The Effects of Online Review Platforms on Restaurant Revenue, Consumer Learning, and Welfare
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
This paper quantifies the effects of online review platforms on restaurant revenue and consumer welfare. Using a novel data set containing revenues and information from major online review platforms in Texas, I show that online review platforms help consumers learn about restaurant quality more quickly. The effects on learning show up in restaurant revenues. Specifically, doubling the review activity increases the revenue of a high-quality independent restaurant by 5%–19% and decreases that of a low-quality restaurant by a similar amount. These effects vary widely across restaurants’ locations. Restaurants around highway exits are affected twice as much as those in nonhighway areas, implying that reviews are more useful to travelers and tourists than locals. The effects also decline as restaurants age, consistent with the diminishing value of information in learning. In contrast, chain restaurants are affected to a much lesser degree than independent restaurants. Building on this evidence, I develop a structural demand model with aggregate social learning. Counterfactual analyses indicate that online review platforms raise consumer welfare much more for tourists than for locals. By encouraging consumers to eat out more often at high-quality independent restaurants, online review platforms increased the total industry revenue by 3.0% over the period from 2011–2015. This paper was accepted by Matthew Shum, marketing. Supplemental Material: Data and the online appendix are available at https://doi.org/10.1287/mnsc.2021.4279 .
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 | 0,003 | 0,002 |
| 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 | 0,002 | 0,001 |
| 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