شفافیت بازار ، انتخاب نامطلوب و خطر اخلاقی

ما مطالعه می کنیم که چگونه بهبود شفافیت بازار بر خروج فروشنده و ادامه رفتار فروشندگان در یک بازار که شامل عدم تقارن اطلاعاتی است ، تأثیر می گذارد. این پیشرفت با کاهش تعصب استراتژیک در رتبه بندی خریدار به دست آمد. این امر منجر به افزایش چشمگیر رضایت خریدار از عملکرد فروشنده شد ، اما به افزایش خروج فروشنده نرسید. هنگامی که فروشندگان بین خروج - کاهش انتخاب نامطلوب و ماندن اما بهبود رفتار - کاهش خطر اخلاقی را انتخاب کردند ، آنها دومی را ترجیح می دادند. افزایش شفافیت بازار منجر به نتایج بهتر بازار شد.

مقدمه

ظهور اینترنت منجر به افزایش عظیم معاملات تحت عدم تقارن اطلاعاتی شده است. نمونه ها بازارهای آنلاین برای کالاها و همچنین هتل ، رستوران و خدمات مسافرتی هستند. بدون راه حل ، خطر اخلاقی به عنوان مثال ، در نتیجه تأمین کافی تلاش های پرهزینه بوجود می آید. به همین ترتیب ، فروشندگان ممکن است به طور نامناسب توصیف کنند و قیمت خوبی را در هنگام استفاده - و یا قیمت گذاری کنند و ممکن است با وجدان معامله را پس از خرید انجام ندهند. در مقابل ، خریداران ممکن است تلاش کنند تا معاملات را به نفع خود ، تأخیر در پرداخت یا پیش فرض بر روی آنها انجام دهند. انتخاب نامطلوب هنگامی بوجود می آید که خریداران و فروشندگان بی احتیاطی و بی دقتی وارد بازار می شوند و وجدان ها از آن خارج می شوند.

در این مقاله ، ما از داده های مربوط به رضایت از خریدار از رفتار فروشنده در یک بازار محصول ناشناس استفاده می کنیم تا نشان دهیم که تغییر اگزوژن در شفافیت بازار منجر به افزایش قابل توجه در رضایت خریدار شد اما منجر به تغییر در نرخ خروج فروشندگان از افراد شدبازار. ما این نتایج را از طریق لنزهای بازی مرحله ای از یک مدل دوره نامحدود شامل یک فروشنده و یک خریدار تفسیر می کنیم. در این مدل ، فروشندگان از نظر نوع متفاوت هستند - آنها یا وجدان یا استثمار هستند - و با بی احتیاطی خود در ارائه تلاش. تغییر در سیستم بازخورد که هزینه خریدار را برای گزارش یک تجربه منفی کاهش می دهد ، فروشنده را به سمت دو روش تغییر می دهد: اول ، فروشنده استثمارگر با ناسازگاری زیاد تلاش ممکن است بازار را ترک کند ، بنابراین انتخاب نامطلوب را بهبود می بخشد. دوم ، هر دو نوع فروشنده ، اگر در بازار باقی بمانند ، ممکن است تلاش بیشتری برای بهبود رضایت خریدار داشته باشند ، بنابراین خطر اخلاقی را بهبود می بخشد. بر اساس مدل ما و با توجه به نتایج تجربی ما ، ما دلیل این امر را می دهیم که حتی برای انواع فروشنده بهره برداری بد ، هزینه های تغییر رفتار آنها نسبت به مزایای ماندن در بازار اندک است. در غیر این صورت ، افزایش شفافیت بازار به دلیل گزارش های دقیق تر در مورد رفتار فروشنده باید منجر به افزایش نرخ خروج شود. ما از این امر با شواهد تجربی در مورد دلایلی که خریداران ناراضی رتبه های منفی را ترک کرده اند پشتیبانی می کنیم و نتیجه می گیریم که افزایش شفافیت بازار نتایج بازار را در درجه اول از طریق کاهش خطر اخلاقی بهبود می بخشد.

داده هایی که ما استفاده می کنیم از eBay است ، یکی از اولین و بزرگترین سیستم عامل های معاملاتی آنلاین که تا به امروز وجود دارد. آنها به خوبی برای مطالعه اثرات مورد نظر مناسب هستند. اول ، eBay از نظر خطر اخلاقی و انتخاب نامطلوب با تهدیدهای شدید روبرو است. ما مستند می کنیم که فروشندگان به طور مداوم در رفتار خود ناهمگن هستند. قبل از تغییر ، کسانی که پس از تغییر بهتر از آن رتبه بندی می شوند ، ضعیف تر از دیگران هستند ، اما هنوز هم ضعیف تر از دیگران هستند. دوم ، طراحی نهادی به ما اجازه می دهد تا تغییر رفتار فروشنده را قبل و بعد از یک شوک برونزا به شفافیت بازار اندازه گیری کنیم. به دلایل تاریخی ، دو اقدامات مبتنی بر معامله از رضایت خریدار در eBay ، بازخورد کلاسیک و رتبه بندی دقیق فروشنده (DSR) وجود دارد. DSR ها فقط به عنوان میانگین در حال حرکت گزارش شده اند ، بنابراین بر خلاف طرح بازخورد کلاسیک ، فروشنده نمی تواند رتبه خریدار را شناسایی کند. در سال 2008 ، در حالی که سیستم DSR را بدون تغییر ترک می کند ، eBay هزینه های فرصت را به خریداران کاهش داد تا تجربیات منفی را از طریق سیستم بازخورد کلاسیک برجسته تر به اشتراک بگذارند. 1 این منجر به افزایش شفافیت بازار شد که تأثیر آن با استفاده از DSR ها اندازه گیری می کنیم. به همین ترتیب ، فرض اصلی ما ، که توسط داده ها پشتیبانی می شود ، این است که نقشه برداری بین رفتار فروشنده و DSR ها تحت تأثیر تغییر مکانیسم بازخورد کلاسیک قرار نگرفت.

مقاله ما از نزدیک با سه رشته ادبیات مرتبط است. اولین مورد بر اثرات افشای کیفیت است. در زمینه رستوران ها ، جین و لسلی (2003) نشان می دهند که نیاز به نمایش کارتهای درجه با کیفیت در ویندوز آنها باعث می شود که آنها بتوانند کیفیت بهداشتی را بهبود بخشند. اندرسون و ماگودر (2012) رتبه بندی آنلاین رستوران ها را به دسترسی به رستوران ها مرتبط می کنند و می یابند که یک ستاره نیمه اضافی در سکوی محبوب yelp.com باعث می شود رستوران ها 19 درصد بیشتر از این امتیاز را بفروشند. Greenstone ، Oyer ، and Vissing-Jorgensen (2006) نشان می دهد که سرمایه گذاران مالی با مستند سازی بازده غیر طبیعی برای بنگاه های تحت تأثیر این موارد ، الزامات افشای اطلاعات را افزایش می دهند.

دوم ، مقاله ما مربوط به ادبیات مربوط به رابطه بین خطر اخلاقی و انتخاب نامطلوب در زمینه بیمه درمانی است. Einav و همکاران.(2013) نشان می دهد که برخی از افراد بر اساس پاسخ رفتاری پیش بینی شده خود به قرارداد بیمه ، پوشش بیمه را تا حدودی انتخاب می کنند و آن را "انتخاب در مورد خطر اخلاقی" انتخاب می کنند. برای این کار ، آنها از تغییر در گزینه های بیمه درمانی ، گزینه ها و استفاده از پزشکی متعاقب آن در گروه های مختلف کارگران در نقاط مختلف استفاده می کنند. Bajari ، Hong و Khwaja (2014) همچنین انتخاب فردی از قراردادهای بیمه را مطالعه می کنند. همانطور که در یک زمینه بسیار متفاوت انجام می دهیم ، آنها شواهدی از خطر اخلاقی ارائه می دهند ، اما انتخاب نامطلوب نیستند. نتیجه آنها مبتنی بر یک مدل ساختاری تقاضا برای بیمه درمانی است ، که در آن ، به منظور جداسازی انتخابی به صورت قبلی و فاقد تنوع اگزوژن قابل مشاهده ، آنها کنترل خطر فردی و ترجیح خطر را کنترل می کنند. در عوض ، ما نتایج خود را از یک آزمایش طبیعی توسعه می دهیم ، که شامل خود انتخاب و تنظیم پست اخلاقی سابق است. فروشندگان زیر به مرور زمان به ما امکان می دهند تا با استفاده از جلوه های ثابت ، اختلافات غیرقابل کنترل در بین فروشندگان را کنترل کنیم. سپس ما مطالعه می کنیم که آیا بهبود مکانیسم منجر به افزایش تلاش فروشنده یا خروج از بازار شده است.

سوم ، مقاله ما مربوط به ادبیات در مورد رتبه بندی های آنلاین است. Bajari and Hortaçsu (2004) ، Dranove and Jin (2010) و Cabral (2012) بررسی ادبیات نظری و تجربی را ارائه می دهند. برای eBay ، یافته های عمومی این است که رتبه بندی های بهتر با افزایش احتمال فروش یک محصول و قیمت فروش آن ، از فروشندگان سود می برند. به عنوان مثال ، Melnik و Alm (2002) ، Lucking-Reiley و همکاران را ببینید.(2007) ، و جین و کاتو (2008) برای شواهد با استفاده از داده های میدانی و Resnick و همکاران.(2006) برای شواهد تجربی. این نتایج نشان می دهد که رتبه بندی های کلاسیک در eBay اطلاعات را منتقل می کند. Resnick و Zeckhauser (2002) شواهد کمتری را ارائه می دهند که به گزارش کمتری از تجربیات منفی اشاره می کند. کلین و همکاران.(2006) و بولتون ، گرینر و اوکنفلز (2013) به این شواهد اضافه می کنند. دلاروکاس و وود (2008) الگویی از رفتار رتبه بندی را تخمین می زنند ، با فرض اینکه رتبه بندی ها ، پس از داده ، راستگو هستند و توزیع اساسی رضایت را تخمین می زنند. این می تواند به عنوان کنترل تعصب انتخابی که از معامله گران حاصل می شود ، در هنگام رضایت از آنها امتیاز می گیرند. Cabral و Hortaçsu (2010) شواهدی را ارائه می دهند که مطابق با خطر اخلاقی فروشنده است. آنها دریافتند که درست قبل از خروج ، فروشندگان در eBay بازخورد منفی بیشتری نسبت به میانگین عمر خود دریافت می کنند.

با مقاله خود ، مطالعات فوق را با ارائه شواهد مستقیم در مورد رابطه بین سطح شفافیت بازار که تحت تأثیر انتقادی از طراحی مکانیسم بازخورد و شیوع خطر اخلاقی و انتخاب نامطلوب است ، تکمیل می کنیم. یافته اصلی ما این است که افزایش شفافیت در بازار باعث پشیمانی خریدار می شود و از این طریق منجر به نتایج با کیفیت بالاتر می شود. در عین حال ، فروشندگان بازار را ترک نمی کنند. با توجه به افزایش قابل توجه رضایت خریدار ناشی از آن ، با توجه به هزینه اندک اجرای تغییر مشاهده شده در مکانیسم گزارش دهی مورد بحث ما ، و با توجه به اینکه هزینه های مواد فروشندگان برای تغییر رفتار خود به طور قابل ملاحظه ای اندک است ، نتایج ما نشان می دهد که این افزایشدر شفافیت بازار اثر رفاهی مفیدی داشت. 2

نتایج ما راهنمایی در مورد چگونگی نظم و انضباط رفتار فروشنده در بازارهایی غیر از eBay ، مهمترین بسیاری از بازارهای آنلاین "جدید" برای کالاها و خدمات ارائه می دهد. به طور کلی ، ما نشان می دهیم که تغییرات کوچک در قوانین نهادی ممکن است اثرات زیادی در نتایج بازار داشته باشد و با این کار از نظر کاربران بالقوه ، از جذابیت سیستم عامل های آنلاین برخوردار است.

ما به شرح زیر ادامه می دهیم. در بخش دوم ، ما مکانیسم بازخورد eBay و به ویژه تغییراتی را که روی آن تمرکز می کنیم شرح می دهیم. بخش سوم شامل توضیحات داده های ما است. در بخش چهارم ، نتایج اصلی خود را ارائه می دهیم. در بخش V ، ما مدل خود را توسعه می دهیم ، که از آن توضیحات و تفسیر مورد نظر خود را از نتایج به دست می آوریم. در بخش ششم ، ما از این تفسیر یافته های اصلی تجربی خود با شواهد اضافی پشتیبانی می کنیم. مقاله را با بخش VII نتیجه می گیریم.

II. مکانیسم بازخورد eBay

در فوریه 1996 ، تنها چند ماه پس از اولین حراج در وب سایت خود ، eBay مکانیسم بازخورد خود را معرفی کرد. در اولین شکل خود ، این سیستم به هر کاربر eBay اجازه می دهد تا در مورد عملکرد هر کاربر دیگری به طور مستقل از هرگونه معامله ، به صورت یک رتبه "مثبت" ، "خنثی" یا "منفی" ، بازخورد خود را ترک کند ، احتمالاً با یک متن همراه استاظهار نظر. این بازخورد بلافاصله در صفحه نمایه بازخورد وی ، همراه با کلیه رتبه بندی ها و اظهارنظرهایی که کاربر تاکنون توسط سایر کاربران دریافت کرده بود ، قابل مشاهده بود. 3

در فوریه 2000 ، 4 سال پس از نهاد آن ، این سازوکار با تنها بازخورد مبتنی بر معامله به یک تغییر یافت. از آن زمان ، تمام رتبه بندی های جدید باید مربوط به یک معامله خاص باشد. یعنی فقط فروشنده و خریدار در یک معامله خاص می توانند با توجه به عملکرد خود در آن معامله ، یکدیگر را ارزیابی کنند.

از اوایل ، درگیری ها و بحث های داغ در مورد گزارش های ناعادلانه مغرضانه صورت گرفته است. در نتیجه ، eBay بارها و بارها سیستم را اصلاح کرد. در ماه مه 2007 ، eBay شکل جدیدی از رتبه بندی های خریدار یک جانبه را معرفی کرد: رتبه بندی دقیق فروشنده (DSR). علاوه بر رتبه اصلی دوجانبه ، خریداران هم اکنون می توانند به طور جداگانه با یک تا پنج ستاره ، دقت توضیحات مورد ، ارتباطات ، سرعت حمل و نقل و هزینه حمل و نقل را ارزیابی کنند. آنها با انتشار فقط به صورت کل ، ناشناس ساخته می شوند ، مشروط بر اینکه حداقل 10 رتبه در 12 ماه گذشته باقی مانده باشد ، به طوری که فروشنده نتواند رتبه فردی را شناسایی کند. 4

این تغییر به آنچه که احساس می شد یک نقص اساسی در مکانیسم بازخورد دو جانبه EBAY است ، یعنی اینکه خریدار هنگام ترک یک امتیاز منفی قبل از فروشنده ، باید از قصاص بترسد - مشکلی که برای بسیاری از کاربران eBay شناخته شده است و در بین دانشمندان به خوبی مورد بحث قرار گرفته است. چند وقت. جزئیات مهم این است که DSR ها را می توان تنها در صورت باقی ماندن رتبه کلاسیک باقی گذاشت. با این حال ، دو رتبه بندی لازم نیست. یعنی برای همان معامله ، یک خریدار می تواند یک رتبه بندی مثبت کلاسیک را که توسط فروشنده قابل شناسایی است و یک مجموعه منفی و راستگو از DSR ها که توسط او قابل شناسایی نیست ، بگذارد. در عین حال ، دو رتبه جایگزین کامل نیستند. به طور خاص ، DSR های گزارش شده به طور متوسط ارزیابی رفتار فروشنده را ارزیابی می کنند ، و رتبه بندی های کلاسیک نشان می دهد که چگونه فروشنده در حاشیه رفتار می کند ، یعنی در جدیدترین معاملات. علاوه بر این ، جدیدترین رتبه بندی های کلاسیک با لیست های حراج مرتبط است و حاوی یک نظر متنی است.

در ماه مه 2008 ، مکانیسم بازخورد دو جانبه کلاسیک به طور مؤثر یک طرفه تبدیل شد: فروشندگان می توانند فقط رتبه های مثبتی را برای خریداران یا اصلاً به دست آورند. با این کار ، eBay این احتمال را حذف کرد که فروشنده از نظر استراتژیک رتبه خود را به تعویق بیندازد تا به طور ضمنی یا صریح خریدار را با قصاص به یک امتیاز منفی تهدید کند. 5 زمان این دو تغییر در شکل 1 نشان داده شده است. در این مقاله ، ما تأثیر تغییر ماه مه 2008 بر رفتار فروشنده را که توسط رتبه بندی DSR معرفی شده در ماه مه 2007 اندازه گیری شده است ، بررسی می کنیم. شکل 1.

تغییر در مکانیسم بازخورد

شایان ذکر است که در حالی که ناشناس بودن DSRS تضمین می کند که خریداران می توانند DSR را بدون تهدید بازخورد تلافی جویانه توسط فروشنده ترک کنند ، اما ارزیابی خریدار با این وجود ذهنی است. با این حال ، در عین حال ، فروشندگان از تعداد زیادی از خریداران رتبه بندی دریافت می کنند تا میانگین نمرات DSR گزارش شده اقدامات خوبی از رفتار فروشنده باشد. در واقع ، اگر می توان از استانداردهای رتبه بندی اطمینان حاصل کرد که با گذشت زمان یکسان باقی بمانند و اگر هر خریدار رتبه ای را ترک کند ، آنها اقدامات نزدیک و ایده آل خواهند بود.

به نفع سابق ، eBay معنای کلامی را در کنار هر رتبه ستاره در هر دسته در هنگام رتبه بندی نشان می دهد ، که باعث می شود بیشتر نقشه برداری از رضایت خریدار به رتبه خریدار در واقع به طور منظم با گذشت زمان تغییر نکند. به عنوان مثال ، امتیاز چهار ستاره در سرعت حمل و نقل دسته رتبه بندی به این معنی است که فروشنده کالای را به سرعت حمل می کند. در مورد دومی ، عدم پاسخ در ترکیب با تعصب انتخاب تهدیدی برای هر مطالعه تجربی مبتنی بر نظرسنجی است. اگر میانگین رتبه مشاهده شده به طور سیستماتیک از میانگین گزارشی که همه داده اند یا داده می شوند ، تعصب انتخاب وجود دارد. رویکرد ما این است که به مرور زمان فروشندگان را دنبال کنیم. بنابراین ، این یک مشکل در تحلیل ما نیست ، تا زمانی که تعصب قبل و بعد از تغییر یکسان باشد. در بخش VI. A ، ما از این فرض پشتیبانی تجربی ارائه می دهیم. به طور خاص ، ما نشان می دهیم که میانگین تعداد رتبه بندی های دریافت شده و نسبت DSR نسبت به بازخوردهای کلاسیک دریافت شده با گذشت زمان به طور قابل توجهی تغییر نمی کند.

بر اساس این ملاحظات ، ما تغییرات در میانگین نمرات DSR را به عنوان اقدامات بی طرفانه از تغییرات در کیفیت معاملات اساسی تفسیر می کنیم. ما از آنها استفاده می کنیم تا بررسی کنیم که عملکرد فروشنده فردی نسبت به تغییر ماه مه 2008 واکنش نشان می دهد ، هنگامی که تمام رتبه بندی ها به طور یک طرفه انجام می شدند ، در حالی که سیستم DSR بدون تغییر باقی مانده است.

iiiداده ها

داده های ما حاوی اطلاعات ماهانه در مورد بازخورد دریافت شده توسط حدود 15،000 کاربر eBay در مدت 3 سال ، بین ژوئیه 2006 و ژوئیه 2009 است. این داده ها از وب سایت ایالات متحده EBAY با استفاده از روال های بارگیری خودکار و اسکریپت ها برای تجزیه صفحات وب بازیابی جمع آوری شده است.

در ماه مه 2007 ، ما به ترتیب نمونه ای تصادفی از 3000 کاربر را ارائه دادیم که در یکی از پنج دسته مختلف یک مورد را ارائه دادند. این دسته ها (1) لپ تاپ و نوت بوک ، (2) اپل iPod و سایر پخش کننده های MP3 ، (3) راه آهن و قطار مدل ، (4) کارت معاملاتی و (5) غذا و شراب بودند. ما این دسته ها را انتخاب کردیم زیرا آنها به اندازه کافی محبوب بودند تا لیست بزرگی از فروشندگان فعال را در اختیار ما قرار دهند. علاوه بر این ، آنها از نظر منطقی متفاوت از یکدیگر بودند و هیچکدام از آنها تحت سلطه لیست های چند فروشنده نبودند.

نمونه ما برای جمعیت فروشندگان فعال در eBay یا لیست ها نماینده نیست زیرا ما از فروشندگان حرفه ای بزرگ (نیمه) با لیست های زیادی استفاده می کنیم. با این حال ، در مورد رضایت خریدار مورد انتظار از رفتار فروشنده برای خریدارانی که در یکی از این پنج دسته در ماه مه 2007 لیستی را انتخاب می کنند ، آموزنده است.

از اول ژوئن 2007 ، به بعد ما صفحات نمایه بازخورد این کاربران را در 18 نوبت ، همیشه در روز اول ماه بارگیری کردیم. آخرین جمع آوری داده ها در اول ژوئیه 2009 انجام شد. اطلاعات مربوط به ماه مه 2007 تا ژوئیه 2006 از داده های گرفته شده در ژوئن 2007 و بعد از آن استنباط شد. 7

در جهت گرفتن تغییرات در نرخ خروج فروشندگان ، ما تاریخ خروج را به عنوان تاریخی تعریف می کنیم که پس از آن کاربر هیچ بازخورد کلاسیک جدیدی را در طول پنجره مشاهده ما دریافت نکرده است. 8 این یک پروکسی است ، زیرا ممکن است در مورد کاربرانی که بازخورد کلاسیک دریافت نمی کنند بلکه انجام معاملات را انجام نمی دهند ، یا انجام هیچ معامله ای برای یک دوره زمانی فراتر از پنجره مشاهده ما اعمال می شود ، اما پس از آن فعال است. در ضمیمه A ما نشان می دهیم که این یک نگرانی معتبر برای 3 ماه گذشته دوره مشاهده ما است اما نتایج اصلی ما تحت تأثیر این امر قرار نمی گیرد زیرا آنها مربوط به تغییرات در نرخ خروج در زمان تغییر 2008 به کلاسیک هستندمکانیسم بازخورد که به اندازه کافی قبل از آن اتفاق افتاد. در بخش IV. B ، بنابراین ما نتایج را با استفاده از داده ها تا آوریل 2009 گزارش می دهیم.

جذابیت نمونه در نمونه ما کم است. از بین 15،000 نام کاربری که در ماه مه 2007 ترسیم کردیم ، ما توانستیم در اولین تلاش جمع آوری داده های خود در اول ژوئن 2007 ، پروفایل های بازخورد را برای 14،937 کاربر منحصر به فرد بارگیری کنیم. 9 یک سال بعد ، ما هنوز هم می توانیم برای 14،683 کاربر و 2 بارگیری کنیمسالها بعد برای 14،360 کاربر. 10

جدول 1 شامل آمار خلاصه است. در اولین موج داده های جمع آوری شده در اول ژوئن 2007 ، میانگین کاربر در نمونه ما تقریباً 4 سال در eBay فعال بود. تجربه کاربری پروکسی در طول مدت زمانی که یک کاربر ثبت شده است ، باتجربه ترین کاربر نمونه ما بیش از 11 سال قبل از جمع آوری داده های خود و کمترین کاربر با تجربه فقط چند روز قبل از باز شدن پنجره مشاهده ، در eBay ثبت نام کرده است. حدود 2،000 از کاربران ما قبل از چرخش هزاره و حدود 3،000 کاربر فقط در طی 2 سال قبل از تغییر ماه مه 2008 ، حساب های خود را ثبت کرده بودند.

میز 1.

توجه داشته باشید. در جدول آمار خلاصه ای برای نمونه فروشندگان ما ، برای سه امتیاز در زمان نشان داده شده است. اینها روزی است که ما برای اولین بار داده ها را جمع آوری کردیم ، و همچنین 1 و 2 سال پس از آن. DSR ها در ماه مه 2007 معرفی شدند ، بنابراین اولین نکته در زمان آغاز ماه اول پس از این است. تغییر در مکانیسم بازخورد کلاسیک که تأثیر آن را تجزیه و تحلیل می کنیم در ماه مه 2008 ، یعنی در ماه قبل از دومین نکته در زمان که برای آن آمار خلاصه گزارش می کنیم رخ داده است. نکته سوم زمان 1 سال پس از آن است. نمره بازخورد (در آن زمان) تعداد کاربرانی است که بیشتر در سیستم کلاسیک بازخورد مثبت باقی مانده اند ، منهای تعداد کاربرانی که بیشتر بازخورد منفی باقی مانده اند. اگر یک فروشنده از حجم معامله به خصوص بالا و به طور کلی سابقه خوبی برخوردار باشد ، وضعیت فروشنده برق توسط eBay اعطا می شود. درصد رتبه بندی مثبت به عنوان تعداد بازخوردهای کلاسیک مثبت تقسیم بر تعداد کل بازخوردهای دریافت شده ، از جمله موارد خنثی محاسبه می شود. نمره DSR میانگین نمره DSR ، در هر کاربر ، در چهار بعد رتبه بندی است.

محاسبه شده برای آن 14189 کاربر که نمره بازخورد آنها مثبت است.

B برای آن 13943 کاربر که در 12 ماه گذشته بازخورد کلاسیک دریافت کرده اند ، محاسبه کرد.

C برای آن دسته از 13،811 کاربر که در 12 ماه گذشته بازخورد کلاسیک دریافت کرده اند ، محاسبه کرد.

D برای آن 4،429 کاربر که DSR کافی دریافت کرده اند محاسبه می شود تا نمره نمایش داده شود.

E برای آن دسته از 11،524 کاربر که در 12 ماه گذشته بازخورد کلاسیک دریافت کرده اند ، محاسبه کرد.

F برای آن 3،272 کاربر که DSR کافی دریافت کرده اند محاسبه می شود تا نمره نمایش داده شود.

در آن زمان ، نمره بازخورد توسط تعداد کاربران مجزا که رتبه های کلاسیک مثبت تری نسبت به موارد منفی باقی مانده اند ، منهای تعداد کاربرانی که رتبه های منفی بیشتری نسبت به موارد مثبت باقی مانده اند ، داده شده است. در تاریخ 1 ژوئن 2007 ، میانگین نمره بازخورد کاربران ما 564 ، نمره متوسط 88 و 769 کاربر نمره بازخورد 0 را داشتند. میانگین سهم بازخورد مثبت که کاربران طی 12 ماه گذشته دریافت کرده بودند 99. 09 درصد بود، که به خوبی با یافته های در مطالعات دیگر مطابقت دارد. تعداد متوسط بازخوردهای دریافت شده در طول سال قبل از آن 43 سال بود.

در سال بعد ، کاربران تقریباً به همان اندازه رتبه بندی کلاسیک مانند سال گذشته دریافت کردند ، و همچنین درصد رتبه های مثبت بسیار مشابه بود. در اول ژوئن 2008 ، آمار DSR برای 4،429 کاربر که در آن زمان بیش از 10 DSR دریافت کرده بودند ، در دسترس است. در غیر این صورت ، ناشناس بودن نماینده گزارشگر تضمین نمی شود ، زیرا یک فروشنده می تواند امتیاز را از تغییر در DSR استنباط کند. نمره DSR ما در اینجا گزارش می دهیم و در تجزیه و تحلیل ما استفاده می شود ، میانگین نمره گزارش شده در چهار بعد رتبه بندی است. نمرات DSR برای حدود 15 درصد از کاربران 1 ماه پس از معرفی آنها در ماه مه 2007 و حدود 30 درصد از کاربران 1 سال بعد در دسترس است. با این حال ، یک سال بعد ، این تصویر دوباره به نظر می رسد ، به جز تعداد رتبه بندی های کلاسیک دریافت شده ، که کاهش یافته است.

در این مرحله ، یادآوری هدف تجزیه و تحلیل ما مفید است: این است که واکنش فروشندگان را نسبت به تغییر سیستم مه 2008 ، بر اساس رتبه بندی های بی طرفانه توسط خریدارانشان با معرفی DSR 1 سال قبل بررسی کنید. ممکن است کاربران گاهی به عنوان فروشنده و گاهی به عنوان خریداران عمل کنند. با این وجود ، با این حال ، ما اطمینان می دهیم که آنها در یکی از پنج دسته مشخص شده در ماه مه 2007 فروشنده بودند. علاوه بر این ، DSR ها فقط در هنگام بازیگری به عنوان فروشنده می توانند توسط کاربران دریافت شوند. از این رو ، میانگین نمره DSR تنها نحوه رفتار کاربر در همان نقش را نشان می دهد. 11 هنگام تفسیر نتایج ما ، این نکته را باید در نظر داشته باشیم که ما قادر به مشاهده واکنش فروشندگانی که سالانه کمتر از 10 DSR دریافت می کنند ، نخواهیم داشت. در عین حال ، ما رفتاری را ضبط می کنیم که با بیشتر معاملات در eBay همراه است ، زیرا آن دسته از فروشندگان که کمتر از 10 DSR در سال دریافت می کنند ، در بسیاری از فروش ها در eBay دخیل نیستند.

IVنتایج

الف) واکنش فروشندگان

پس از معرفی DSR ها در ماه مه 2007 ، تغییر مه 2008 به سیستم بازخورد کلاسیک ، هزینه را برای خریداران کاهش داد تا با استفاده از بازخوردهای کلاسیک منفی ، تجربیات منفی را به طور غیر متناقض ابراز کنند. ما در بخش VI. A در زیر مستند می کنیم که این امر در ابتدا به بازخوردهای کلاسیک منفی تر منجر می شود ، که نشان دهنده واکنش به معاملات قبل از تغییر است. در همان زمان ، سیستم DSR بدون تغییر باقی مانده است. این به ما امکان می دهد تغییرات در رتبه بندی DSR را به مرور زمان به تغییر ماه مه 2008 به مکانیسم بازخورد کلاسیک که منجر به شفافیت بالاتر بازار شد ، نسبت دهیم. ما انتظار چنین تغییراتی را داریم زیرا افزایش تمایل به گزارش تجربیات منفی باید انگیزه فروشندگان را برای تغییر رفتار خود به سمت رضایت خریداران افزایش دهد.

شکل 2 نشان می دهد که چگونه DSR های متوسط با گذشت زمان تکامل یافته اند. 12 نقاط به طور متوسط برای نمونه منتخب فروشندگان که معاملات کافی انجام داده اند به گونه ای است که نمره DSR در دسترس باشد (یادآوری کنید که حداقل 10 رتبه بندی DSR برای این کار دریافت می شود). تعداد فروشندگان کمتری وجود دارند که در آن 2 ماه اول این مورد است ، و این فروشندگان منتخب حتی به طور متوسط DSR های بالاتری دریافت می کنند. به همین دلیل ، این دو نقطه اول در شکل را نمی توان با موارد باقیمانده مقایسه کرد. در تجزیه و تحلیل رگرسیون ما در زیر ، ما با کنترل اثرات ثابت ، انتخاب را در نظر می گیریم. شکل 2.

تکامل رتبه بندی دقیق فروشنده. شکل نشان می دهد که چگونه DSR ها با گذشت زمان تغییر می کنند. خط عمودی نشان دهنده تغییر مه 2008 به مکانیسم بازخورد کلاسیک است. نقاط به طور متوسط در بین کاربرانی که DSR ها برای آنها نمایش داده می شوند ، است. میله های خطا فواصل اطمینان 95 درصد را نشان می دهد. محافل مقادیر درون یابی خطی برای دوره هایی هستند که در آن داده ها جمع آوری نکردیم. ما در تجزیه و تحلیل رسمی خود به طور قابل توجهی در درون یابی خطی بهبود می یابیم. به پاورقی 7 ، پیوست آنلاین B و بحث در متن اصلی مراجعه کنید. قبل از میانگین DSR ها در بین کاربران ، میانگین DSR را در هر کاربر در چهار دسته محاسبه کردیم. خطوط متراکم افقی تصور می کنند که نقاط به طور متوسط در طی 12 ماه قبل از نقطه زمانی که DSR ها در آن نمایش داده می شوند ، هستند.

هنگام تفسیر شکل 2 مهم است که در نظر داشته باشید که نمرات DSR میانگین تمام رتبه بندی های DSR را که در 12 ماه گذشته داده شده است نشان می دهد. بنابراین ، اگر به طور متوسط ، تمام رتبه بندی های دریافت شده پس از تغییر در تمام ماه ها پس از تغییر ، به همان میزان بالاتر باشد و هیچ زمان زمانی قبل و بعد از تغییر وجود نداشته باشد ، و همان تعداد رتبه بندی ها در هر ماه دریافت می شود، سپس یک منحنی مسطح قبل از تغییر ، افزایش خطی در 12 ماه پس از تغییر ، و پس از آن دوباره یک منحنی مسطح (در سطح بالاتر) مشاهده می شود. تأثیر کامل این تغییر برابر است با تفاوت بین نمره DSR 1 سال پس از تغییر و نمره DSR درست قبل از تغییر. در شکل 2 در خطوط افقی به تصویر کشیده شده است. 13 شکل به وضوح نشان می دهد که DSR ها پس از تغییر ماه مه 2008 افزایش یافته اند. 14

ما رگرسیون را برای تعیین کمیت اثر نشان داده شده در شکل 2 انجام دادیم ، کنترل اثرات ثابت. مشخص شده توسط DSR_{آی تی}میانگین نمره در چهار ابعاد رتبه DSR که برای فروشنده I در دوره t گزارش شده است. به یاد بیاورید که داده های ما همیشه در روز اول ماه و DSR کشیده می شوند_{آی تی}میانگین تمام رتبه بندی های فروشنده ای است که من طی 12 ماه گذشته دریافت کرده ام. بگذارید وزنی باشد که در ساخت شاخص در DSR قرار داده شده است_من، میانگین تمام رتبه بندی های داده شده در ماه τ. این وزن برای τ صفر است

ما می خواهیم تخمین بزنیم که چگونه DSR_منپس از ماه مه 2008 تغییر کرده است. یعنی ما علاقه مند به تخمین پارامتر β در

جایی که پست_منمقدار یکی را بعد از تغییر و در غیر این صورت صفر می کند. این تغییر بین 1 مه و 1 ژوئن 2008 رخ داده است ، بنابراین ما پست را کد می کنیم_من= 1 اگر τ برابر با ژوئیه 2008 یا بالاتر باشد ، و پست_من= 0. 5 اگر τ برابر با ژوئن 2008 باشد. با این کار فرض می کنیم که نیمی از رتبه بندی های دریافت شده در ماه مه 2008 مربوط به معاملات انجام شده پس از تغییر است. 15 اصطلاح α_منیک اثر ثابت فردی با میانگین صفر و ε است_منیک اصطلاح خطای فردی و خاص است. ما نمی توانیم β را مستقیماً با رگرسیون DSR تخمین بزنیم_مندر پست_منچون DSR_منمشاهده نمی شودبا این حال ، توسط (1) ، نمره DSR گزارش شده میانگین وزنی دریافت شده در 12 ماه گذشته است ، به طوری

. با

و ∑ τ = t - 12 t - 1 w i τ t ⋅ post i τ کسری از DSR های دریافت شده پس از تغییر سیستم 2008 است. از این رو ، ما می توانیم α و β را با انجام رگرسیون اثر ثابت از نمره DSR گزارش شده در یک اصطلاح ثابت و آن بخش تخمین بزنیم. 16 ما می توانیم برای روند زمان به روشی مشابه کنترل کنیم. 17

کنترل در اینجا برای جلوه های ثابت مهم است زیرا در هر مقطع زمانی نمره DSR فقط برای یک نمونه انتخاب شده از فروشندگان قابل مشاهده است ، یعنی کسانی که در معاملات کافی درگیر هستند به طوری که نمره DSR نمایش داده می شود. در غیر این صورت ، نتایج ممکن است مغرضانه باشد. به عنوان مثال ، نمره DSR فروشندگان دارای رتبه ضعیف با α پایین تر_منممکن است قبل از تغییر کمتر مشاهده شود زیرا تا آن زمان آنها رتبه کافی دریافت نمی کردند. در عین حال ، ما همچنین هنگام مطالعه اثرات بر رفتار فروشندگان ، از فروشنده خارج می شویم. در هر دو مورد ، کنترل اثرات ثابت شبیه به فروشندگان به مرور زمان است و می بینید که چگونه نمره DSR آنها تغییر می کند ، با دانستن کسری از رتبه بندی هایی که پس از تغییر بازخورد دریافت شده اند. این به طور کلی مهم است زیرا ما به تغییر جریان DSR ها علاقه مندیم که به دلیل تغییر مکانیسم بازخورد در ماه مه 2008 است.

جدول 2 حاوی نتایج رگرسیون با استفاده از نمرات DSR به طور متوسط در چهار امتیاز دقیق از همه فروشندگان است. در مشخصات 1 از کل نمونه استفاده می کنیم و اثر 0. 0581 را می یابیم. در مشخصات 2 ، ما داده های مجموعه را از اول مارس تا 1 اکتبر 2008 به زمان محدود می کنیم. از این رو فقط 30،488 مشاهده وجود دارد. ما این کار را برای برآورد تأثیر محلی انجام می دهیم ، زیرا این امر به ما این امکان را می دهد تا ببینیم که چه میزان از اثر کلی ناشی از پاسخ فوری فروشندگان است. اثر تخمین زده شده برابر با 0. 0414 است ، که نشان می دهد بیشتر اثر از اواسط ماه مه تا 1 اکتبر 2008 رخ می دهد. در مشخصات 3 ، ما در عوض اجازه می دهیم روند زمان خطی پراکنده در کل پنجره مشاهده. ما می دانیم که روند زمان قبل از تغییر بسیار اندک است و بعد از تغییر تفاوت معنی داری با صفر ندارد. با توجه به شکل 2 این تعجب آور نیست ، زیرا در حال حاضر نشان می دهد که هیچ روند زمانی در نمرات DSR گزارش شده قبل از ماه مه 2008 وجود ندارد. تأثیر این تغییر یک اثر کوتاه مدت 0. 0168 است ، تا پایانسپتامبر 2008 ، و اثر بزرگتر 0. 0589 پس از آن. 18

جدول 2

تأثیر تغییر در ماه مه 2008 در رتبه بندی DSR

توجه داشته باشید. در جدول نتایج رگرسیون میانگین نمره DSR ، به طور متوسط بیش از چهار دسته ، در یک اصطلاح ثابت و کسری از بازخوردهای دریافت شده پس از ماه مه 2008 نشان می دهد. برای ماه مه 2008 ، ما فرض می کنیم که نیمی از بازخورد ها قبل از تغییر و تغییرنیمی دیگر پس از تغییر. در مشخصات 2 ، ما مشاهدات را قبل از مارس و بعد از اکتبر 2008 حذف می کنیم. در مشخصات 3 ما بین اثر تا پایان سپتامبر 2008 و بعد از آن تاریخ تمایز قائل می شویم و همچنین روند زمان خطی را به حساب می آوریم. برای جزئیات بیشتر به متن اصلی مراجعه کنید. مشخصات 4 فقط شامل آن دسته از فروشندگان است که در ماه مه 2008 نمره DSR را زیر میانگین 4. 75 داشتند و مشخصات 5 را فقط در بالای میانه قرار می دهند. یک مشاهده ، ترکیب موج فروشنده است. در کل ، ما اثرات ثابت را کنترل می کنیم. R 2 در R 2 است.

*. خطاهای استاندارد در سطح فروشنده خوشه ای هستند و در سطح 10 درصد قابل توجه هستند.

**خطاهای استاندارد در سطح فروشنده خوشه ای هستند و در سطح 5 درصد قابل توجه هستند.

***خطاهای استاندارد در سطح فروشنده خوشه ای هستند و در سطح 1 درصد قابل توجه هستند.

برای ارزیابی میزان تأثیر ، بیان اعداد از نظر مقدار توزیع نمرات DSR در بین فروشندگان قبل از تغییر مه 2008 مفید است. با توجه به نتایج در ستون اول ، میانگین DSR قبل از تغییر 4. 7061 است و پس از تغییر ، 4. 7061 + 0. 0581 = 4. 7642 است. این تقریباً با مقدار 40 و 60 درصد توزیع رتبه بندی قبل از تغییر مطابقت دارد. از این رو ، تغییر مه 2008 منجر به افزایش قابل توجه و قابل توجه در ارزیابی خریداران شده است. این همچنین قابل توجه است زیرا خریداران توانسته اند بدون تهدید قصاص در حال حاضر با استفاده از رتبه بندی DSR معرفی شده در ماه مه 2007 ، رضایت خود را از عملکرد فروشنده ابراز کنند.

ما همچنین بررسی کردیم که چگونه این افزایش بین فروشندگان با نمرات DSR کم و زیاد قبل از تغییر متفاوت است. به همین ترتیب ، ما قبل از تغییر ماه مه 2008 ، نمونه خود را در DSR متوسط 4. 75 بین فروشندگان بالا و پایین تقسیم کردیم. شکل 3 تصویر را نشان می دهد. افزایش نمره DSR برای فروشندگان با نمرات زیر متوسط به صورت قبلی قوی تر است. ستون های 4 و 5 جدول 2 تخمین های مربوطه را گزارش می دهند ، که دوباره برای اثرات ثابت فروشنده کنترل می کنند. تفاوت بین اثر برای فروشندگان فوق و زیر متوسط با صفر تفاوت معنی داری دارد. 19 هنگامی که رگرسیون را برای آن دو گروه مختلف فقط برای یک پنجره زمانی کوچکتر انجام می دهیم ، مانند مشخصات 2 ، یا کنترل برای روند زمان ، مانند مشخصات 3. در قسمت دوم جدول C2 در پیوست آنلاین C ، مورد بحث قرار می گیریم. بعداً در زمینه بررسی های استحکام ، ما اثرات تغییر بازخورد را با رتبه DECILE DSR فروشندگان نشان می دهیم. ما با افزایش Decile ، کاهش بزرگی و اهمیت اثر را پیدا می کنیم. شکل 3.

تکامل برای دو گروه مختلف. شکل نشان می دهد که چگونه نمره DSR با گذشت زمان تغییر کرده است ، با فروشندگان به کسانی که نمره DSR بالاتر از میانگین 4. 75 قبل از تغییر مه 2008 و کسانی که نمره زیر آن دارند ، تقسیم می شوند. همچنین یادداشت های شکل 2 را ببینید.

در کل ، شواهد تجربی از فرضیه ما حمایت می کنند که کنار گذاشتن امتیاز منفی خریدار توسط فروشندگان - و از این طریق موانع در برابر امتیاز منفی فروشندگان توسط خریداران در سیستم رتبه بندی کلاسیک را کاهش می دهد - منجر به افزایش قابل توجهی و اساسی در ارزیابی خریداران می شود که توسط اندازه گیری شده توسط اندازه گیری شده استDSR های مستقل اندازه گیری شده است.

سرانجام ، به منظور بررسی آنچه در پشت این افزایش است ، ما از Klein و همکاران استفاده کردیم.(2006) داده ها در مورد بازخوردهای کلاسیک فردی و نمونه برداری 470 بازخورد کلاسیک منفی که توسط خریداران ارائه شده است. همه آنها با معاملات قبل از ماه مه 2008 مطابقت دارند. ما از مواردی استفاده کردیم که خریداران ابتدا بازخورد را ترک کردند و نظرات متن را کدگذاری کردند. نتایج در جدول 3 گزارش شده است. مسلماً ، بیشتر این شکایات خریدار مربوط به اشکال رفتار فروشنده است که با هزینه نسبتاً کم قابل تغییر است.

جدول 3.

دلایل نارضایتی هنگام خریدار اولین بازخورد منفی را بیان کرد

توجه داشته باشید. بر اساس 470 نظر متن متعلق به بازخوردهای کلاسیک که توسط خریداران باقی مانده است. به کلین و همکاران مراجعه کنید.(2006) برای توضیحات داده.