Competition and coopetition for two‐sided platforms
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
Two‐sided platforms have become omnipresent. In this context, firms compete not only for customers but also for flexible self‐scheduling workers who can work for multiple platforms. We consider a setting where two‐sided platforms simultaneously choose prices and wages to compete on both sides of the market. We assume that customers and workers each follow an endogenous generalized attraction model that accounts for network effects. In our model, the behavior of an agent depends not only on the price or wage set by the platforms, but also on the strategic interactions among agents on both sides of the market. We show that a unique equilibrium exists and that it can be computed using a tatônnement scheme. The proof technique for the competition between two‐sided platforms is not a simple extension of the traditional (one‐sided) setting and involves different arguments. Armed with this result, we study the impact of coopetition between two‐sided platforms, that is, the business strategy of cooperating with competitors. Motivated by recent practices in the ride‐sharing industry, we analyze a setting where two competing platforms engage in a profit sharing contract by introducing a new joint service. We show that a well‐designed profit sharing contract (e.g., under Nash bargaining) will benefit every party in the market (platforms, riders, and drivers), especially when the platforms are facing intensive competition on the demand side. However, if the platforms are facing intensive competition on the supply side, the coopetition partnership may hurt the profit of at least one platform.
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 | 0,001 | 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) | 0,000 | 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