Hiding in plain sight: Surge pricing and strategic providers
Notice bibliographique
Résumé
Many on‐demand service platforms employ surge pricing policies, charging higher prices and raising provider compensation when customer demand exceeds provider supply. There is increasing evidence that service providers understand these pricing policies and strategically collude to induce artificial supply shortages by reducing the number of providers showing as available online. We study a stylized mathematical model of a setting in which an on‐demand service platform determines its pricing and provider compensation policies, anticipating their impact on customer demand and the participation of strategic providers, who might collectively decide to limit the number of providers showing online as available. We find that collusion can substantially harm the platform and customers, especially when the potential demand is large, and the supply of providers in nearby regions is limited. We explore two pricing policies that a platform could employ in the presence of (potential) provider collusion: a bonus pricing policy that offers additional provider payments on top of the regular compensation and the optimal pricing policy that maximizes the platform's expected profit while taking strategic provider behavior fully into consideration. Both policies feature a compensation structure that ensures that total provider earnings increase in the number of providers available, thereby encouraging all providers to offer their service. We show that both policies can effectively mitigate the impact of potential provider collusion, with the bonus pricing policy often performing near‐optimally. As it might be difficult for a platform to accurately estimate the propensity of providers to collude, we numerically evaluate how platform profits are affected if the pricing policy is designed based on possibly incorrect estimates of the providers' propensity to collude. Our observations suggest that a platform should design its pricing policy under the assumption that all providers are strategic and consider collusion, as the losses associated with implementing such a policy in settings with minor risk of collusion are limited, while the potential losses from failing to consider rampant collusion can be significant.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».