Анализ сделки слияния "Яндекс Такси" и "Uber" в России

Chone и Linnemer [Chonй, P., & Linnemer, L., 2008] анализируют роль неопределенности выгод в терминах эффективности при разрешении компромисса между выигрышами в эффективности и односторонними эффектами от слияния (под ними понимается изменение равновесных цен, следующее за изменением рыночной структуры). Авторы статьи строят экономическую модель, в которой горизонтальные слияния приводят к росту рыночной власти, однако влияние на эффективность в издержках является случайной величиной (и может принимать любые значения, в том числе отрицательные). В своей модели общего равновесия они определяют два фактора, влияющих на тип кривых потребительского излишка и прибыли фирмы: с одной стороны, как только неопределенность разрешена, фирмы и потребители могут подстроиться под появившуюся информацию. Такие эффекты делают функции потребительского излишка и прибыли выпуклыми (convex). С другой стороны, улучшения в эффективности могут сказаться на ценах, что способствует противоположному характеру кривых. Chone и Linnemer [Chonй, P., & Linnemer, L., 2008] считают, что регулирующие органы должны направлять все усилия на устранение неопределенности и использовать для этого всю имеющуюся информацию.

Антимонопольные законы применяются для всех отраслей и подразделяются на 2 типа: относящиеся к сговору и имеющие отношение к исключению. Первый тип фокусируется на способах ограничения конкуренции между собой, в основном регулирующие органы занимаются картелями и горизонтальными слияниями. Вторая категория рассматривает случаи снижения уровня конкуренции доминирующей фирмой путём исключения своих конкурентов с рынка (исключение может быть неполным, а лишь снижением их конкурентноспособности, например, эксклюзивные контракты, связывающие контракты или хищническое ценообразование) [Whinston, M. D., 2007]. Прикладным применением экономических исследований в области горизонтальных слияний являются рекомендации для антимонопольного регулирования.

Ivaldi и Verboven [Ivaldi, M., & Verboven, F., 2005] проводят сравнительный анализ трех тестов (гипотетический тест рыночной власти, тест реальной рыночной власти и сравнительный тест рыночной власти), которые можно использовать для оценки слияния фирм. Авторы советуют воспринимать эти тесты в качестве продолжения существующих практик антимонопольных органов и уделять достаточное внимание построению доверительных интервалов при оценке эффектов от слияния (когда тестируются гипотезы об отсутствии этих эффектов). Традиционно в начале анализа антимонопольные органы определяют размеры рынка, а затем уровень доминирования той или иной фирмы, и только в начале XXI века в антимонопольных органах стали обращать внимание еще и на экономические аспекты поведения олигополии, делая принципы антимонопольного регулирования соответствующими новым экономическим моделям.

В статье 2005 года Ivaldi и Verboven [Ivaldi, M., & Verboven, F., 2005] строят модель и проводят эконометрический анализ, показывающий, что предложенные тесты могут помочь антимонопольным органам оценить эффекты от слияния фирм. Экономисты делают особый акцент на сравнительном тесте рыночной власти, который позволяет сравнивать результат слияния не со статусом кво, а с релевантным и реалистичным альтернативным сценарием слияния.

Сделка слияния компаний «Яндекс такси» и «Uber» относится к горизонтальным слияниям, так как эти компании находились на одном уровне по отношению к стадиям производства товара на рынке такси, поэтому для грамотного анализа этой сделки необходимо также опираться на теорию горизонтальных слияний. А именно каковы были стимулы компаний к слиянию, было ли оно выгодно для обеих фирм и как их объединение повлияло на остальных участников рынка.

Глава 3. Рынок такси в России

На конец 2019 года рынок такси в России переживал стадию стабильного роста в силу завершения стадии развития сервисов такси, функционирующих с помощью агрегаторов (платформ, наиболее быстро и точно соединяющих водителей такси и пассажиров). Согласно исследованию рынка такси, проведенного Аналитическим центром при правительстве РФ объем рынка растет темпами, опережающими рост численности водителей, что говорит об интенсивном росте, связанном со снижением холостого пробега, ростом утилизации автомобиля и дохода водителей. В 2019 году объем легального рынка вырос на 5,6% и достиг 709 млрд. рублей. Наибольший рост шел в регионах с городами-миллионниками (кроме Москвы и Санкт-Петербурга).

Тем не менее, по данным докризисного прогноза Аналитического центра в последующие годы ожидается менее бурный рост рынка в связи с его переходом в новое состояние (рис.3). Согласно этому прогнозу, в 2020 году темп роста составит около 2%, при этом доля агрегаторов на рынке будет продолжать увеличиваться и может возрасти до 65% в 2022 году (на конец 2019 года эта цифра составляла 60%). Вероятно, в условиях кризиса, вызванного эпидемией коронавируса, данный прогноз не является корректным, так как с одной стороны, меньше людей стали передвигаться по городу, но с другой стороны, такси считается более безопасным видом транспорта, чем общественный.

В целом по стране 60% легальных поездок (в денежном выражении) совершается с помощью агрегаторов, однако их позиции значительно различаются в зависимости от размера города: в крупных городах с населением от 500 тысяч большую долю занимает «Яндекс Такси», в городах от 100 до 500 тысяч жителей «Яндекс Такси» занимает примерно равную долю с «Везет» и «Максим», а в маленьких городах до 100 тысяч в основном работают «Везет» и «Максим».

Одним из главных игроков рынка такси в России на данный момент является объединенная в 2018 году компания, возникшая при слиянии «Яндекс Такси» и «Uber». По состоянию на февраль 2018 года объединённая компания «Яндекс Такси» и «Uber» работает в 169 городах с населением выше 100 тысяч человек и еще в 56 городах с населением от 50 тысяч до 100 тысяч человек.

Рис.3 Прогноз объема рынка такси в 2020-2022 гг., млдр. руб.

В 2018 году оборот рынка такси в России составлял 633,1 млрд. рублей, что более, чем в два раза, превышает оборот 2014 года. По оценкам Discovery Research Group в 2016 году оборот составлял 339 млрд. рублей. Объемы рынка такси в России: в 2015 441 млрд, 2016 - 503, 2017 - 575. «Яндекс Такси» занимает лидирующее положение с 66%.

Существует тенденция снижения тарифов для пользователей, по оценкам департамента транспорта в 2015 году средняя стоимость поездки составляла 650 рублей, в 2018 году - 450 (однако стоит учитывать снижение дальности поездки с 14,4 до 10,6 млн). В 2018 году на легальном рынке совершалось 715 тыс поездок в день. Средний чек в Москве в конце 2014 составлял 680 рублей, в 2018 - 390 рублей.

Рис. 4 Рыночные доли компаний с учетом и без учета нелегалов на рынке такси, 2019 год

Аналитический центр при правительстве Москвы оценил рынок такси в 2019 году: оборот по оценкам составляет 709 млрд рублей, темп роста - 5,6%. Количество официально занятых по прогнозам увеличится до 600 тыс. (584 тыс в 2018). Агрегаторы занимают около 60% легального рынка и 53% с учетом нелегального. «Яндекс Такси» занимает 27% рынка, «Везет» - 12%, «Максим» - 9% (рис.4). Discovery Research Group оценил, что на первое полугодие 2019 года доля в стоимостном выражении у «Яндекс Такси» - 46,7, «Везет» - 24,1%, «Gett» - 9,7%, «Максим» 5,6%, «Ситимобил» 1,6%.

«Яндекс Такси» вышел на российский рынок в 2011 году в Москве, на тот момент к этому сервису компании Яндекс было подключено около 1000 водителей и 11 таксопарков. Уже в 2013 году Яндекс заработал 4,2 миллиона долларов, что в три раза превышает выручку в предыдущем году. В 2014 сервис начал работать в Нижнем Новгороде, Ростове, Южно-Сахалинске.

В 2015 году «Яндекс Такси» появился в Санкт-Петербурге, Екатеринбурге, Омске, Сочи, Адлере, Красной поляне, на этот момент к системе было подключено около 300 тысяч машин и 450 таксопарков по всей России. В 2016 году «Яндекс Такси» значительно расширил географию и к концу года работа уже в 46 городах. Он появился в таких городах как Волгоград, Владивосток, Иркутск, Ижевск, Курск, Красноярск, Краснодар, Калининград, Казань, Новосибирск, Нижний Новгород, Пермь, Пенза, Ростов-на-Дону, Смоленск, Саратов, Самара, Уфа, Ульяновск, Хабаровск, Челябинск, Чебоксары, Якутск, Ярославль. К концу сентября 2017 года количество поездок, совершенных через сервис «Яндекс Такси» составило примерно 335 млн, через год эта цифра достигла 1 млрд поездок, что говорит о росте показателя примерно в 3 раза. На 2017 год «Яндекс Такси» был лидером онлайн сегмента, на котором он занимал около 50%, в то время как ближайший конкурент «Uber» совершал только 23% онлайн перевозок.

Американская компания «Uber» была основана в 2009 году, однако сервис такси «Uber» пришел на российский рынок на 2 года позже «Яндекс Такси», в 2013 году, и развивался медленнее конкурента. К 2017 году «Uber» осуществлял свою деятельность в 15 городах-миллионниках и городе Сочи, а на середину 2019 года «Uber» присутствовал примерно в 18 городах России, что значительно меньше по сравнению с «Яндекс Такси». Так же как и «Яндекс Такси», компания «Uber» проводила агрессивную ценовую политику, стараясь привлечь как можно больше пользователей, что однако негативно сказывалось на финансовых показателях компании, поэтому в некоторых странах руководство компании было вынуждено продать свою часть бизнеса (например, в Китае).

3.1 «Яндекс Такси» и «Uber» как платформы с сетевыми эффектами

Схемы платформ «Яндекс Такси» и «Uber» крайне похожи: они осуществляют свою деятельность совместно с пользователями, водителями такси и таксопарками (или другими организациями, предоставляющими автомобили). Способ взаимодействия между сторонами платформы можно отнести к рынкам с двусторонними транзакциями, характеризующиеся косвенными сетевыми эффектами. Так, чем больше пользователей подключено к платформе, тем больше выгоды получат таксисты от работы с этой платформой и наоборот, чем больше таксистов используют приложение, например, «Яндекс Такси», тем быстрее платформа сможет предоставить пользователю услугу. Иными словами, полезность пользователей растет от увеличения числа подключившихся к платформе водителей.

Как показано на схеме 1, пользователи и водители при каждой поездке совершают транзакцию, причем пользователь получает от платформы возможность воспользоваться услугами такси и платит платформе деньги за поездку, водитель же получает возможность заработать, но отдает за нее часть заработанных средств в качестве комиссии. Взаимодействие между таксопарками и платформой устроено по схожей схеме: таксопарки предоставляют машины, которые будут совершать поездки по заказам из приложения и получают возможность использовать простаивающие машины. Благодаря наличию в схеме таксопарков водители без личного транспорта возможность получать доход, за что таксисты также платят платформе.

Схема 1. Схема функционирования платформ «Яндекс Такси» и «Uber»

Появление агрегаторов на рынке такси повлекло за собой значительные изменения на этом рынке по всему миру, поэтому экономисты обратили свое внимание на данную тенденцию и провели анализ возможных причин происходящего. Так, Cramer и Krueger [Cramer, J., & Krueger, A. B., 2016] рассмотрели причины гораздо большей производительности по сравнению с обычными водителями такси. Одним из главных преимуществ «Uber» является система, позволяющая предоставлять более эффективный результат поиска таксистов для пассажиров, что крайне сложно обеспечить обычному таксопарку. Помимо использования интернет технологий, агрегаторы пользуются положительными эффектами от масштаба и наличием сетевых эффектов, что увеличивает вероятность нахождения «идеального» водителя агрегатора ближе, чем обычного водителя такси. Также большую роль играет гибкая система ценообразования и устройство рынка труда, что позволяет крайне быстро и точно реагировать на любые изменения со стороны спроса.

Согласно данному исследованию, в среднем производительность водителей «Uber Х» на 30% выше обычных таксистов во временных единицах и на 50% в милях (анализ проводился в Бостоне, Лос-Анджелесе, Нью-Йорке, Сан-Франциско и Сиэтле по данным, доступным за 2013 год).

Berger et. al. [Berger, T., Chen, C., & Frey, C. B., 2018] сравнивают рынок такси со стороны предложения до и после входа «Uber», они строят difference-in-difference модель, которая показывает 10% снижение зарплаты таксистов при неизменном объеме предложения труда после входа агрератора на рынок.

Обе компании осуществляют свою деятельность по схожему принципу: они являются платформами, связывающими водителей и пассажиров с помощью мобильного приложения. Пассажиру достаточно скачать приложение, зарегистрироваться в системе и установить способ оплаты. К водителям компании предъявляют более жесткие требования: они обязаны предоставить документы (такие как удостоверение личности или водительские права), хорошо знать город и уметь работать с клиентами. В случае невыполнения требований компании или несоблюдения условий, прописанных для каждого тарифа, водители будут оштрафованы.

Пассажиры являются субсидируемой стороной, так как их чувствительность к изменению цены выше, чем у водителей. Поэтому платформы часто предоставляют скидки для клиентов или промокоды на первую поездку, в то время как цены для водителей являются более жесткими и менее выгодными для водителей.

Сложно однозначно сказать, в какой из категорий single-homing или multi-homing относятся обе группы пользователей, тем не менее, для пассажиров проще быть пользователями сразу нескольких платформ (достаточно всего лишь скачать приложения различных компаний), чем для водителей. Однако и водители зачастую работают сразу с несколькими платформами в силу неполной загруженности или желания больше заработать.

Платформы конкурируют между собой скорее за водителей, чем за пассажиров, так как водителям с физической точки зрения сложно быть активными пользователями всех платформ, поэтому они менее вероятно относятся к группе multi-homing. В то же время пассажиры принимают решение о присоединении к той или иной платформе независимо от их отношений с другими платформами, так как наличие приложения одной платформы никак не ограничивает пользователя в участии любой другой платформы. Поэтому согласно логике Армстронга [Armstrong, M., 2006] пассажиров можно отнести к категории multi-homing пользователей (которые пользуются услугами нескольких или даже всех платформ). Согласно выводам модели Армстронга [Armstrong, M., 2006], платформы будут устанавливать цены, исходя из максимизации собственных выгод и выгод водителей, так как платформы имеют больше стимулов конкурировать между собой именно за водителей, а не за пассажиров.

3.2 Слияние «Яндекс Такси» и «Uber»

Компания «Яндекс Такси» объявила о намерении объединиться с компанией «Uber» в июле 2017 года, объединенная компания должна была проводить свою деятельность на территории России, Казахстана, Азербайджана, Армении, Белоруссии и Грузии. Федеральная антимонопольная служба России проводила анализ, прежде чем одобрить сделку о слиянии, так как данные компании являлись одними из самых крупных на рынке такси в России и крупнейшими на рынке онлайн заказов такси. На 2017 год суммарная доля компаний на московском рынке составляла примерно 65%. По итогам своего разбирательства ФАС разрешила слияние с условием запрета на ограничение сотрудничества с другими агрегаторами услуг такси для водителей и пассажиров. Официально ни одна компания не запрещает своим водителям сотрудничать с другими агрегаторами, однако существуют механизмы, препятствующие работу сразу у нескольких агрегаторов, например, снижение комиссии при брендировании автомобиля символикой агрегатора.

Обе компании являются двусторонними платформами, так как они являются пространством для объединения обеих сторон рынка: таксистами со стороны предложения и людьми со стороны спроса. Поэтому при анализе влияния сделки о слиянии «Яндекс Такси» и «Uber» необходимо учитывать специфику рынков платформ, так как наличие сетевых эффектов зачастую делает недействительными выводы и результаты многих экономических исследований, проводившихся в рамках рынков без сетевых эффектов.

Далее представлен эконометрический анализ сделки слияния этих компаний.

Глава 4. Эконометрический анализ

Сделка слияния двух крупных игроков на любом рынке - это всегда вызов для антимонопольных органов с точки зрения последствий данной сделки, оказываемых на состояние конкуренции. ФАС России разрешила «Яндекс Такси» и «Uber» объединиться с единственным поведенческим предписанием: запрет на single-homing для своих пользователей и водителей такси.

На данный момент на основе доступных данных есть возможность оценить, оправдано ли было решение ФАС РФ с точки зрения оказания значимого влияния на размер рынка такси в России.

4.1 Методология

В качестве переменной, отражающей размер рынка такси в России, был выбран показатель количества выданных разрешений на осуществление деятельности такси. Данные разрешения выдаются министерством транспорта на конкретный автомобиль и в основном действуют в течение 5 лет с момента выдачи. Если человек изъявляет желание работать таксистом, по закону он обязан иметь разрешение на эту деятельность. Существует несколько способов, как можно легально стать водителем такси. Во-первых, зарегистрировать ИП или ООО и оформить разрешение самостоятельно. Во-вторых, заключить договор с таксопарком или агрегатором и получить автомобиль с разрешением в качестве наемного работника таксопарка. И в-третьих, заключить договор аренды с агрегатором и арендовать машину с разрешением у партнеров агрегатора или самого агрегатора. В любом случае, согласно закону, машины, на которых осуществляется деятельность такси, обязаны иметь разрешение, выданное министерством транспорта региона. Таким образом, с помощью числа действующих разрешений можно оценить фактическое количество машин такси, то есть размер рынка. Маловероятно, что человек или компания не аннулируют неиспользуемое разрешение, так как в таком случае они должны будут платить налоги.

Рис.5 Количество активных разрешений на таксомоторную деятельность в федеральных округах РФ на конец 2017, 2018 и первого полугодия 2019гг., тыс. ед.

Рис.6 Топ-10 городов по количеству действующих разрешений такси в 2017 году

Основными источниками данных для исследования являются Росстат и реестры выданных разрешений на осуществление деятельности по перевозке пассажиров и багажа легковым такси субъектов РФ, данные из источников собраны за период с 2014 по 2019 год. При построении модели использовались данные по 15 городам-миллионникам РФ с наибольшим числом разрешений на деятельность такси (рис.6): Москве, Санкт-Петербургу, Новосибирску, Екатеринбургу, Нижнему Новгороду, Казани, Челябинску, Омску, Самаре, Ростову-на-Дону, Уфе, Красноярску, Перми, Воронежу и Волгограду. Во всех городах обе компании присутствовали на рынке до и после слияния.

Процент изначальных пропусков в данных составлял до 15%, которые были заполнены при помощи процедуры имплицирования. В таблице 1 представлены используемые в модели данные и переменные.

Таблица 1. Переменные и данные, из которых они сформированы

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

Таким образом, на количество выданных разрешений оказывают влияние в первую очередь доступность интернета, число личных автомобилей и слияние «Яндекс Такси» и «Uber», также значимыми регрессорами являются численность и плотность населения

В силу значительной рыночной доли, приходящейся на агрегаторы, можно утверждать, что рынок такси в России подвержен сетевым эффектам. Наличие сетевых эффектов позволяет платформам регулировать количество участников обеих групп, усложняет ценовой механизм из-за необходимости учитывать влияние изменения количества одной группы при росте/снижении цены на спрос другой группы, дает возможность проводить различную ценовую политику по отношению к разным группам. Это далеко не все значительные изменения, которые сетевые эффекты приносят на рынок платформ по сравнению с традиционным рынком.

Заключение

Сделка слияния «Яндекс Такси» и «Uber» - это важное изменение рынка такси России и в особенности он-лайн рынка, так как на долю этих компаний до слияния приходилась значительная часть рынка. Эти компании относятся к рынкам с двусторонними сетевыми эффектами, выполняя роль платформы. В данной работе представлена линейная модель, позволяющая оценить, оказало ли значительное влияние слияние двух крупных компаний на размер рынка такси, который оценивается с помощью количества выданных разрешений на деятельность в сфере такси. Согласно результатам модели, обе dummy переменные, отвечающие за сделку слияния, являются значимыми регрессорами, что говорит о наличии влияния на размер рынка такси, причем эффект от слияния «Яндекс Такси» и «Uber» отрицательный.

Результаты модели могут быть косвенным доказательством снижения стимулов водителей становиться новыми участниками рынка такси, так как легально человек может осуществлять деятельность такси только на автомобиле с разрешением. Платформы или агрегаторы такси занимали в 2019 году около половины рынка такси, и они продолжают вытеснять классических участников рынка - таксопарки, что приводит к росту рыночной власти агргаторов. Снижение стимулов водителей к вступлению на рынок может свидетельствовать об использовании рыночной власти платформ для перераспределения ренты в свою пользу, что ухудшает положение таксистов.

Тем не менее, представленная модель может быть улучшена в дальнейших исследованиях. Важным фактом является то, что обе компании относятся к платформам, которые характеризуются наличием на рынке сетевых эффектов, приводящие к изменению выводов многих экономических моделей. Поэтому для полного анализа данного события с точки зрения влияния на размер рынка не корректно опираться на модели, не учитывающие сетевые эффекты.

В качестве дальнейших исследований можно модифицировать регрессионную модель, расширив количество наблюдений как за счет городов, так и других факторов структуры данного рынка. Основной модификацией модели в дальнейших исследованиях может быть включение переменной, отвечающей за наличие и силу сетевых эффектов, что согласно уже существующим научным работам, может приводить к изменению выводов многих экономических моделей.

Список литературы

1. Aoyagi, M. (2018). Bertrand competition under network externalities. Journal of Economic Theory, 178, 517-550.

2. Armstrong, M. (2006). Competition in two-sided markets. The RAND Journal of Economics, 37(3), 668-691.

3. Beckman, S. R., DeAngelo, G., & Smith, W. J. (2012). Experiments on horizontal mergers: Does size matter?. Economics Letters, 117(3), 537-539.

4. Berger, T., Chen, C., & Frey, C. B. (2018). Drivers of disruption? Estimating the Uber effect. European Economic Review, 110, 197-210.

5. Burguet, R., Caminal, R., & Ellman, M. (2015). In Google we trust?. International Journal of Industrial Organization, 39, 44-55.

6. Cabral, L. M. (2017). Introduction to industrial organization. MIT press.

7. Chonй, P., & Linnemer, L. (2008). Assessing horizontal mergers under uncertain efficiency gains. International Journal of Industrial Organization, 26(4), 913-929.

8. Church, J., Gandal, N., & Krause, D. (2003). Indirect network effects and adoption externalities.

9. Cramer, J., & Krueger, A. B. (2016). Disruptive change in the taxi business: The case of Uber. American Economic Review, 106(5), 177-82.

10. Davidson, C., & Mukherjee, A. (2007). Horizontal mergers with free entry. International Journal of Industrial Organization, 25(1), 157-172.

11. Dockner, E. J., & Gaunersdorfer, A. (2001). On the profitability of horizontal mergers in industries with dynamic competition. Japan and the World Economy, 13(3), 195-216.

12. Economides, N., & Tеg, J. (2012). Network neutrality on the Internet: A two-sided market analysis. Information Economics and Policy, 24(2), 91-104.

13. Eisenmann, T., Parker, G., & Van Alstyne, M. W. (2006). Strategies for two-sided markets. Harvard business review, 84(10), 92.

14. Evans, D. S., Schmalensee, R., Noel, M. D., Chang, H. H., & Garcia-Swartz, D. D. (2011). Platform economics: Essays on multi-sided businesses. PLATFORM ECONOMICS: ESSAYS ON MULTI-SIDED BUSINESSES, David S. Evans, ed., Competition Policy International.

15. Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. Handbook of industrial organization, 3, 1967-2072.

16. Hoernig, S. (2012). Strategic delegation under price competition and network effects. Economics letters, 117(2), 487-489.

17. Ivaldi, M., & Verboven, F. (2005). Quantifying the effects from horizontal mergers in European competition policy. International Journal of Industrial Organization, 23(9-10), 669-691.

18. Jacquemin, A., & Slade, M. E. (1989). Cartels, collusion, and horizontal merger. Handbook of industrial organization, 1, 415-473.

19. Katz, M. L., & Shapiro, C. (1985). Network externalities, competition, and compatibility. American economic review, 75(3), 424-440.

20. Krдmer, J., Wiewiorra, L., & Weinhardt, C. (2013). Net neutrality: A progress report. Telecommunications Policy, 37(9), 794-813.

21. Kim, J. Y. (2002). Product compatibility as a signal of quality in a market with network externalities. International Journal of Industrial Organization, 20(7), 949-964.

22. Lee, D., & Kim, H. (2014). The effects of network neutrality on the diffusion of new Internet application services. Telematics and Informatics, 31(3), 386-396.

23. Laussel, D., & Resende, J. (2014). Dynamic price competition in aftermarkets with network effects. Journal of Mathematical Economics, 50, 106-118.

24. Leibenstein, H. (1966). Allocative efficiency vs." X-efficiency". The American Economic Review, 392-415.

25. Lundberg, A. (2015). Non-monotonic network effects and market entry. Economics Letters, 137, 146-149.

26. Navarro, N. (2012). Price and quality decisions under network effects. Journal of Mathematical Economics, 48(5), 263-270.

27. O'brien, D. P., & Salop, S. C. (1999). Competitive effects of partial ownership: Financial interest and corporate control. Antitrust LJ, 67, 559.

28. Pal, R., & Scrimitore, M. (2016). Tacit collusion and market concentration under network effects. Economics Letters, 145, 266-269.

29. Perry, M. K., & Porter, R. H. (1985). Oligopoly and the incentive for horizontal merger. The American Economic Review, 75(1), 219-227.

30. Rochet, J. C., & Tirole, J. (2004). Two-sided markets: an overview. Institut d'Economie Industrielle working paper.

31. Rothschild, R. (1990). On the incentives for horizontal merger in an industry with dominant firms. European Journal of Political Economy, 6(4), 473-485.

32. Salant, S. W., Switzer, S., & Reynolds, R. J. (1983). Losses from horizontal merger: the effects of an exogenous change in industry structure on Cournot-Nash equilibrium. The Quarterly Journal of Economics, 98(2), 185-199.

33. Valletti, T., Langus, G., & Federico, G. (2018). Horizontal Mergers and Product Innovation.

34. Varian, H. R. (2014). Intermediate microeconomics with calculus: a modern approach. WW Norton & Company.

35. Whinston, M. D. (2007). Antitrust policy toward horizontal mergers. Handbook of industrial organization, 3, 2369-2440.

36. Williamson, O. E. (1968). Economies as an antitrust defense: The welfare tradeoffs. The American Economic Review, 58(1), 18-36.

37. Zhang, G., Shang, J., & Yildirim, P. (2016). Optimal pricing for group buying with network effects. Omega, 63, 69-82.

38. Zhao, D., Chen, H., Hong, X., & Liu, J. (2014). Technology licensing contracts with network effects. International Journal of Production Economics, 158, 136-144.

39. Авдашева С.Б., Голованова С.В., Крючкова П.В., Павлова Н., Шаститко А., Мелешкина А., Шаститко А., Сухорукова К.А., Юсупова Г.Ф., Кудряшова Е. (2018). Антимонопольная политика на связанных рынках: теория и практика / Науч. ред.: С. Б. Авдашева, А. Е. Шаститко. М. : Издательский дом «Дело» РАНХиГС.

40. Магнус, Я. Р., Катышев, П. К., & Пересецкий, А. А. (1997). Эконометрика. Начальный курс. М.: Дело.

41. Самигуллина Ю.Т. (2019) Влияние кооперации компаний с поисковой системой на общественное благосостояние на рынках с сетевыми эффектами. КР, ФЭН НИУ ВШЭ (на правах рукописи)

Размещено на Allbest.ru