Comment survivre dans l’ombre d’un géant : le cas des plateformes de covoiturage de petite et moyenne taille en Chine
Notice bibliographique
Résumé
Cet article vise à explorer comment les plateformes de l’économie collaborative de petite et moyenne taille obtiennent un avantage concurrentiel et ont la chance de survivre et de se développer sur un marché monopolisé par des géants de l’industrie. Nous prenons l’exemple du marché chinois du covoiturage, pour lequel une étude de cas a été menée en utilisant la matrice de modèle d’affaires comme outil d’analyse. Trois catégories typiques de plateformes ont été résumées à partir de 128 plateformes de mobilité intelligente de transport de petite et moyenne taille. En comparant et en analysant la matrice de modèle d’affaires entre ces trois types de plateformes et Didi1, le géant chinois de l’industrie technologique, on constate que les plateformes de covoiturage de petite et moyenne taille peuvent développer un avantage concurrentiel unique en offrant une proposition de valeur différenciée et en construisant la matrice de modèle d’affaires correspondant dans un domaine spécifique. Afin de gagner plus d’espace sur le marché, ils devraient constamment effectuer une segmentation du marché et une identification des utilisateurs plus sophistiquées dans le but de rechercher de nouvelles occasions commerciales.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».