Incentivizing Commuters to Carpool: A Large Field Experiment with Waze
Notice bibliographique
Résumé
Problem definition: Traffic congestion is a serious global issue. A potential solution, which requires zero investment in infrastructure, is to convince solo car users to carpool. Academic/practical relevance: In this paper, we leverage the Waze Carpool service and run the largest ever digital field experiment to nudge commuters to carpool. Methodology: Our field experiment involves more than half a million users across four U.S. states between June 10 and July 3, 2019. We identify users who can save a significant commute time by carpooling through the use of a high-occupancy vehicle (HOV) lane, users who can still use an HOV lane but have a low time saving, and users who do not have access to an HOV lane on their commute. We send them in-app notifications with different framings: mentioning the HOV lane, highlighting the time saving, emphasizing the monetary welcome bonus (for users who do not have access to an HOV lane), and a generic carpool invitation. Results: We find a strong relationship between the affinity to carpool and the potential time saving through an HOV lane. Managerial implications: Specifically, we estimate that mentioning the HOV lane increases the click-through rate (i.e., proportion of users who clicked on the button inviting them to try the carpool service) and the onboarding rate (i.e., proportion of users who signed up and created an account with the carpool service) by 133%–185% and 64%–141%, respectively, relative to a generic invitation. We conclude by discussing the implications of our findings for carpool platforms and public policy. History: This paper has been accepted as part of the 2021 Manufacturing & Service Operations Management Practice-Based Research Competition. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2021.1033 .
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 | 0,006 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».