Product Line Optimization for Car-Sharing Platforms in the Sustainable Transportation
Notice bibliographique
Résumé
As the sharing economy develops in sustainable transportation, car-sharing platforms improve the allocation efficiency of idle cars to customers. However, as the travel demand increases, and the vehicle type becomes various, the sharing market faces a new challenge to satisfy the customers’ diverse needs for quality-differentiated cars. Each customer would like to choose the right car type, while the manufacturing firm and the e-commerce platform should set the right car price for profit maximization. How to match the platform’s product line with the customer’s choice behavior becomes a problem for all the stakeholders in the sharing economy. From the perspective of customer heterogeneity, we establish a game-theoretic framework to study product line optimization in business-to-consumer (B2C) and consumer-to-consumer (C2C) sharing. We solve the optimal quality decision and the optimal pricing strategy for the manufacturing firm and the e-commerce platform in the sharing economy. In numerical experiments, we investigate how the sensitivity of the quality and the cost can jointly influence the profits of sustainable transportation. Our findings show that within the product line, the firm’s selling profit in the C2C sharing is negatively influenced by the sharer’s valuation, while the platform’s sharing profit in the B2C sharing is independent of either buyer’s valuation. We give some policy implications for scholars, practitioners, and policymakers in the sharing economy and point out some limitations and recommendations for the product line design.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,007 |
| 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 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 ».