hạn mẫu hoàn toàn miễn nhiễm với hiện tượng phương sai thay đổi lệch biên và độ nhọn cao của dữ liệu giá cước.
- Ước lượng hệ phương trình thứ bậc Ordered Logit, hồi quy đếm Poisson-QMLE và kiểm định biên ổn định tham số Oster: Để khắc phục triệt để hạn chế áp đặt tuyến tính trên thang đo 1 đến 5 bị chặn trần và chỉ số vi phạm dạng đếm lệch phải, nghiên cứu nâng cấp cần ước lượng đồng thời mô hình Ordered Logit gom cụm theo phiên nhằm trích xuất hiệu ứng biên trung bình lên xác suất đạt chuyến đi chất lượng cao 4–5 sao và mô hình hợp lý tối đa giả Poisson cho biến đếm vi phạm vốn đảm bảo tính nhất quán ngay cả khi phương sai không bằng kỳ vọng. Song song đó, để đánh giá độ vững của kết luận bác bỏ tự lựa chọn và khẳng định hiệu ứng danh tiếng trước các yếu tố không quan sát được như chất lượng xe hay điểm xếp hạng tích lũy của tài xế, cần áp dụng phương pháp biên ổn định hệ số của Oster (2019). Sự nhảy vọt của hệ số xác định từ ở mô hình cơ sở lên khi hấp thụ hiệu ứng phiên mà hệ số danh tiếng ròng gần như bất biến từ sang cho thấy tỷ số chọn lọc vượt rất xa ngưỡng chuẩn dưới mức trần , cung cấp bằng chứng định lượng đanh thép đạt chuẩn các tạp chí kinh tế lượng hàng đầu.
- Thiết kế thực nghiệm bảng theo dõi tài xế đa nền tảng nhằm phân tách chọn lọc gia nhập, đào thải động và thích ứng hành vi tức thời: Để mở rộng lên tầm vóc một công trình toàn diện trên các tạp chí hạng nhất như American Economic Review hoặc Journal of Political Economy, thế hệ nghiên cứu kế tiếp nên kết hợp khảo sát hiện trường với việc ghi nhận ẩn danh mã số phù hiệu hành nghề công khai trên bảng điều khiển taxi và điểm xếp hạng sao hiển thị trên màn hình ứng dụng tại thời điểm đặt xe. Khi thu thập dữ liệu lặp lại theo thời gian, đặc biệt nếu quan sát được cùng một tài xế hoạt động đa kênh vừa nhận cuốc qua ứng dụng vừa đón khách vẫy ngoài đường phố, nhà nghiên cứu có thể ước lượng mô hình hiệu ứng cố định cấp độ tài xế để nhận dạng chính xác độ co giãn nỗ lực phục vụ nội cá nhân khi bật và tắt giám sát danh tiếng, đồng thời sử dụng phân phối điểm sao và thâm niên tài khoản để ước lượng riêng rẽ tốc độ đào thải động đối với nhóm tài xế chất lượng thấp theo thời gian (Cabral & Hortaçsu, 2010; Klein et al., 2016).
- Mở rộng thực nghiệm hiện trường sang thị trường vận tải công nghệ và chuyển đổi xanh tại các đô thị lớn Việt Nam: Cấu trúc thể chế lai ghép từng xuất hiện tại Athens giai đoạn 2017–2018 hiện đang hiện hữu vô cùng sống động và đa dạng hơn nhiều tại Hà Nội, Thành phố Hồ Chí Minh và Đà Nẵng, tạo ra cơ hội vàng cho các công trình công bố quốc tế chuẩn Q1 khai thác bối cảnh các nền kinh tế đang phát triển châu Á. Tại Việt Nam, người tiêu dùng đô thị tiếp cận đồng thời năm chế độ giao dịch phân tầng rõ rệt: Taxi truyền thống vẫy trực tiếp trên phố thanh toán theo đồng hồ cơ học; Taxi truyền thống của cùng hãng đó nhưng đặt qua ứng dụng riêng của hãng hoặc qua siêu ứng dụng liên kết có hiển thị thông tin tài xế và chấm điểm sao; Đội xe điện thuần chủng vận hành theo mô hình nhân viên hưởng lương kết hợp kỷ luật xếp hạng ứng dụng và tiêu chuẩn dịch vụ đồng nhất; Cùng các nền tảng xe công nghệ định giá thuật toán linh hoạt. Triển khai thiết kế thực nghiệm bộ bốn hoặc bộ năm chuyến đi đồng thời kèm thiết bị ghi vết hành trình GPS độc lập của trợ lý nghiên cứu nhằm đo lường chính xác tỷ lệ đi đường vòng thực tế theo Balafoutas et al. (2013), kết hợp biến thiên giữa hành khách bản địa và du khách quốc tế, không chỉ kiểm định khả năng khái quát hóa của quy luật danh tiếng lấn át tự lựa chọn mà còn lượng hóa vai trò tương tác giữa quản trị doanh nghiệp tập trung, công nghệ phương tiện xanh và thiết kế thể chế danh tiếng số đối với phúc lợi người tiêu dùng đô thị.
Tài liệu tham khảo
- Abadie, A., Athey, S., Imbens, G. W., & Wooldridge, J. M. (2023). When Should You Adjust Standard Errors for Clustering? The Quarterly Journal of Economics, 138, 1–35. https://doi.org/10.1093/qje/qjac038 ↩
- Akerlof, G. A. (1970). The Market for "Lemons": Quality Uncertainty and the Market Mechanism. The Quarterly Journal of Economics, 84, 488–500. https://doi.org/10.2307/1879431 ↩
- Alysandratos, T., Georganas, S., & Sutter, M. (2026). Disentangling Reputation from Selection Effects in Markets with Informational Asymmetries: A Field Experiment. The Review of Economics and Statistics, 108, 1141–1147. https://doi.org/10.1162/rest_a_01451 ↩
- Balafoutas, L., Beck, A., Kerschbamer, R., & Sutter, M. (2013). What Drives Taxi Drivers? A Field Experiment on Fraud in a Market for Credence Goods. The Review of Economic Studies, 80, 876–891. https://doi.org/10.1093/restud/rds049 ↩
- Balafoutas, L., Kerschbamer, R., & Sutter, M. (2017). Second-Degree Moral Hazard in a Real-World Credence Goods Market. The Economic Journal, 127, 1–18. https://doi.org/10.1111/ecoj.12260 ↩
- Cabral, L., & Hortaçsu, A. (2010). The Dynamics of Seller Reputation: Evidence from eBay. The Journal of Industrial Economics, 58, 54–78. https://doi.org/10.1111/j.1467-6451.2010.00405.x ↩
- Cameron, A. C., & Miller, D. L. (2015). A Practitioner's Guide to Cluster-Robust Inference. Journal of Human Resources, 50, 317–372. https://doi.org/10.3368/jhr.50.2.317 ↩
- Cramer, J., & Krueger, A. B. (2016). Disruptive Change in the Taxi Business: The Case of Uber. American Economic Review, 106, 177–182. https://doi.org/10.1257/aer.p20161002 ↩
- Darby, M. R., & Karni, E. (1973). Free Competition and the Optimal Amount of Fraud. The Journal of Law and Economics, 16, 67–88. https://doi.org/10.1086/466756 ↩
- Dulleck, U., & Kerschbamer, R. (2006). On Doctors, Mechanics, and Computer Specialists: The Economics of Credence Goods. Journal of Economic Literature, 44, 5–42. https://doi.org/10.1257/002205106776162717 ↩
- Dulleck, U., Kerschbamer, R., & Sutter, M. (2011). The Economics of Credence Goods: An Experimental Investigation of the Role of Verifiability, Liability, and Reputation. American Economic Review, 101, 526–555. https://doi.org/10.1257/aer.101.2.526 ↩
- Klein, T. J., Lambertz, C., & Stahl, K. O. (2016). Market Transparency, Adverse Selection, and Moral Hazard. Journal of Political Economy, 124, 1677–1713. https://doi.org/10.1086/688875 ↩
- Liu, Y., Brynjolfsson, E., & Dowlatabadi, J. (2021). Do Digital Platforms Reduce Moral Hazard? The Case of Uber and Taxis. Management Science, 67, 4665–4685. https://doi.org/10.1287/mnsc.2020.3723 ↩
- Nosko, C., & Tadelis, S. (2015). The Limits of Reputation in Platform Markets: An Empirical Analysis and Field Experiment. NBER Working Paper Series, No. 20830. https://doi.org/10.3386/w20830 ↩
- Oster, E. (2019). Unobservable Selection and Coefficient Stability: Theory and Evidence. Journal of Business & Economic Statistics, 37, 187–204. https://doi.org/10.1080/07350015.2016.1227711 ↩
alysandratos_taxi_reputationtrip_idsessiontimestamp_isotype_codetype_labelbeat_streetbeat_appuber_appchargedrating_experfoulbenefitMở khóa dữ liệu & mã lệnh tái lập
Sau khi theo dõi phần phân tích định lượng và bình duyệt học thuật phía trên, mời bạn đăng nhập nếu đã có gói thành viên hoặc tham gia cộng đồng nghiên cứu EcoLab để trực tiếp kiểm chứng từng hệ số ước lượng trên máy cá nhân.
Khớp chính xác tên biến, đặc tả sai số chuẩn vững và ma trận kiểm định chẩn đoán của bài nghiên cứu.
Sẵn sàng nạp trực tiếp vào môi trường thống kê cá nhân để đối chiếu độc lập từng bảng kết quả.
Đóng gói đồng bộ bản thảo chuẩn công bố tạp chí DOCX & PDF, tệp dữ liệu CSV, ba kịch bản ước lượng R · Stata · Python và hướng dẫn thực thi.
Mỗi liên kết tải xuống được cấp chữ ký bảo mật riêng cho tài khoản thành viên và tự động làm mới mượt mà ngay trên trang đọc.




