- Nada es Gratis - https://nadaesgratis.es -

La caza del ganso salvaje o por qué Uber es más barato que un taxi

Como nos viene contando Gerard, el gobierno (y sus socios, y la oposición) parecen decididos a terminar con toda esperanza de liberalización del mercado de transporte urbano. En la política del “que hay de lo mío” caben pocos argumentos, pero por si acaso, en esta entrada me propongo analizar las innovaciones tecnológicas de las plataformas como Uber y Cabify.

Un aspecto curioso del debate es que ambas partes coinciden en que la eficiencia de las plataformas de transporte de viajeros es mucho mayor que la del sector del taxi tradicional. Donde no hay consenso es en el origen de esa ventaja competitiva: unos aseguran que se debe a las condiciones laborales de empresas como Uber mientras que otros defienden que las nuevas plataformas generan valor gracias a sus innovaciones tecnológicas. En la entrada de hoy me gustaría explicar un mecanismo posible por el que Uber consigue aunar un mejor servicio con un menor coste.

Las dos innovaciones más importantes que han introducido estas empresas son el emparejamiento centralizado entre conductores y viajeros y el ajuste de precios dependiendo de las condiciones del mercado ("surge pricing"). Un emparejamiento más eficiente puede reducir las esperas de viajeros y reducir los lapsos en los que los conductores esperan un nuevo encargo.

¿Por qué se produce un emparejamiento ineficiente en los taxis convencionales? Muchos servicios de radio-taxi utilizan un protocolo sencillo de emparejamiento: el viajero en espera recibe el primer taxi libre. En momentos en los que la demanda es baja, el número de taxis disponible es suficientemente alto y el taxi más próximo al viajero esta lo suficientemente cerca, esta asignación es eficiente. El problema surge cuando la demanda sube y una gran cantidad de taxis está ya emparejada. En ese caso, el taxi más próximo de un usuario estará relativamente lejos y, es muy posible, que para cuando este taxista llegue haya otros usuarios más próximos que podrían haber sido asignados a este taxi pero deben esperar a otros taxis. Esto genera un efecto cadena que resulta en muchos taxis buscando viajeros y una utilización de la capacidad existente muy baja. En un artículo teórico, Arnott (1996) llamó a este fenómeno “wild-geese hunt” (o “caza del ganso salvaje”, en expresión shakesperiana). Las plataformas como Uber, pueden solucionar ese problema combinando una regla de emparejamiento más eficiente con un sistema de precios que transmite la restricción de capacidad a conductores y usuarios.

La evidencia empírica parece mostrar la existencia de tales ventajas. Como nos contaba Gerard, en uno de los primeros artículos académicos sobre Uber, Cramer y Krueger (2016), muestran que los conductores de Uber pasan entre un 30% y un 40% más de su tiempo transportando viajeros que los taxistas en cinco de las mayores áreas metropolitanas de EEUU. En un artículo más reciente Cárdenas, Knoefle (Uber) y Weyl (2018), analizan una muestra más detallada de todos los viajes en la isla de Manhattan entre Diciembre y Mayo de 2017.

Los resultados se pueden resumir bien en los siguientes gráficos. En la Figura 1, vemos el tiempo esperado medio de un viajero como función del número de viajes completados. Cuando la demanda es baja, nuevos viajeros deben esperar relativamente poco y el emparejamiento es eficiente. A medida que esta demanda crece, tanto la espera como el número de viajes completados crece, pero llega un punto en que la asignación se hace más ineficiente y la espera media crece a la vez que el número de viajes cae. Fíjese el lector que esto es claramente ineficiente pero inevitable sin un sistema de emparejamiento perfecto. El resultado son muchas cancelaciones y una larga espera para los pocos afortunados que obtienen su transporte.

Figura 1: Tiempo esperado como función del número de viajes completados. Los colores representan la proporción de taxis no emparejados. (Cardenas et. al. 2018)

¿Cómo resuelve Uber este problema? Elevando los precios a medida que crece la proporción de conductores ocupados. Esto se puede ver en la Figura 2, donde observamos el tiempo esperado medio como función de la proporción de vehículos no emparejados. Cada observación recibe un color que representa el precio medio del servicio, colores rojizos para precios más altos y azulados para precios normales. Como se puede apreciar, Uber consigue  ajustar los precios a la demanda para reducir el impacto de la congestión en el emparejamiento.

Figura 2: Proporción de cancelaciones como función de la proporción de taxis no emparejados. Los colores representan el multiplicador del precio que utiliza Uber. (Cardenas et. al. 2018)

El efecto de estas subidas de precios sobre el mercado se puede observar también en la entrada de nuevos conductores al mercado. En un estudio reciente Hall (Uber), Horton y Knoepfle (Uber) muestran que una subida en el precio básico de los viajes en una determinada ciudad incrementa las rentas de los conductores durante las primeras semanas pero atrae a nuevos conductores que compiten por esas rentas adicionales y resultan en un nuevo equilibrio del mercado con más oferta pero el mismo nivel de beneficios. Este tipo de ajustes, mucho más lentos en el caso de los taxis, permiten a Uber reducir la congestión y mejorar el servicio.

En definitiva, las ventajas tecnológicas de las plataformas de transporte de viajeros producen beneficios sustanciales tanto para los consumidores de servicios de transporte (véase aquí) como para el resto de la sociedad, al reducir el número de vehículos necesarios para cubrir un nivel de demanda (por ejemplo, aquí).