Surge Pricing and Two-Sided Temporal Responses in Ride Hailing
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».