Ride-Hailing Networks with Strategic Drivers: The Impact of Platform Control Capabilities on Performance
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
Problem definition: Motivated by ride-hailing platforms such as Uber, Lyft and Didi, we study the problem of matching riders with self-interested drivers over a spatial network. We focus on the performance impact of two operational platform controls—demand-side admission control and supply-side repositioning control—considering the interplay with two practically important challenges: (i) spatial demand imbalances prevail for extended periods of time; and (ii) self-interested drivers strategically decide whether to join the network, and, if so, whether to reposition when not serving riders. Methodology/results: We develop and analyze the steady-state behavior of a novel game-theoretic fluid model of a two-location, four-route loss network. First, we fully characterize and compare the steady-state system equilibria under three control regimes, from minimal control to centralized control. Second, we provide insights on how and why platform control impacts equilibrium performance, notably with new findings on the role of admission control: the platform may find it optimal to strategically reject demand at the low-demand location even if drivers are in excess supply, to induce repositioning to the high-demand location. We provide necessary and sufficient conditions for this policy. Third, we derive upper bounds on the platform’s and drivers’ benefits caused by increased platform control; these are more significant under moderate capacity and significant cross-location demand imbalance. Managerial implications: Our results contribute important guidelines on the optimal operations of ride-hailing networks. Our model can also inform the design of driver compensation structures that support more centralized network control. Supplemental Material: The e-companion and Supplemental Material are available at https://doi.org/10.1287/msom.2023.1221 .
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 | 0,000 | 0,000 |
| 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