On-demand service platform operations management: a literature review and research agendas
Notice bibliographique
Résumé
Purpose The literature review aims to facilitate a broader understanding of on-demand service platform operations management and proposes potential research directions for scholars. Design/methodology/approach This study searches four databases for relevant literature on on-demand service platform operations management and selects 72 papers for this review. According to the research context, the literature can be divided into research on “a single platform” and research on “multiple platforms”. According to the research methods, the literature can be classified into “Mathematical Models”, “Empirical Studies”, “Multiple Methods” and “Literature Review”. Through comparative analysis, we identify research gaps and propose five future research agendas. Findings This paper proposes five research agendas for future research on on-demand service platform operations management. First, research can be done to combine classic research problems in the field of operations management with platform characteristics. Second, both the dynamic and steady-state issues of on-demand service platforms can be further explored. Third, research employing mathematical models and empirical analysis simultaneously can be more fruitful. Fourth, more research efforts on the various interactions among two or more platforms can be pursued. Last but not least, it is worthwhile to examine new models and paths that have emerged during the latest development of the platform economy. Originality/value Through categorizing the literature into two research contexts as well as classifying it according to four research methods, this article clearly shows the research progresses made so far in on-demand service platform operations management and provides future research directions.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».