Дипломная работа: Анализ сделки слияния Яндекс Такси и Uber в России

В качестве зависимой переменной было выбрано количество действующих разрешений в субъекте РФ на определенный год, так как данный показатель доступен в разбивке по регионам РФ, и он отражает размер рынка такси.

Процесс слияния «Яндекс Такси» и «Uber» в модели описан с помощью двух бинарных переменных merger и post_merger. Переменная merger принимает значение 1 в период, когда процесс слияния был завершен (2018 год) и принимает значение 0 в период, когда не происходило слияние. Переменная post_merger принимает значение 1 в период действия этих компаний как единая (2019 год) и 0 в остальные периоды. Важно включить в модель не только переменную merge, но и переменную post_merger, так как влияние слияния этих компаний может оказываться на рынок и уже после завершения сделки.

Помимо этих бинарных переменных на размер рынка такси оказывают влияние и другие факторы. Согласно предположениям, состояние рынка такси также может зависеть от таких факторов как: плотность и численность населения, количество личных автомобилей, валовый региональный продукт, коэффициента Джини (показатель неравенства среди населения), объема услуг общественного транспорта, доступности интернета, наличия «Яндекс Такси» и экономических шоков. Плотность и численность населения, валовый региональный продукт могут отражать потенциальное количество пользователей услуг такси. Коэффициент Джини показывает, насколько равномерно распределен доход между жителями региона, корректируя потенциальное количество пользователей. Также потенциальное число пользователей такси может зависеть от доступности интернета, поскольку около 50% рынка на 2019 год занимали онлайн агрегаторы. Появление агрегаторов значительно изменило рынок такси, и так как «Яндекс Такси» является компанией, которая одна из первых появилась на рынке такси в России и стремительно осуществляла экспансию в регионах, в модель включена переменная, отвечающая за наличие этой компании в регионе (в качестве показателя наличия агрегатора на рынке). Количество личных автомобилей может влиять на число таксистов, так как агрегаторы позволяют осуществлять деятельность такси на собственном автомобиле. Общественный транспорт считается субститутом для услуг такси, поэтому развитие общественного транспорта может негативно сказываться на зависимой переменной. Переменные d_2014 и d_2015 включены в модель, чтобы отразить возможное влияние общеэкономических шоков на зависимую переменную, которые произошли в 2014 и 2015гг.

Чтобы избежать зависимости между регрессорами, объем услуг общественного транспорта и валовый региональных продукт (ВРП) взяты на душу населения, а число личных автомобилей на 1000 человек. Данные также скорректированы с учетом размерности: число выданных разрешений, ВРП на душу населения, численность населения и количество пользователей мобильного интернета поделены на 1000.

Таблица 2. Таблица корреляции скорректированных на размерность переменных

Первый столбец таблицы 2 показывает корреляцию переменных и зависимой переменной. У всех регрессоров высокая корреляция (больше 0.5) с зависимой переменной, за исключением коэффициента Джини, у которого значение близко к 0.5, и количества собственных автомобилей, однако по смыслу данная переменная может оказывать влияние на количество выданных разрешений, поэтому она не исключена из регрессоров модели.

Мы понимаем, что переменные, корреляция между которыми выше 0.7, лучше не включать вместе в модель, так как может возникнуть зависимость между регрессорами. В данном случае наблюдается высокая корреляция между численностью населения, ВРП, объемом услуг общественного транспорта и количеством пользователей мобильного интернета. Однако эти переменные важны для содержательного обоснования, так как отвечают за различные факторы, поэтому они используются в качестве регрессоров модели.

Описательная статистика переменных представлена в таблице 3.

Таблица 3. Описательная статистика переменных

Основные гипотезы модели:

Гипотеза 1. Основная гипотеза данного исследования - слияние «Яндекс Такси» и «Uber» оказало значительное влияние на размер рынка такси России. Появление агрегаторов значимо изменило рынок, и агрегаторы заняли более половины рынка, поэтому слияние двух крупных игроков, обладающих техническим преимуществом перед классическими участниками рынка, скорее всего оказало значительное влияние на размер рынка. Также слияние этих агрегаторов привело к укрупнению платформ, что могло отрицательно сказаться на условиях, предлагаемых таксистам. Следовательно, стимулы для вступления на рынок могли снизиться среди будущих потенциальных таксистов.

Гипотеза 2. Так как около половины рынка приходится на агрегаторы, важно учитывать доступность интернета среди населения, для этого в модели используется переменная, отвечающая за число активных пользователей сети интернет со скоростью более 256 Кбит/сек. Данная переменная должна оказывать положительное влияние на размер рынка, так как чем больше число пользователей интернета среди населения, тем больше людей могут воспользоваться услугами такси через удобное приложение, а не через таксопарки.

Гипотеза 3. Плотность и численность населения, вероятно, положительно влияют на размер рынка такси, поскольку с увеличением этих показателей растет потенциальное количество потребителей услуг такси. ВРП на душу населения с одной стороны, должно положительно влиять на размер рынка такси, с другой стороны, при низком значении коэффициента Джини высокий ВРП не приведет к значительному числу пользователей такси, так как большая часть доходов региона будет распределяться между небольшой частью населения региона.

Гипотеза 4. Общественный транспорт обычно считается субститутом для такси, поэтому чем больше люди пользуются общественным транспортом, тем, скорее всего, они будут меньше пользоваться услугами такси.

Для проведения анализа была выбрана лучшая конфигурация линейной регрессионной модели, описываемая следующим уравнением:

,

Оценка модели была произведена с помощью метода наименьших квадратов.

4.2 Результаты и выводы

Результаты данной модели представлены в таблице 4.

Таблица 4. Результаты линейной модели

Данная модель построена на 90 наблюдениях, является значимой при любом уровне значимости и объясняет 89% дисперсии зависимой переменной (). Для модели были проведены тест Бройша-Пагана на гетероскедастичность и VIF тест на мультиколлинеарность. На любом уровне значимости гипотеза об отсутствии гетероскедастичности не отвергается, согласно тесту VIF, в представленной модели нет мульколлинеарности переменных.

Коэффициент перед обеими переменными, отвечающими за слияние «Яндекс Такси» и «Uber», значим на уровне 5% и оказывает отрицательное влияние на зависимую переменную. Таким образом, слияние двух агрегаторов, завершившееся в 2018 году, отрицательно повлияло на количество действующих разрешений на такси, что говорит о негативном эффекте на размер рынка такси, так как любой легальный участник рынка обязан осуществлять свою деятельность на машине, у которой есть разрешение. Иными словами, первая гипотеза не отвергается.

Оказание негативного эффекта на количество действующих разрешений проявилось за счет снижения прироста числа новых разрешений, так как среди действующих в 2019 году разрешений также есть разрешения, выданные задолго до слияния, например, в 2014 или 2015 годах. То есть уменьшилось количество людей, которые становятся новыми участниками рынка. С одной стороны, данная тенденция может быть обусловлена достижением необходимого для удовлетворения спроса числа автомобилей такси и приспособлением к новому формату такси (в 2014-2015 годах большое количество разрешений могло объясняться стремительным развитием агрегаторов). Однако к 2019 году темп развития агрегаторов замедлился, поэтому пропала необходимость в значительном увеличении доступных автомобилей для такси. С другой стороны, снижение прироста разрешений может говорить об уменьшении стимулов водителей к вступлению на рынок такси в России. Несмотря на то что агрегаторы предоставляют упрощенную процедуру получения автомобиля с разрешением и позволяют работать в качестве таксиста непрофессионалам, при укрупнении платформ наблюдается тенденция использования рыночной власти для перераспределении ренты в пользу платформ, следовательно, положение таксистов на рынке ухудшается, что может служить причиной замедления прироста числа новых участников рынка после слияния «Яндекс Такси» и «Uber».

Коэффициент перед переменной число пользователей мобильного интернета (internet) является значимым регрессором на уровне значимости в 1% и она оказывает положительное влияние на зависимую переменную. Таким образом, гипотеза 2 о влиянии числа пользователей мобильного интернета среди населения на зависимую переменную не отвергается.

На уровне значимости в 5% значимыми регрессорами являются плотность населения и число личных автомобилей. Плотность населения отражает количество потенциальных пользователей услуг такси, поэтому она оказывает положительный эффект на зависимую переменную. Количество личных автомобилей на 1000 человек положительно влияет на количество действующих разрешений, так как чем больше людей имеют свой автомобиль, тем больше среди них может быть таксистов, следовательно, число разрешений будет больше в тех регионах, где жители владеют большим количеством автомобилей.

Переменные, отвечающие за наличие шоков и «Яндекс Такси» являются значимыми на уровне 10%, все они оказывают положительное влияние на зависимую переменную, что говорит о наличии положительного эффекта от появлении агрегаторов на рынке. Регрессоры численность населения, ВРП, коэффициент Джини и объем услуг общественного транспорта являются незначимыми в модели, таким образом, гипотеза 4 о заменимости такси и общественного транспорта отвергается.

Построение модели с робастными ошибками дает схожий результат: значимость регрессоров и знаки их коэффициентов такие же, как в предыдущей конфигурации модели, за исключением переменных population (стала значимой на 10%), а переменные yandex_taxi, d_2014, d_2015 стали незначимыми регрессорами.

Таблица 5. Результаты линейной модели с робастными ошибками