When Platforms Go Public, Standards Drop
Notice bibliographique
Résumé
Peer-to-peer (P2P) platforms facilitate the direct exchange of goods, services, or financial transactions between individuals without the involvement of intermediaries. To maintain trust among their user bases, these platforms must implement stringent access controls to determine which users are eligible to participate in their digital marketplace. We argue that when a platform transitions from private to public ownership, it may be incentivized to strategically lower its access standards and admit users who might otherwise have been deemed unqualified. Lowering standards before an initial public offering (IPO) can enable platforms to rapidly increase their user base—and, consequently, enhance their perceived valuation—which could appeal to stock investors and positively influence the IPO price. While this strategy may bolster short-term growth, it could be costly to the platform’s user base. We support this hypothesis using data from two major P2P lending platforms—one that went public and one that remained private. Using a difference-in-differences analysis, we find that the platform preparing for an IPO admitted borrowers who exhibited higher risk levels. Additionally, lenders, in some cases, did not effectively screen out these subpar borrowers and ended up issuing loans to them, leading to higher default rates and lower returns for the lenders. This effect was particularly evident for a specific segment of lenders—namely, those who brokered small-valued loans and loans for necessary purchases (e.g., health emergencies). By contrast, lenders who screened for large-valued loans or loans for discretionary expenditures (e.g., vacations or weddings) were more successful in screening out these subpar borrowers and not issuing loans to them. These results fill a gap in the operations management literature on platform governance by integrating capital-raising objectives into the discussion of access control and operational screening. Our study highlights the nuanced trade-off between quality control and user expansion during capital-raising events, emphasizing both the opportunities and potential inefficiencies that arise in this context.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».