Trading Flexibility for Adoption: From Dynamic to Static Walking in Ride-Sharing
Notice bibliographique
Résumé
On-demand ride-sharing aims to fulfill riders’ transportation needs whenever and wherever they want. Although this service level appeals to riders, overall system efficiency can improve substantially if riders are willing to be flexible. Here, we explore riders’ flexibility in space via walking to more accessible pickup locations. Ride-sharing platforms have traditionally implemented dynamic walking to optimize rider pickup locations and rider-driver assignment jointly. We propose an alternative that we call static walking, which presents a predetermined pickup location to the rider before optimizing rider-driver assignment. Although dynamic walking enables more efficient matching of riders and drivers, we hypothesize that riders prefer static walking because of the certainty of the pickup location before booking the ride. Using simulations on Lyft data, we show that static walking can capture up to 96% of the value of dynamic walking in congested urban networks at a fixed adoption rate. Furthermore, experimentation on Lyft’s user interface suggests that providing riders with information on pickup location before an opt-in decision can increase walking adoption—to the extent that static walking may outperform dynamic walking overall. More broadly, this study highlights the importance of carefully designing flexibility mechanisms on platforms: a little flexibility goes a long way, especially when flexibility presents a barrier to adoption. This paper was accepted by J. George Shanthikumar, data science. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2022.03201 .
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 | 0,000 | 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 | 0,000 |
| 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 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 ».