Surge Pricing and Two-Sided Temporal Responses in Ride Hailing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Problem definition: We investigate surge pricing in ride-hailing platforms from a temporal perspective, highlighting strategic behavior by riders and drivers and that drivers respond to surge pricing much more slowly than riders do. Academic/practical relevance: Surge pricing in ride-hailing platforms is a pivotal and controversial subject. Despite abundant anecdotal evidence, strategic behavior by riders and drivers has not been formally studied in the literature. Methodology: We adopt and analyze a classic two-period, game-theoretical model as in the strategic consumer literature. Results: We identify two types of equilibrium pricing strategies. The first consists of a short-lived, sharp price surge followed by a lower price, which we refer to as skimming surge pricing (SSP). The second consists of a low initial price followed by a higher price, which we refer to as penetration surge pricing (PSP). We find that PSP equilibria are generally superior to SSP equilibria when both exist but require platforms to share demand–supply information with drivers. Managerial implications: The SSP equilibrium rationalizes the controversial sharp surge-pricing practice: the short-lived sharp price surge causes many high-value riders to voluntarily wait out the initial surge period, which attracts additional drivers to the region to serve riders at a much lower price than the initial surge price. The theoretically superior PSP equilibrium suggests that a vastly different approach may improve surge pricing and highlights the potential value and importance for platforms to share demand–supply information with drivers.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle