MétaCan
Menu
Retour à la cohorte
Enregistrement W3046041180 · doi:10.5465/ambpp.2020.12471abstract

Nonmarket Strategies of New Entrants and Incumbents: Evidence from Ridesharing and Taxi Firms

2020· article· en· W3046041180 sur OpenAlexaffabout
Guy L. F. Holburn, Davin Raiha, Kartik Rao

Notice bibliographique

RevueAcademy of Management Proceedings · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésNonmarket forcesCompetition (biology)PoliticsLeverage (statistics)LegitimacyBarriers to entryIndustrial organizationBusinessEconomicsMarket economyMarketingMarket structurePolitical scienceFactor market

Résumé

récupéré en direct d'OpenAlex

Technological innovations by digital platform-based firms have led to public debates about the legitimacy of new entrants’ business strategies in a range of industries, prompting governments to revisit industry regulations – and triggering competition between new entrants and incumbents in the nonmarket environment in order to shape the future “rules of the game”. In this paper, we examine the lobbying strategies employed by market incumbents and new entrants to shape emerging industry regulations. Our central thesis is that the asymmetry in political resources and capabilities of incumbents and new entrants will result in them pursuing divergent lobbying strategies. Focusing on the key legislator attributes of committee assignment, seniority, and ideology, we hypothesize that incumbents will leverage their superior political experience and relationships to lobby members of industry-relevant committees and more senior legislators. On the other hand, new entrants circumvent the resulting political barriers to entry by focusing on legislators outside of the committee, those who have more recently been elected, and those who are relatively more pro-competition. We also argue that the response of firms to their rivals’ lobbying will be contingent on the nature of their political support, and as such, incumbents and new entrants will respond differently to the lobbying actions of their rivals. Utilizing a novel dataset of lobbying contacts made by incumbent taxi firms and new entrant Uber with legislators in Toronto from 2014 - 2016 we find support for our hypotheses. Our findings emphasize how heterogeneous political resources drive nonmarket actions of firms when they compete with each other to influence policy outcomes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,310
Score d'incertitude au seuil0,616

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,002
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,036
Tête enseignante GPT0,252
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetTransportation and Mobility InnovationsTravaux en français237 207