GUERILLA CAPITALISM AND THE PLATFORM ECONOMY: GOVERNING UBER IN CHINA,TAIWAN, AND HONG KONG
Notice bibliographique
Résumé
Platform firms, such as Uber and Airbnb, are emerging economic actors that aim at re-organizing the economic sectors they enter through challenging existing regulatory frameworks politically. While most studies focus on how platform firms’ political playbooks operate in European and North American democratic contexts, we know less about the regulatory and contestatory stories in non-Western and non-democratic contexts. This study aims to fill this lacuna by examining the governance of Uber in China, Hong Kong, and Taiwan. The three diverse political systems provide a comparative basis to how Uber's political playbook works in authoritarian (China), semi-authoritarian (Hong Kong), and democratic (Taiwan) systems, respectively. We introduce the concept of “guerilla capitalism” to describe how platform firms attempt to make a profit through exploiting legal grey zones or openly violating established laws. We present a critical discourse analysis of Uber’s public marketing materials, news coverage about Uber, and government reports about ride-hailing in the three cases. Our analysis illustrates (1) the convergent discursive and political strategies Uber employed to legitimize its business to change the law and (2) the divergent and contextual factors that lead to different regulatory outcomes. We argue that Uber’s operative logic lies at the swift accumulation of a large number of politically mobilizable customers and the formation of political coalitions with their customers; however, governmental responses to Uber's political playbook vary with regulatory contexts. Such an operative logic may re-shape power-relations in different political trajectories. This study affords significant opportunities for thinking about the comparative politics of platformization.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».