Learning through Ratings under Endogeneous Product Quality
Dit artikel analyseert hoe beoordelingssystemen zowel het leerproces van consumenten als de prikkels voor verkopers beïnvloeden in markten met endogene productkwaliteit, waarbij structurele schatting en contrafactische experimenten worden gebruikt om aan te tonen dat manipulatie van beoordelingen de marktuitkomsten schaadt, terwijl vergeving van beoordelingen de omzet, kwaliteit en welvaart verbetert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de uitgestrekte, onzichtbare marktplaats van het internet blijft een vreemd probleem bestaan: je kunt het product niet aanraken voordat je het koopt. Wanneer je een vakantiewoning boekt of online een maaltijd bestelt, vertrouw je op het woord van een vreemde en een paar sterrenratings om te vertellen hoe de ervaring zal zijn. Deze kloof tussen wat een verkoper weet en wat een koper weet, wordt asymmetrische informatie genoemd. Economen maken zich al lang zorgen dat deze kloof leidt tot twee slechte uitkomsten. Ten eerste het "lemons"-probleem (het probleem van de gebrekkige producten), waarbij slechte producten goede producten verdringen omdat kopers het verschil niet kunnen zien. Ten tweede het "moral hazard"-probleem (moreel wangedrag), waarbij verkopers minder inspanning kunnen leveren of stoppen met hard werken omdat ze weten dat kopers hun dagelijkse inspanningen niet kunnen zien. Om dit op te lossen, hebben digitale platforms ratingsystemen gebouwd. Deze sterren zijn bedoeld om twee dingen tegelijk te doen: ze vertellen de volgende klant wat hij kan verwachten, en ze stimuleren de huidige verkoper om zijn product in goede staat te houden. Maar het is niet altijd duidelijk of deze twee doelen samenwerken, of dat ze tegengestelde richtingen opgaan.
Een nieuwe studie door onderzoekers van de University of California, Berkeley, en de Nova School of Business and Economics in Portugal duikt diep in deze vraag met een uniek venster op de echte wereld. Ze richtten zich op de markt voor korte verhuur, de sector achter platforms zoals Airbnb, waar hosts huizen verhuren voor kort verblijf. In deze wereld is kwaliteit niet vaststaand; een huis kan vies worden, meubels kunnen kapot gaan, en een host kan ervoor kiezen dit te repareren of te negeren. De onderzoekers hadden toegang tot een zeldzame dataset van een managementbureau dat honderden van deze verhuurwoningen beheert. In tegen tegenstelling tot de meeste studies die alleen de uiteindelijke sterrenrating zien, toonden deze gegevens de onderzoekers precies wanneer een host betaalde voor een grondige schoonmaakbeurt, een dakreparatie of nieuw beddengoed. Ze konden het geld zien dat werd uitgegeven en de timing van deze inspanningen, en deze direct koppelen aan de beoordelingen die daarop volgden. Dit stelde hen in staat om de onzichtbare dans van inspanning en reputatie in realtime te observeren, in plaats van er slechts een gok naar te doen.
De onderzoekers bouwten een gedetailleerd computermodel om te simuleren hoe deze markten over een lange periode werken, waarbij de interactie tussen hosts en gasten als een continu spel wordt behandeld. Ze ontdekten dat het systeem vol strategie zit. Wanneer een host een slechte beoordeling krijgt, doen zij dat niet zomaar van zich af; ze zijn aanzienlijk eerder geneigd om geld uit te geven aan onderhoud in de daaropvolgende weken om hun reputatie te herstellen. Dit bewijst dat de angst voor een slechte beoordeling een krachtige motivator is. Aan de andere kant leren gasten voortdurend. Wanneer een woning een hoge gemiddelde beoordeling heeft, boeken meer mensen het. Maar ook het aantal beoordelingen doet ertoe. Als een woning een hoge beoordeling heeft maar zeer weinig beoordelingen, zijn gasten voorzichtig. Als het een hoge beoordeling heeft en veel beoordelingen, voelen gasten zich zelfverzekerd. Echter, als een woning een lage beoordeling heeft, werkt het toevoegen van meer beoordelingen het juist tegen, omdat het slechte nieuws zich opstapelt en de lage kwaliteit bevestigt.
De studie ontdekte ook dat niet alle verhuurwoningen hetzelfde zijn. De onderzoekers verdeelden de advertenties in twee groepen: "value" (waarde) eigendommen, die kleiner, goedkoper en vaker geboekt worden, en "premium" eigendommen, die groter, duurder zijn en in betere gebieden liggen. De premium hosts, die meer te verliezen hebben, reageren sterker op slecht nieuws en zijn efficiënter in het omzetten van hun onderhoudsgeld in betere beoordelingen. De value hosts, hoewel ook responsief, staan bloot aan een andere set druk en kosten. Dit verschil is van belang bij het nadenken over het ontwerp van het ratingsysteem zelf.
Om te testen hoe het systeem verbeterd of gebroken kon worden, voerden de onderzoekers een reeks contrafeitelijke experimenten uit. Ze vroegen: wat gebeurt er als het platform nepbeoordelingen toestaat? Of wat gebeurt er als het platform negatieve beoordelingen verwijdert die werden veroorzaakt door zaken buiten de controle van de host, zoals een storm of een verkeersopstopping? De resultaten waren scherp en asymmetrisch. Wanneer de onderzoekers een wereld simuleerden waarin twintig procent van de beoordelingen nep vijfsterrenbeoordelingen waren, verslechterde de markt. Zelfs als de gasten slim genoeg waren om te weten dat sommige beoordelingen nep waren, verminderden de hosts nog steeds hun onderhoudsinspanningen. Waarom? Omdat de nepbeoordelingen het moeilijker maakten voor het ratingsysteem om slecht gedrag te straffen. De hosts realiseerden zich dat ze met minder inspanning weg konden komen, en de kwaliteit van de woningen daalde. De boekingspercentages en de werkelijke kwaliteit van de verblijven namen af, wat iedereen schaadde.
In contrast hiermee, toen de onderzoekers een beleid van "rating forgiveness" (beoordelingsvergeving) simuleerden, waarbij het platform dertig procent van de negatieve ruis verwijderde — negatieve beoordelingen die voortkwamen uit pech in plaats van slechte service — verbeterde de markt. Door deze onrechtvaardige sancties te verwijderen, werd het systeem een helderder signaal van echte kwaliteit. Hosts, die zagen dat hun harde werk minder waarschijnlijk gestraft zou worden door een willekeurige slechte beoordeling, investeerden meer in onderhoud. De kwaliteit van de woningen ging omhoog en gasten boekten vaker. Dit effect was bijzonder sterk voor de premium woningen, waar de hosts al gevoeliger waren voor hun reputatie.
De kernontdekking van dit werk is dat ratingsystemen niet slechts passieve scoreborden zijn, maar actieve motoren die gedrag aansturen. Het toevoegen van positieve ruis, zoals nep vijfsterrenbeoordelingen, is schadelijk omdat het de prikkel om hard te werken afzwakt. Het verwijderen van negatieve ruis is echter gunstig omdat het de goede werkers beschermt tegen pech, waardoor zij worden aangemoedigd om goed werk te blijven doen. De studie suggereert dat voor digitale marktplaatsen het ontwerp van het ratingsysteem een zorgvuldige balans moet vinden tussen de behoefte aan informatie en de behoefte om verkopers te motiveren. Het is niet voldoende om simpelweg de sterren te tonen; het platform moet ervoor zorgen dat die sterren de inspanning achter hen accuraat weerspiegelen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.