When Uber Eats its own business, and its competitors' too: Resource exclusivity and oscillation following platform diversification
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
Abstract Research Summary How will a platform firm's diversification affect its existing business? Using datasets on the rideshare and food delivery businesses in New York City, we find that the launch of Uber Eats reduced Uber's and Lyft's rideshare trip volumes, but these effects were weaker during rush hours. Additional theoretical and empirical analyses suggest that, while platform diversification enables complementors to share some resources across businesses, it may also create opportunities for complementors to oscillate other complementary resources, thereby diverting complementor resources in the existing business from both the diversifying and competing platform firms. Such sharing‐enabled resource oscillation may be due to resource exclusivity at the transactional level and the lack of control by platform firms over resources at the organizational level. Managerial Summary We investigate how Uber's and Lyft's rideshare business was impacted by Uber's diversification into the food delivery business with the launch of Uber Eats in Manhattan, New York City. We find that, compared to geographic zones where no restaurant joined Uber Eats, zones where a significant proportion of restaurants joined Uber Eats experienced a relative reduction in rideshare trip volumes for both Uber and Lyft. Our results suggest that platform firms should be aware of the hidden costs of diversification due to their lack of control over gig economy participants (e.g., rideshare drivers). In addition, managers should be mindful of the diversification moves made not only by their own firm but also by competing firms.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| 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