Mari kita dimensi pasar robotaxi AS (karena pelaku pasar tampaknya tidak mau melakukannya). Pola orang cocok dengan produk mobilitas titik ke titik secara struktural ~ $ 3 per mil dan dengan demikian salah memahami ruang lingkup potensial robotaxi karena dapat diakses secara massal. Rata-rata orang dewasa AS menghabiskan hampir satu jam per hari mengemudi. Biaya tenaga kerja yang diperhitungkan dari semua uji coba manual itu berjalan lebih dari $ 4 triliun per tahun. Selain itu, kami membayar $1.6 triliun per tahun untuk layanan mengemudi titik ke titik yang sebenarnya. Dengan mengembalikan waktu kepada orang-orang (yang tidak perlu membayar pengiriman penuh) dan memenangkan pangsa pengeluaran, kami pikir pasar AS dapat mendekati $4 triliun per tahun pada saat jenuh. Mengingat ekspektasi yang wajar tentang pasokan, difusi dan adopsi konsumen, penyedia layanan robotaxi dapat melebihi pendapatan $1,5 triliun pada tahun 2030, dengan laba kotor lebih dari $1 triliun.

Mari kita kerjakan derivasi yang mendasarinya. Kritik konstruktif disambut baik. Penghasilan terkaya menghabiskan sebagian besar waktu mengemudi secara manual, dan dapat memerintahkan $50 per jam setelah pajak. Yang berpenghasilan lebih tinggi bersedia membayar bagian yang lebih tinggi dari upah setelah pajak untuk memenangkan waktu kembali. Penelitian kami menunjukkan bahwa penghasilan tertinggi akan menolak sesuatu yang kurang dari setara dengan gaji lembur untuk memenangkan waktu kembali. Untuk kelompok lain, mereka membeli kembali waktu dengan diskon dari apa yang bisa mereka bawa pulang. Ini adalah masukan yang cukup sensitif terhadap ukuran pasar secara keseluruhan. Bahwa milenial sangat jelas bersedia menukar waktu dengan uang dengan mempekerjakan pengemudi doordash daripada berlari ke konter takeout sendiri memberikan anekdata yang layak bahwa ada beberapa kebenaran untuk kurva ini.

Ketika konsumen memutuskan untuk naik robotaxi, mereka tidak hanya menukar waktu dengan uang, mereka juga menghindari biaya menjalankan kendaraan mereka sendiri. Penghasilan desil teratas menghabiskan $.76 per mil, termasuk biaya pembelian kendaraan, untuk pergi dari satu tempat ke tempat lain (tidak termasuk perjalanan udara). Cukup konsisten, berdasarkan desil pendapatan, biaya marjinal mobilitas berjalan di ~$.17 per mil. Model ini mengasumsikan bahwa orang yang sudah memiliki kendaraan hanya bersedia membayar $.17 itu pada awalnya, ditambah nilai waktu mereka. Selama siklus hidup kendaraan yang khas, kami berasumsi bahwa konsumen menghindari pembelian kendaraan baru karena mereka semakin bergantung pada robotaxi. 2 rumah tangga mobil menjadi rumah tangga 1 mobil dan lebih banyak anggaran transportasi bergeser ke robotaxi. (perhatikan bahwa kebolongan kepemilikan tetap di seluruh desil pendapatan hampir pasti hanya artefak untuk mengekstraksi ini dari data CEX satu tahun yang disilangkan dengan item baris - pembelian kendaraan - yang jarang terjadi tetapi besar di seluruh rumah tangga; Saya jelas harus menghaluskannya tetapi itu tidak terlalu penting untuk kesimpulan.)

Susun nilai waktu uang per desil, waktu yang dihabiskan untuk mengemudi, dan pengeluaran langsung untuk mengemudi dan Anda mendapatkan keseimbangan pasar yang dapat ditangani berdasarkan desil pendapatan ditambah biaya kliring per mil. Di seluruh AS, biaya kliring per mil adalah $ 1,36 dengan desil pendapatan tertinggi bersedia membayar $ 3 dengan asumsi bahwa mereka melepaskan pembelian kendaraan. Jika semua orang bersikeras untuk terus memiliki mobil maka biaya kliring nasional turun menjadi $ .97 per mil dengan penghasilan tertinggi bersedia membayar $ 2.50

Total pasar yang dapat dialamatkan sebesar $2,8 triliun yang tumbuh menjadi $3,9 triliun karena orang melepaskan pembelian kendaraan. Sepertinya besar. Tetapi selalu mudah untuk menggambar garis putus-putus di sekitar pasar yang dapat dialamatkan. Seperti apa kemungkinan peluncurannya?

Sebelum melakukan peluncuran, kita harus mencari tahu di mana peluang itu berada. Kami menyesuaikan kode pos berdasarkan pendapatan per kapita dan kemiringan pendapatan, menggulungnya ke metro dan menggulungnya ke negara bagian, menyesuaikan metro dengan mph rata-rata (rata-rata mph yang lebih rendah meningkatkan kemauan konsumen untuk membayar per jam, karena mereka menghemat lebih banyak waktu mengemudi manual per mil.) Kami kemudian menilai, di tingkat negara bagian, keramahan cuaca dan keramahan peraturan. Ini memberikan peringkat tumpukan peluncuran tingkat negara bagian dan di setiap negara bagian kami berasumsi bahwa penyedia akan meluncurkan metro TAM terbesar terlebih dahulu. Grafik ini menjadi dolar per mil (tinggi) dengan mil lebar yang tersedia berdasarkan negara bagian dan metro dalam urutan peluncuran yang mungkin (kode warna berdasarkan wilayah). Anda juga bisa merasakan kontribusi kekayaan untuk setiap TAM (di mana New York menarik karena mph rendah, pendapatan per kapita tinggi, dan kemiringan pendapatan tinggi, tetapi kemudian turun lebih rendah dalam urutan peluncuran karena cuaca dan gesekan peraturan.)

Kami memodelkan adopsi pada serangkaian tiga kurva difusi yang tertinggal. Pertama, penyedia robotaxi harus membuka negara bagian. Setelah melakukannya, mereka mulai menembus setiap area metro. Saat setiap area metro terbuka, populasi mulai menggunakan teknologi, bersumber dari berpenghasilan tertinggi terlebih dahulu, dengan harga efektif di metro turun karena menembus lebih banyak populasi dan lebih banyak pasokan online.

Kurva peluncuran ini menunjukkan pendapatan hampir $2 triliun pada tahun 2030, dengan sekitar $1,5 triliun diperoleh untuk laba kotor menggunakan asumsi Hukum Wright tentang biaya untuk menyediakan layanan.

Perlu dicatat bahwa robotaxi tidak perlu diluncurkan ke sejumlah besar metro atau negara bagian untuk mengatasi sebagian besar pasar. Mencapai 10% pertama dari metro peluncuran yang dimodelkan membuka 40% dari laba kotor yang dapat dialamatkan. 25% membuka hampir 2/3rds. Bahkan jika ekor panjang terbukti lebih sulit untuk dimanfaatkan (karena alasan peraturan atau lainnya), ada banyak nilai pasar yang dapat ditangkap.

Apa artinya ini untuk pasokan? Pada 80.000 mil pendapatan per robotaxi, ini akan menunjukkan pasar jenuh pada 30 juta robotaxi, dengan penambahan pasokan tahunan memuncak pada 5 juta unit. Namun, banyak alasan untuk percaya bahwa ini konservatif. Latihan pemodelan ini tidak membuat asumsi tentang pasokan fleksibel (untuk puncak vs palung) atau asumsi apa pun tentang mil-permintaan-elastisitas. Kurangnya permintaan yang diasumsikan mungkin diimbangi oleh harga datar bahkan untuk konsumen kelas atas. Bersih, saya bertaruh bahwa model ini melebih-lebihkan jumlah pasar yang hidup pada titik harga $2,50 per mil tetapi meremehkan permintaan yang didorong oleh mil yang terjadi saat harga turun. Konsumen kelas atas mungkin akan diberikan kelas kenyamanan yang setara dengan kelas kenyamanan yang akan mereka ambil, tetapi mereka juga mungkin akan mengirim anak-anak mereka ke seluruh kota lebih sering dan pergi ke lingkungan lain untuk makan malam atau melintasi kota untuk pertemuan hanya karena biaya efektif untuk melakukannya telah diturunkan.

Pada tingkat diskon 15%, pekerjaan ini menunjukkan bahwa ada $12+ triliun dalam laba kotor nilai sekarang yang tersedia di robotaxi AS (berdasarkan asumsi ini.) Tentu saja ini tidak semua akan mengalir ke dalam arus kas. Ada infrastruktur pengisian daya yang substansial dan pembangunan layanan yang perlu disertai dengan penskalaan robotaxi, dan pasti akan ada biaya tenaga kerja, admistratatif, dan akuisisi pelanggan yang akan mengalir di bawah garis. Bersih, itu memberikan skala peluang yang masuk akal yang tampaknya tidak mau dihadapi oleh pelaku pasar.

Mengukir kasus konservatif. Orang dapat menegaskan bahwa orang tidak akan begitu bersedia menukar waktu dengan uang dan bahwa ada lebih sedikit kemiringan ke atas pada data itu saat Anda naik kurva pendapatan. Orang juga dapat mengklaim bahwa adopsi konsumen akan terjadi lebih lambat, bahwa pemasok robotaxi akan memiliki waktu yang lebih sulit untuk meluncurkan pasar ekor panjang, dan bahwa struktur biaya mereka akan mulai lebih tinggi. Dalam keadaan itu mungkin hanya setengah dari populasi yang bersedia melepaskan kepemilikan mobil. Dengan input tersebut, laba kotor nilai sekarang turun menjadi $4 triliun (dengan tingkat diskonto 15%)

Sumber / Metode: Perkiraan ARK Invest menggunakan mikrodata BLS ATUS (penggunaan waktu) + CEX (belanja konsumen), dikombinasikan dengan nilai waktu mengemudi yang diperhitungkan, penyesuaian kemauan untuk membayar, dan peluncuran geografis yang dimodelkan + kurva biaya. Catatan: Model ukuran pasar ilustratif—bukan perkiraan. Termasuk nilai waktu yang diperhitungkan (non-tunai). Hasilnya sangat sensitif terhadap asumsi (adopsi, waktu, biaya, tingkat diskonto). Pengungkapan: Hanya untuk tujuan informasi, bukan saran investasi. Perkiraan/asumsi dapat berubah; Tidak ada hasil jaminan yang direalisasikan. Data pihak ketiga diyakini dapat diandalkan, tidak dijamin.

@threadreaderapp membuka gulungan