Ben Greiner, Timm Teubner, Christof Weinhardt, Grundfragen der Plattformökonomie – Wie man Vertrauen designt in:

Uwe Blaurock, Martin Schmidt-Kessel, Katharina Erler (Ed.)

Plattformen, page 59 - 76

Geschäftsmodell und Verträge

1. Edition 2018, ISBN print: 978-3-8487-5057-3, ISBN online: 978-3-8452-9229-8, https://doi.org/10.5771/9783845292298-59

Series: Schriften der Ernst von Caemmerer Stiftung, vol. 10

Bibliographic information
59 Grundfragen der Plattformökonomie – Wie man Vertrauen designt1, 2 Ben Greiner, Timm Teubner und Christof Weinhardt I. Einleitung: Plattformen aus ökonomischer Sicht Plattformen sind Intermediäre, die Benutzergruppen zusammenbringen, um ökonomischen oder sozialen Austausch zu ermöglichen. Beispiele sind Facebook, Twitter und Partnerbörsen als soziale Plattformen, aber auch Visa, MasterCard und PayPal als Bezahlplattformen oder ganz generell Medien wie Zeitungen oder Internetseiten als Informations- und Werbeplattformen. Eine spezielle Untergruppe sind Marktplattformen, in denen die Plattform die Rolle des Marktmachers übernimmt und dabei nicht nur Käufer und Verkäufer zusammenbringt, sondern auch die Preisfindung und andere Prozesse organisiert. Beispiele für Marktplattformen sind die E-Commerce-Plattformen eBay, Airbnb, BlablaCar und Amazon »Marketplace«, der »App Store« von Apple, auf der Entwickler Konsumenten für ihre Software finden, und die »Ad Platform« von Google, auf der Webseiten und Werber zusammenkommen. Die Marktbewertungen dieser Plattformen auf den Finanzmärkten übertreffen mittlerweile die Riesen anderer Branchen (z.B. Uber: 69 Mrd. US$, eBay 37 Mrd. US$, Airbnb 31 Mrd. US$). Die Europäischen Kommission schätzt die jährlichen Umsätze auf Consumer-to-Consumer-Onlineplattformen in Europa auf 17,2 Mrd. EUR für Gebrauchtgüter, 6,6 Mrd. EUR für die Vermietung von Wohnraum und 1,0 Mrd. EUR für Fahrgemeinschaften (EU 2017). Plattformen sind charakterisiert durch Netzwerkeffekte. Je mehr Verkäufer auf einer Plattform aktiv sind, desto attraktiver ist die Plattform für 1 Ben Greiner dankt seinen Koautoren Gary Bolton und Axel Ockenfels für die Zusammenarbeit in den Studien, die in diesem Kapitel zitiert werden. Timm Teubner und Christof Weinhardt danken ihren Koautoren Marc Adam und Florian Hawlitschek für die Kooperation in den ebenfalls hier zitierten Arbeiten. 2 Die Referenten Ben Greiner und Christof Weinhardt haben einen gemeinsamen Beitrag für den vorliegenden Tagungsband verfasst. Die zugehörigen Diskussionsberichte beider Referate sind auf Seite 77 und Seite 169 zu finden. Grundfragen der Plattformökonomie – Wie man Vertrauen designt 60 Käufer. Je mehr Käufer sich auf der Plattform tummeln, desto beliebter ist sie für Verkäufer. Ob zu einem bestimmten Zeitpunkt der Wert eines zusätzlichen Käufers oder eines zusätzlichen Verkäufers höher ist, ob also die Plattform eher in ihre Attraktivität für Käufer oder Verkäufer investieren sollte, ähnelt daher oft einem Henne-Ei-Problem. Den Konsumentenwert einer Plattform kann man mathematisch stark vereinfacht als b – p + f(n) modellieren. Dabei stellt »b« den intrinsischen Nutzen der Plattform für den Konsumenten dar, unabhängig von ihrer Nutzerstruktur. Dieser Wert kann für verschiedene Konsumenten unterschiedlich sein. Der Wert »p« ist der Preis, den die Plattform für den Zugang erhebt. Dieser Preis kann monetär, aber auch nicht-monetär sein, z.B. könnte die Plattform verlangen, dass der Nutzer für den Zugang mit werbungsrelevanten Informationen über sich selbst »bezahlt«. Die Funktion »f(n)« schließlich bildet die Netzwerkeffekte ab, mit »n« gleich der Anzahl der anderen Nutzer auf der Plattform. Diese Funktion kann ansteigend oder absteigend, positiv oder negativ sein. Selbst im Normalfall wird sie jedoch kompliziertere Beziehungen abbilden, z.B. könnte die Funktion bis zu einem Idealpunkt n* steigen und dann wieder fallen, so dass sowohl zu wenige andere Nutzer aber auch zu viele andere Nutzer nicht ideal sind. Dieses Basismodell kann erweitert werden, z.B. durch die Modellierung von mehr als nur einer Nutzergruppe (Käufer und Verkäufer). Schliesslich wird ein Konsument eine Plattform nur nutzen, wenn b – p + f(n) > 0 gegeben ist, also sein Netto-Nutzengewinn aus der Teilnahme an der Plattform positiv ist. Eine wesentliche Frage jeder Plattform ist die nach der stabilen und/oder idealen Größe der Nutzerbasis. Eine durch ein spieltheoretisches Gleichgewicht gekennzeichnete stabile Größe einer Plattform ist charakterisiert dadurch, dass bei dieser Nutzeranzahl der Plattform kein weiterer Nutzer hinzukommen und kein derzeitiger Nutzer die Plattform verlassen möchte. Bei einer großen Anzahl von charakteristischen Netzwerkfunktionen wird es mehrere solcher Gleichgewichte geben, manche gekennzeichnet durch geringe und manche durch hohe Nutzerzahlen, und auch unterschieden in der jeweiligen marginalen Zahlungsbereitschaft der Nutzer. Dies können sich Plattformbetreiber zu Nutze machen, indem sie durch ihre Preissetzung die Nutzer auf einem Gleichgewicht mit hohen Nutzerzahlen koordinieren. Abbildung 1 stellt eine einfache Modellskizze für einen solchen Fall dar (vgl. Teubner und Hawlitschek 2018). Die Kurve #K* zeigt einen typischen Verlauf der Anzahl der Käufer, die auf der Plattform aktiv werden, in Abhängigkeit der Anzahl der dort bereits akti- Ben Greiner, Timm Teubner und Christof Weinhardt 61 ven Verkäufer (#V). Umgekehrt zeigt #V* die Anzahl der Verkäufer, die auf der Plattform aktiv werden, in Abhängigkeit der bereits aktiven Käufer (#K). Wie zu erkennen ist, existieren drei Schnittpunkte der beiden Kurven (L, C und H). Diese Schnittpunkte stellen Marktgleichgewichte dar, da für die hier gegebene Anzahl von Teilnehmern einer Marktseite kein Teilnehmer der anderen Seite hinzukommen oder die Plattform verlassen möchte. Im Gleichgewicht L nimmt (so gut wie) niemand an der Plattform teil. Im Gleichgewicht H wiederum sind sehr viele Teilnehmer auf der Plattform aktiv. Das Gleichgewicht C spielt eine besondere Rolle, da es die kritische Masse für beide Marktseiten repräsentiert. Das Gleichgewicht C selbst ist instabil. Wird die kritische Masse unterschritten, ist also die Anzahl der aktiven Käufer oder Verkäufer zu gering, dann existieren individuellen Anreize, dass die Nutzerzahlen zum Nullpunkt (L) zurück konvergieren – die Plattform also scheitert. Wird die kritische Masse überschritten, gibt es Anreize zu weiterem Plattform-Eintritt, und die Nutzerzahlen konvergieren durch iterierte wechselseitige Anpassungen zum Marktgleichgewicht H (wie in Abbildung 1 dargestellt). Die Gleichgewichte L und H stellen in diesem Sinne »stabile« Gleichgewichte dar, da die Nutzerzahlen bei Abweichungen stets dorthin zurückkonvergieren. Im Gegensatz dazu ist Gleichgewicht C instabil, da es sich nur in einem singulären Punkt erhält. Kleinste Auslenkungen nach oben oder unten – theoretisch also ein einziger hinzukommender oder abspringender Nutzer – initiieren eine Konvergenz in Richtung H bzw. L. Stehen Plattformen miteinander im Wettbewerb, kommt es auch dort aufgrund der bestehenden Netzwerkeffekte zu einer Multiplizität an Gleichgewichten. So könnte es z.B. ein Gleichgewicht darstellen, dass (fast) jeder Nutzer Plattform A wählt und (fast) keine Nutzerin Plattform B, in ei- Grundfragen der Plattformökonomie – Wie man Vertrauen designt 62 nem anderen Gleichgewicht jedoch wählt (fast) jede Plattform B und (fast) keiner Plattform A. In einer dynamischen Umgebung impliziert dies eine Pfadabhängigkeit: es kann also dazu kommen, dass die Nutzer zu einem »schlechten« Gleichgewicht konvergieren, indem z.B. alle Nutzer anfänglich Mitglieder einer ineffizienteren Plattform werden, die aber durch ihre hohe Nutzerzahl nun so attraktiv ist, dass kein Nutzer die Plattform zugunsten einer neuen, effizienteren, allgemein intrinsisch bevorzugten Plattform verlässt. In unserem einfachen Modell hieße das für eine ineffiziente Plattform A und eine effiziente Plattform B: bA – pA + f(nA) > bB – pB + f(nB) wenn nA >>> nB, obwohl bA < bB und pA > pB. Wenn der Unterschied in der Anzahl der Nutzer auf den Plattformen A und B groß genug ist, dann kann der individuelle Nutzen der Plattform A höher als jener von Plattform B sein, selbst wenn der intrinsische Nutzen von Plattform B höher ist und Plattform A auch noch höhere Zugangspreise verlangt. Im Wettbewerb auf dem Plattform-Markt wird sich eine dominante Plattform insbesondere dann herausbilden, wenn innerhalb der Plattformen starke (positive) Netzwerkeffekte existieren, die Kosten für den Wechsel einer Plattform oder für die gleichzeitige Mitgliedschaft in mehreren Plattformen («multi-homing”) sehr hoch sind, oder es Skaleneffekte im Plattformbetrieb selbst gibt. Zwischen Plattformen gibt es einen aggressiven Wettbewerb insbesondere um «single-home”-Nutzer, die sich in der Regel für eine Plattform entscheiden und dort bleiben. Eine andere Folge sind Preise, die diejenigen Plattform-Nutzer »subventionieren«, deren Teilnahme den Wert für andere Nutzer erhöht. Beispiele für solche (impliziten) Subventionen sind die Suche und andere Anwendungen von Google, die Konsumenten kostenlos zur Verfügung gestellt werden, da die Teilnahme der Konsumenten den Wert der Plattform für Werber erhöht. II. Reputationssysteme auf Marktplattformen Reputationssysteme gehören zum Herzstück vieler Marktplattformen. In einem Reputationssystem werden Informationen über das Verhalten der Marktteilnehmer gesammelt und an andere potentielle Transaktionspartner weitergegeben. Da die potentiellen Transaktionspartner ihre Entscheidung über eine Interaktion auf diese Informationen konditionieren können, entstehen dadurch Anreize, sich im Markt vertrauenswürdig zu verhalten. Ben Greiner, Timm Teubner und Christof Weinhardt 63 Diese Systeme beeinflussen damit die (erwarteten) Kosten und Risiken der Teilnahme an der Plattform, aber auch den (erwarteten) intrinsischen Nutzen. Sie prägen dadurch die Attraktivität und Wettbewerbsfähigkeit einer Plattform. Sie sorgen für den »lock-in« von Nutzern, die sich eine (ggf. nicht oder nur bedingt auf andere Plattformen übertragbare) Reputation aufgebaut haben (siehe auch Abschnitt IV dieses Kapitels). Nicht zuletzt moderieren sie auch die Frage der Haftung und Kontrolle auf Plattformen, mit unterschiedlichen Lösungsansätzen: bei Amazon zum Beispiel werden Zahlungsströme und Produktqualität durch den Plattformbetreiber garantiert, bei eBay hingegen beruhen Qualität und Vertrauenswürdigkeit auf den durch das Reputationssystem gesetzten Anreizen. Das Reputationssystem auf der Marktplattform eBay, zum Beispiel, wurde im Jahr 1996 eingeführt. Im Laufe der Zeit war es mehreren Veränderungen unterworfen. Anfang 2007 funktionierte es wie folgt: Nach jeder Transaktion konnte jeder Transaktionspartner entweder positives, neutrales, oder negatives Feedback geben (oder gar kein Feedback). Zusätzlich konnten die Transaktionspartner einen kurzen verbalen Kommentar zur Transaktion abgeben, deren Informationsgehalt sich in der Regel jedoch in Grenzen hielt (z.B. »A++++ Top!!!!«). Feedback konnte jederzeit innerhalb eines Zeitfensters von ungefähr 90 Tagen nach der Transaktion abgegeben werden. Ein abgegebenes Feedback wurde sofort auf der Plattform veröffentlicht. Das Feedback eines Marktteilnehmers wurde in einem »Feedback-Score« zusammengefasst, welcher sich aus der Anzahl der erhaltenen positiven Feedbacks (von unterschiedlichen Transaktionspartnern) minus der Anzahl der erhaltenen negativen Feedbacks (von unterschiedlichen Transaktionspartnern) ergab. Dabei wurde sowohl Feedback berücksichtigt, welches man als Verkäufer erhalten hat, als auch Feedback, das man als Käufer erwarb. Eine zweite Kennzahl (»Prozent positiv«) veranschaulichte den Anteil der positiven Bewertungen im Feedback Score. Eine weitere häufig anzutreffende Variante von Reputationssystemen basiert auf gegenseitigen Bewertungen auf einer Skala von 1 bis 5 Sternen. Hier werden dann die durchschnittlich erhaltenen Sterne oder gar die gesamte Verteilung den zukünftigen Transaktionspartnern mitgeteilt. Plattformen mit solchen Skalen sind z.B. Airbnb, Amazon, BlaBlaCar, Uber, und seit 2007 auch eBay in seinen »Detailed Seller Ratings«. Empirische Studien zeigen, dass das Feedbacksystem auf eBay recht gut (wenn auch nicht perfekt) funktioniert. Im Jahr 2007 beinhaltete das Reputationssystem bereits mehr als 6 Milliarden individuelle Feedbacks, wobei täglich weitere 4 Millionen hinzukamen. Ca. 70% der Transaktionspartner gaben nach einer Transaktion ein Feedback ab, Käufer und Grundfragen der Plattformökonomie – Wie man Vertrauen designt 64 Verkäufer annähernd gleich oft. Viele Studien konnten eine positive Beziehung zwischen Verkäufer-Feedback (»Prozent positiv«, Feedback- Score) und der Wahrscheinlichkeit eines Verkaufs als auch dem Verkaufspreis feststellen (siehe z.B. Dellarocas 2004 für einen Überblick). Ähnlich wie für eBay zeigt sich auch für Airbnb, dass Reputation handfesten ökonomischen Wert besitzt. Statistische Preisanalysen legen nahe, dass Anbieter mit besseren Bewertungen in der Lage sind, höhere Preise durchzusetzen (Teubner et al. 2017). Ebenso zeigen Nutzerbefragungen, dass Kunden eher bereit sind, bei Anbietern mit positiven Bewertungen zu buchen, als bei solchen ohne oder mit schlechteren Bewertungen. Auch Laborexperimente zeigen, dass Kooperation ohne die Bereitstellung von Informationen über vergangene Aktionen sehr fragil ist, während sie sich bei Vorhandensein eines Reputationssystems stabilisiert. Bolton, Katok und Ockenfels (2004), zum Beispiel, modellieren ein Käufer- Verkäufer-Spiel, in dem der Käufer zuerst entscheidet, ob er das Geld an die Verkäuferin sendet oder nicht, und die Verkäuferin dann entscheidet, ob sie die Ware sendet oder nicht. Während ein Austausch von Geld und Ware zu Effizienzgewinnen führt, so dass beide Transaktionspartner sich besserstellen, hat die Verkäuferin Anreize, die Ware nach Gelderhalt nicht zu versenden, und der Käufer daher jeden Grund, der Verkäuferin das Geld nicht zu übermitteln. Im Laborexperiment spielen die Teilnehmerinnen dieses Spiel für 30 Runden, in jeder Runde mit einem neuen Kooperationspartner. Während in einer Experimentanordnung vor der Transaktion keine Informationen über den neuen Transaktionspartner weitergegeben wurden, sahen die Teilnehmerinnen in einer anderen Anordnung die komplette Entscheidungshistorie des Transaktionspartners. Bolton, Katok und Ockenfels (2004) beobachten, dass während die Frequenz von effizienten Transaktionen ohne solche Reputationsinformationen sehr schnell gegen Null konvergiert, sich ihre Anzahl bei stabilen 50% der maximal erreichbaren Effizienzgewinne einpendelt, wenn ein Reputationssystem zur Verfügung steht. Ein wichtiges Manko real-existierender Reputationssysteme ist, dass die Reputationsinformation nicht exogen verifizierbar ist (sowohl Zahlungsströme als auch Produktqualitäten sind oft nur unter hohen Kosten beobachtbar), sondern endogen auf der Plattform produziert werden, indem die beteiligten Transaktionspartner der Plattform ihre Erfahrungen mittels Feedback mitteilen. Die Frage, die sich angesichts dieser Bedingungen für die angewandte ökonomische Theorie und Praxis ergibt, ist ob man die existierenden Reputationssysteme noch weiter optimieren kann, so dass sich einerseits verlässliche(re) Informationen über durchgeführte Ben Greiner, Timm Teubner und Christof Weinhardt 65 Transaktionen ergeben und andererseits dadurch alle Beteiligten Anreize haben, vertrauenswürdig zu handeln und dadurch Effizienzgewinne zu realisieren. Dies ist insbesondere auch im Interesse der Plattform, um Netzwerkeffekte weiter zu verstärken und dadurch für noch mehr Nutzer attraktiver zu werden. III. Reputationssystem-Design: Reziprozität und Information Das Reputationssystem auf eBay im Jahre 2007 funktionierte zwar, belegt durch eBays Erfolg im E-Commerce, jedoch funktionierte es nicht perfekt. Bolton, Greiner, und Ockenfels (2013) dokumentieren eine weitgehende Reziprozität im gegenseitigen Feedback-Verhalten, welche signifikante Auswirkungen auf den Informationsgehalt des Reputationssystems und die Vertrauenswürdigkeit der Handelspartner nach sich zieht. In eBays Feedbacksystem wurde ein abgegebenes Feedback sofort veröffentlicht. Wenn zum Beispiel ein Käufer ein positives Feedback über die Verkäuferin abgab, dann wurde die Verkäuferin sofort darüber informiert. In 99,9 Prozent der Fälle, in denen die Verkäuferin daraufhin ein Feedback zurückgab, war dieses positiv. Im umgekehrten Fall, wenn ein Käufer ein negatives Feedback als Erster abgab, war das Feedback, mit dem die Verkäuferin darauf antwortete, zu mehr als 90 Prozent negativ. Die Existenz von positiver und negativer Reziprozität hat unterschiedliche Auswirkungen auf die Anreize zum Feedback-Geben. Ein positives Feedback für die Transaktionspartnerin belohnt nicht nur deren Kooperation, sondern stipuliert die Transaktionspartnerin auch dazu, mit einem positiven Feedback zu antworten. Ein negatives Feedback bestraft unkooperatives Verhalten (negatives Feedback hat einen empirisch belegten Einfluss auf die vom Verkäufer zukünftig erzielten Preise), ist jedoch bedroht durch Vergeltung. Reziprozität im Feedbackverhalten führt daher zu erhöhten Anreizen, positives Feedback zu geben, und zu verringerten Anreizen, negatives Feedback zu geben. Das Endresultat ist zu positives und zu wenig wahrhaftes Feedback, und dadurch ein verringerter Informationsgehalt im Reputationssystem, mit der Konsequenz von vermindertem Vertrauen (sowohl in den Verkäufer als auch in die Plattform) und weniger Handel. Bolton, Greiner, und Ockenfels (2013) diskutieren und evaluieren insbesondere zwei mögliche Lösungsansätze zu diesem Problem. Der erste Lösungsvorschlag ist, Feedback »blind« zu machen, das heißt, das Feedback eines Transaktionspartners erst dann zu veröffentlichen, wenn auch Grundfragen der Plattformökonomie – Wie man Vertrauen designt 66 die andere Transaktionspartnerin ihr Feedback abgegeben hat. Diese Lösung würde die sequentielle Reziprozität im Feedbackverhalten verhindern. Sie hätte aber auch einige Nachteile. So würde auch die positive Reziprozität verringert werden, die jedoch eine wichtige Motivation für die Teilnahme am Feedbacksystem überhaupt ist. Es gäbe auch immer noch Raum für eine »simultane« Reziprozität, indem z.B. ein Transaktionspartner, der ein negatives Feedback erwartet, aus diesem Grund auch selbst ein negatives Feedback gibt. Ein »blindes« Feedbacksystem benötigt ein wohldefiniertes Zeitfenster (z.B. 3 Wochen), innerhalb dessen Feedback gegeben werden kann und nach Ablauf dessen abgegebenes Feedback auch dann veröffentlicht wird, wenn der Transaktionspartner noch kein Feedback gegeben hat. Dies eröffnet jedoch die Möglichkeit zur strategischen Feedbackverzögerung: Ein krimineller Verkäufer hätte 3 Wochen Zeit, Käufer auf der Plattform zu betrügen, ohne dass sich dieses Verhalten im Reputationssystem widerspiegelt. Sowohl empirische als auch experimentelle Daten unterstützen diese theoretischen Überlegungen. Der brasilianische eBay-Ableger MercadoLivre benutzte dieselben Auktions- und Marktmechanismen wie eBay, implementierte jedoch ein eigenes »blindes« Reputationssystem mit einer 3-wöchigen Feedback-Frist. Auf MercadoLivre konnte man deutlich mehr negatives Feedback und eine deutlich reduzierte Korrelation zwischen Käufer- und Verkäuferfeedback messen, jedoch bei geringerer Teilnahme am Feedback-System. Auch im Laborexperiment zeigen Bolton, Greiner, und Ockenfels (2013), dass blindes Feedback zu mehr negativem Feedback mit geringerer Käufer-Verkäufer-Korrelation, höheren Preisen und höherer Produktqualität führt, jedoch auch zu weniger abgegebenem Feedback. Der zweite von Bolton, Greiner, und Ockenfels (2013) diskutierte Lösungsansatz war, das Feedback auf eBay nur noch einseitig zuzulassen, so dass die Käufer die Verkäufer bewerten, jedoch nicht umgekehrt. Das Argument dahinter ist, dass die Möglichkeiten zum Fehlverhalten auf eBay sehr asymmetrisch sind, da der Käufer in der Regel das Produkt zuerst bezahlt und der Verkäufer das Produkt erst nach Erhalt des Geldbetrages verschickt. Amazons 5-Punkte-Skala ist ein Beispiel eines einseitigen Feedback- Systems, jedoch werden bei Amazon Marketplace sowohl alle Zahlungen als auch Beschwerden und Rücksendungen über Amazon selbst abgewickelt. Ein einseitiges Feedbacksystem auf eBay würde das Problem der negativen Reziprozität per Definition ausschließen. Es würde aber auch die Möglichkeit positiver Reziprozität verhindern, und dadurch die Anrei- Ben Greiner, Timm Teubner und Christof Weinhardt 67 ze zur Teilnahme am Reputationssystem deutlich reduzieren. Eine offene Frage war auch, ob Käufer nicht doch auch Möglichkeiten des opportunistischen Fehlverhaltens haben, in dem sie zum Beispiel gar nicht erst zahlen (was Kosten für einen erneuten Verkaufsversuch nach sich zieht), ihre Kreditkartenzahlung widerrufen oder sich unangemessen über Produktqualitäten beschweren. Ein einseitiges Feedbacksystem könnte den Verkäufer auch erpressbar machen, da er keine Möglichkeit zur »Verteidigung« hätte. Aus diesen Überlegungen heraus erwog eBay, ein einseitiges System nur zusätzlich zum bestehenden offenen zweitseitigen System anzubieten, und zwar als eine Bewertung von Käufer zu Verkäufer, anonym und dadurch nicht möglichen Vergeltungshandlungen ausgesetzt. Als Skala wurde hierbei die auch auf Amazon und Airbnb verwendete 5-Sterne- Skala eingesetzt. Im Laborexperiment von Bolton, Greiner, und Ockenfels (2013) schnitt dieses hybride System sehr gut ab. Es erhöhte sowohl Preise als auch Produktqualität (also Vertrauen und Vertrauenswürdigkeit) noch mehr als ein blindes System, führte zu mehr Information im Reputationssystem und bewirkte im Unterschied zum blinden System keine Reduktion der Teilnahme am Feedbacksystem. Von März bis Mai 2007 führte eBay das erweitere System unter dem Namen Feedback 2.0 / »Detailed Seller Ratings« ein, erst in kleineren Märkten wie Australien, Frankreich, und Großbritannien, und nach dieser erfolgreichen Testphase dann weltweit inklusive den größten Märkten Deutschland und den USA. In den daraufhin gesammelten Felddaten konnten Bolton, Greiner, und Ockenfels (2013) nachweisen, dass das neue System tatsächlich zu mehr Information und weniger Reziprozität führte. Nichtsdestotrotz blieb die große Mehrheit des Feedbacks positiv. Auch auf Airbnb wurde das Bewertungssystem im Verlauf der Zeit angepasst und Mitte 2014 von »offenem« auf »blindes« Feedback umgestellt, so dass die Nutzer seither die Bewertung des Transaktionspartners in Unkenntnis der eigenen erhaltenen Bewertung durchführen. Jedoch wird auch auf Airbnb nicht die gesamte Bandbreite der Bewertungsskala ausgenutzt; die allermeisten (aggregierten) Bewertungen liegen im Bereich zwischen 4,5 und 5,0 Sternen (Teubner et al. 2017). Neben der kaum wahrscheinlichen These, dass es schlichtweg keine schlechten Erfahrungen und Anbieter auf Airbnb gibt, wird hierfür unter anderem die Nicht- Meldung von negativen Erfahrungen als möglicher Grund ins Feld geführt (Fradkin et al. 2017; Zervas et al. 2015; Dann et al., in Bearbeitung). Die könnte auf die direkte soziale Interaktion zwischen Anbieter und Nachfrager bei Airbnb zurückzuführen sein – schließlich wohnen Gastgeber und Gast in rund 40% der Airbnb-Angebote unter einem Dach. Grundfragen der Plattformökonomie – Wie man Vertrauen designt 68 Im Jahr 2008 ging eBay in seinem Design des Reputationssystems noch einen Schritt weiter. Nach einer weiteren Änderung der Regeln des Feedbacksystems konnten Verkäufer zwar noch positives oder neutrales Feedback abgeben, es war ihnen aber nicht mehr möglich, dem Käufer ein negatives Feedback auszustellen. Die Idee dahinter war tatsächlich, positive Reziprozität weiterhin zu ermöglichen, negative Reziprozität hingegen zu reduzieren. Aus spieltheoretischer Sicht sollte diese Änderung zu zwei wesentlich veränderten Anreizen für das Feedback-Verhalten führen: Erstens verhindert dieses System die Vergeltung von negativem Feedback. Strategischen Verkäufern bleibt also nur die Möglichkeit der positiven Reziprozität: sie sollten ihr Feedback so früh wie möglich geben, um eine positive Reaktion des Käufers zu induzieren. Insgesamt sollten Käufer nach dieser Änderung zufriedener sein, da sie die Anreize für Verkäufer, sich als vertrauenswürdig zu erweisen, verstärkt. Zweitens verhindert dieses System die Bestrafung und damit Disziplinierung von Käufern. Aufgrund der verringerten Anreize sollte ein Resultat eine geringere Kooperation von Käufern sein, von der Zahlungsmoral über die Bereitschaft zur Feedbackabgabe bis zur möglichen Erpressung mit negativem Feedback. Verkäufer würden daher unzufriedener sein. Felddaten zum neuen System liefern Evidenz zur Unterstützung einiger dieser Hypothesen. Nach der Änderung im Reputationssystem geben Verkäufer ihr Feedback deutlich früher, und es wird eine geringere Teilnahme am Reputationssystem durch Käufer beobachtet (siehe Bolton, Greiner und Ockenfels, in Bearbeitung). Hui, Saeedi und Sundaresan (2017) als auch Klein, Lambertz und Stahl (2016) finden Evidenz für eine höhere durchschnittliche Produktqualität und höhere Zufriedenheit der Käufer. Belastbare Daten zur Zufriedenheit der Verkäufer und für Käufer- Fehlverhalten lassen sich hingegen nur schwer finden. Es gibt jedoch anekdotische Evidenz, dass sich die Anzahl der Beschwerden durch Verkäufer über Käufer erhöht hat und dass Feedback-Erpressungen keine Seltenheit sind. Christescu, Greiner und Ockenfels (in Bearbeitung) zeigen in Laborexperimenten, dass auf Plattformen mit zweiseitiger »moralischer Versuchung« (moral hazard) ein einseitiges Reputationssystem einem zweiseitigen Reputationssystem deutlich unterlegen ist. IV. Reputations-Transfers zwischen Plattformen Neben der Funktions- und Wirkungsweise von Feedbacksystem innerhalb einzelner Plattformökosysteme (z.B. eBay), stellt sich aufgrund der ge- Ben Greiner, Timm Teubner und Christof Weinhardt 69 wachsenen Plattformlandschaft heute auch die Frage, welche Rolle Reputations-Portabilität, das heißt, die Übertragung von Reputation von einem in einen anderen Kontext, spielt. Dies trifft insbesondere auf Consumer-to- Consumer-Plattformen zu, die dem Verkauf, der Vermietung und der Vermittlung von Waren und Dienstleistungen vorrangig zwischen Privatpersonen dienen. Die nicht-professionellen Transaktionspartner können nicht auf einen bekannten Markennamen bauen, sondern müssen sich erst eine Reputation aufbauen und diese dann auch pflegen, um ihre Chancen zu erhöhen, als Anbieter erfolgreich zu sein oder als Konsument überhaupt kaufen bzw. buchen zu dürfen. Beispiele sind Airbnb und Homestay für Apartments und Zimmer, BlaBlaCar und Uber für Mitfahrgelegenheiten bzw. Taxi-Services, Turo (Autovermietung), oder TaskRabbit für Kleinstaufgaben aller Art. Nun ist es in der Regel jedoch so, dass die Nutzer sich für jede einzelne Plattform, auf der sie aktiv werden möchten, eine neue Reputation aufbauen und »managen« müssen. Es stellt sich daher die Frage, ob Reputation zwischen verschiedenen C2C-Plattformen übertragen bzw. mitgenommen werden kann – und wenn ja, wie und in welchem Maße. Neue Anbieter auf Airbnb beispielsweise könnten auf bestehende Bewertungen bei eBay verweisen und damit ökonomisch von ihrem bereits bestehenden »guten Ruf« profitieren. Andernfalls stellen sie für andere Nutzer ein unbeschriebenes Blatt dar, was ihre Chancen auf Transaktionen verringert. Die Europäischen Kommission sieht eine solche Reputationsportabilität als wichtiges Mittel zur Lösung von Problemen im Zusammenhang mit Dateneigentum, Lock-in-Effekten und Plattformwettbewerb (EU 2017, S. 93). In der Praxis existieren mit Deemly.co und Traity.com derzeit bereits zwei Dienste, die Online-Reputationen verschiedener Plattformen zusammenführen und in aggregierter Form darstellen. Dafür stellen die Nutzer ihre Zugangsdaten (Benutzername und Passwort) den Aggregatoren für die gewünschten Plattformen zur Verfügung, was jedoch ein erhebliches Ausmaß an Vertrauen voraussetzt und eine relativ große Hemmschwelle für die Teilnahme darstellt. Trotz der zunehmenden Bedeutung von C2C-Plattformen und den genannten praktischen Ansätzen, Online-Reputation aus verschiedenen Quellen zusammenzuführen, existiert nur wenig Forschung zu diesem Thema. Teubner et al. (in Bearbeitung) untersuchen, wie aus Sicht potentieller Kunden die Reputation eines Anbieters (d.h. eines Verkäufers, Gastgebers, Fahrers, etc.) zwischen C2C-Plattformen transferiert werden kann. Konkret wird betrachtet, wie potentielle Konsumenten die Reputation und Vertrauenswürdigkeit von Anbietern bewerten, wenn diese auf ei- Grundfragen der Plattformökonomie – Wie man Vertrauen designt 70 ner bestimmten Zielplattform noch keine Bewertungen gesammelt, allerdings auf einer anderen Plattform bereits eine Reputation aufgebaut haben. Dieses Szenario wird verglichen mit Situationen, a) in der der Anbieter bereits Bewertungen auf der eigentlichen Zielplattform gesammelt hat, und b) in der der Anbieter noch überhaupt keine Bewertungen bekommen hat. Für verschiedene Plattformen und Kombinationen ergibt sich dabei ein konsistentes Bild. Anbieter mit übertragener Reputation aus einem anderen Kontext werden von den Nutzern signifikant besser, das heißt reputabler und vertrauenswürdiger wahrgenommen und eher für Transaktionen in Betracht gezogen als jene ohne Bewertungen. Es zeigt sich allerdings auch, dass transferierte Reputation nicht an die Wirksamkeit von Plattform-interner Reputation heranreicht, und dass insbesondere die Qualität der Quellplattform und der fit zwischen Quell- und Zielplattform wichtige Treiber für Reputation, Vertrauen und letztlich Kauf/Transaktionsabsicht darstellen. Reputation kann somit als Teil des Kapitals eines Anbieters verstanden werden, um Nachfrage anzuziehen, und allgemein als Katalysator für das Zustandekommen von Transaktionen auf C2C Plattformen. Dass Reputation auf unterschiedlichen Plattformen derzeit weitestgehend in isolierten »Silos« liegt, behindert die Vertrauensbildung zwischen Nutzern und damit die Realisierung allseitig vorteilhafter Transaktionen, und führt somit zu ökonomischer Ineffizienz. Eine Übertragbarkeit von Reputation könnte Plattform-Lock-in-Effekte reduzieren und einen Beitrag in Hinblick auf Plattformwettbewerb und Nutzersouveränität/Dateneigentum leisten. Insbesondere zeigen Teubner et al. (in Bearbeitung), dass es für Reputationstransfers zwischen Plattformen entscheidend ist, (i) wie bedeutsam/hochwertig die Reputation in einer bestimmten Quellplattform an sich wahrgenommen wird, und (ii) wie gut die jeweiligen Kontexte zueinander passen. Interessanterweise zeigen weiterführende Analysen, dass wahrgenommene Qualität und Übertragbarkeit hinsichtlich ihres Effekts für die Vertrauensbildung nicht signifikant interagieren. Die Ergebnisse zeigen auch, dass Reputationstransfers den Nutzern die Möglichkeit eröffnen, auf existierender Reputation aufzubauen, wenn sie erstmalig auf einer (neuen) Plattform aktiv werden, sie also nicht bei Null anfangen müssen. V. Konfliktlösung und Konflikteskalation Trotz der ständigen Entwicklung neuer Technologien zum Nachverfolgen von Zahlungs- und Produktströmen (»tracking«) können Plattformen viele Ben Greiner, Timm Teubner und Christof Weinhardt 71 Details der auf ihnen verhandelten Transaktionen nicht beobachten. So kann eBay z.B. nicht direkt überprüfen, ob ein versandtes Produkt die vorher beschriebene Qualität hat oder nicht. Plattformen wollen sich oft auch aus rechtlichen Gründen nicht in die Details einer Transaktion einmischen, da sie ihre Funktion nur als die eines »Intermediärs« interpretieren, der Käufer und Verkäufer zusammenbringt und die Preisfindung unterstützt. Viele Plattformen bieten daher dezentrale Konfliktlösungsmechanismen an, insbesondere die Institution der Feedback-Zurücknahme. Die Idee ist, den Transaktionspartnern nach der Feststellung eines Konflikts (manifestiert durch negatives Feedback) die Möglichkeit zur dezentralen Wiedergutmachung durch Reparatur, Entschädigung oder Ausgleichsleistung zu geben. Je nach den Regeln der Plattform kann Feedback dann unilateral oder nach Zustimmung beider Transaktionspartner zurückgenommen oder umgewandelt werden. Bolton, Greiner, und Ockenfels (2018) weisen in ihrer theoretischen, empirischen und experimentellen Studie darauf hin, dass die Möglichkeit zur Rücknahme von Feedback und die Details des Rücknahmemechanismus im Rückschluss auch die Feedback-Abgabe selbst als auch die Anreize zur Kooperation während der Transaktion beeinflussen können. Im schlimmsten Fall führt die Existenz eines Konfliktlösungsmechanismus nicht zur Konfliktbereinigung, sondern zur Zunahme und Eskalation von Konflikten. Besonders deutlich wird dieses Problem in einem Rat für Verkäufer auf der Internetseite «ecommerce-guide.com” zum Ausdruck gebracht. Der Autor Frank Fortunato schrieb dort: «’Mutual Feedback Withdrawal’ is the easiest and surest way to remove a negative from your rating. […] I recommend calling them after leaving the other party a negative feedback in response. It gives you leverage in further negotiations, and may be your only chance to do so because once you enter the Mutual Feedback Withdrawal process, eBay will not allow you to leave feedback for the transaction.” Das impliziert, dass eine Wiedergutmachung nur dann notwendig ist, wenn man sich für die Konfliktbereinigungsphase nicht genügend Verhandlungsmacht durch selbst abgegebenes negatives Feedback gesichert hat. Das Abgeben eines negativen Feedbacks wird dadurch strategisch empfehlenswert, selbst dann wenn der Verkäufer das Käuferfeedback noch nicht gesehen hat, aber vermutet, dass der Käufer unzufrieden sein könnte. Wird Feedback jedoch so strategisch gegeben (und auch zurückgenommen), dann verliert das Feedbacksystem selbst seine disziplinierende Funktion – wenn man sich vor der Wiedergutmachung und negativem Feedback durch selbst abgegebenes negatives Feedback drücken kann, Grundfragen der Plattformökonomie – Wie man Vertrauen designt 72 dann hat man auch keine Anreize, sich in der Transaktion selbst vertrauenswürdig zu verhalten. Bolton, Greiner, und Ockenfels (2018) formalisieren dieses Argument in einem spieltheoretischen Modell und überprüfen die Implikationen sowohl mit Felddaten von eBay als auch mittels eines Laborexperimentes. Im Feld ist zu beobachten, dass die Einleitung eines Feedback- Rücknahmeprozesses auch oft von negativer Feedback-Reziprozität begleitet wird. Gibt die Verkäuferin zum Beispiel als Antwort auf ein negatives Käuferfeedback auch ein negatives Feedback ab, dann wird sie in 39 Prozent der Fälle eine Feedback-Rücknahme beantragen, während diese Quote nur 16 Prozent beträgt, wenn die Verkäuferin nicht mit einem Gegenfeedback geantwortet hat. Eine andere Beobachtung in den empirischen Daten ist jedoch, dass die Erfolgschancen einer Feedback- Rücknahme entgegen den theoretischen Überlegungen nicht höher sind, wenn die Verkäuferin den Feedbackprozess nach einer negativen Antwort einleitet verglichen mit einer nicht-negativen Antwort. Hat die Verkäuferin negatives mit negativem Feedback vergolten, dann ist die beobachtete Wahrscheinlichkeit, dass das Feedback dann im Endeffekt auch zurückgenommen wird, gleich 54 Prozent. Hat die Verkäuferin nicht mit einem negativen Feedback geantwortet, ist die Erfolgschance der Feedbackzurücknahme 76 Prozent. Es ist schwer, diese Zahlen aus den Felddaten heraus zu erklären, da nicht beobachtbar ist, welche ursprüngliche Produktqualität geliefert und inwieweit Wiedergutmachung geleistet wurde. Laborexperimente können hier komplementäre Evidenz liefern. Im Labor modellieren Bolton, Greiner, und Ockenfels (2018) die Interaktion zwischen Käufer und Verkäufer als mehrstufigen Prozess. Zuerst entscheiden die beiden Transaktionspartner, ob sie miteinander handeln wollen. Dann bestimmt der Käufer, ob er die Zahlung veranlasst, und die Verkäuferin, in welcher Produktqualität sie liefert. Nach Beobachtung des Transaktionsergebnisses geben die Transaktionspartner simultan Feedback. Im Nachgang können sie dann wiedergutmachen: der Käufer kann die Zahlung nachreichen, wenn sie noch nicht erfolgt ist, und die Verkäuferin kann die Produktqualität verbessern. Die experimentellen Anordnungen unterscheiden sich dann nur in der letzten Stufe einer Interaktion: In einer Anordnung können die Transaktionspartner ihr Feedback gegenseitig zurücknehmen, in der anderen Anordnung ist dies nicht möglich. Die Daten aus dem Laborexperiment sprechen eine klare Sprache. Die Existenz einer Feedback-Rücknahme lädt zum »strategischen Tricksen« ein, was sich in mehreren Verhaltensparametern manifestiert. Negatives Feedback ist deutlich häufiger, unabhängig von der eigentlichen Koopera- Ben Greiner, Timm Teubner und Christof Weinhardt 73 tion des Transaktionspartners. Wiedergutmachung ist seltener, wenn der Händler selbst ein negatives Feedback gegeben hat (und dadurch Verhandlungsmacht in der Rücknahme-Stufe hat). Die Zustimmung zur Feedback- Rücknahme wird weniger auf die Wiedergutmachung konditioniert und hängt oft von der Existenz eines negativen Feedbacks für einen selbst ab. Insgesamt führen diese Reaktionen dazu, dass bei Existenz eines Rücknahmeverfahrens die im Reputationssystem gesammelten Feedbackinformationen stark verzerrt werden. Dies wiederum führt zu weniger Vertrauen und Vertrauenswürdigkeit in der Transaktionsphase. In anderen Worten: die Existenz einer Konfliktlösungsstufe bewirkt hier nicht weniger, sondern mehr Konflikte. Eine interessante Nebenbeobachtung ist jedoch, dass es nichtsdestotrotz auch Personen gibt, die unabhängig davon, ob sie auch selbst von negativem Feedback bedroht werden, bei Minderleistung negatives Feedback geben und die Rücknahme auf eine Wiedergutmachung konditionieren. Die Existenz solcher »altruistischen Bestrafer« schwächt die negativen strategischen Effekte des Konfliktlösungsmechanismus auf das Markt- und Feedbackverhalten ab. VI. Schlussfolgerungen Plattformen sind von Netzwerkeffekten gekennzeichnet, die ganz spezifische Auswirkungen auf die ökonomischen Konditionen und Anreize sowohl innerhalb der Plattformen als auch im Wettbewerb zwischen den Plattformen haben. Im Gegensatz zu anderen Marktformen sind Plattformmärkte oft von einer Multiplizität von (spieltheoretischen) Gleichgewichten geprägt. Wie Plattformbetreiber die Regeln für die Teilnahme verschiedener Nutzergruppen an der Plattform gestalten, hängt vom Wert der jeweiligen Teilnehmer auf den Plattformnutzen für andere Marktteilnehmer ab. Eine wichtige Kenngröße dabei ist die kritische Masse, wobei vor allem »neue« Plattformen Anstrengungen unternehmen müssen, eine positive Marktdynamik in Gang zu setzen. Die Kooperation auf eCommerce-Plattformen wird maßgeblich von den spezifischen institutionellen Regeln und hierbei insbesondere von den implementierten Reputations- und Konfliktlösungssystemen beeinflusst. Kleine institutionelle Details können große Auswirkungen haben. So kann die Offenheit eines Systems die Reziprozität im Feedback fördern, welche sowohl positive Auswirkungen auf die Teilnahme am als auch negative Auswirkungen auf den Informationsgehalt im Reputationssystem haben kann. Konfliktlösungsmechanismen können unter Umständen Konflikte Grundfragen der Plattformökonomie – Wie man Vertrauen designt 74 eskalieren statt zu beschwichtigen. Auf der anderen Seite können richtig gesetzte Anreize jedoch das Fehlen detaillierter legaler Regulierung (insbesondere im grenzübergreifenden Handel) ausgleichen. Viele Nutzer sind parallel auf mehreren Plattformen zu unterschiedlichsten Zwecken aktiv. Obwohl derzeit viele technische und rechtliche Aspekte bezüglich der Mitnahme von gesammeltem Feedback/Reputation von einer Plattform auf andere Plattformen ungeklärt sind, zeichnet sich ab, dass solche Reputationstransfers Vertrauenswürdigkeit gegenüber der anderen Marktseite schaffen, Käufe bzw. Buchungen begünstigen und damit ökonomischen Wert beinhalten. In gut funktionierenden Reputationssystemen gibt es eine sehr fein austarierte Balance zwischen gegenseitiger Bestrafung und Gegenbestrafung. Welches Gleichgewicht hier optimal ist, hängt oft von den spezifischen Bedingungen einer Plattform ab, insbesondere auch den institutionell bedingten Möglichkeiten zum Fehlverhalten für verschiedene Nutzergruppen der Plattform. Zum Gleichgewicht gehören auch oft endogene, soziale Disziplinierungsmechanismen (z.B. die Existenz »altruistischer Bestrafer«). Durch unbedachte Regeländerungen oder staatliche Regulierungen können die Gleichgewichte gefährdet werden, indem z.B. Informationen verzerrt, negative Anreize geschaffen, oder intrinsische Motivation verdrängt werden. Jedweder regulatorische Eingriff in eine Plattform, ob von staatlicher oder privatwirtschaftlicher Seite, sollte daher von einer sorgfältigen theoretischen, empirischen (und eventuell experimentellen) Analyse begleitet werden. Die Regeln des Reputationssystems, das zur Erreichung effizienter, von hoher Vertrauenswürdigkeit geprägter Marktgleichgewichte nötig ist, werden von den spezifischen Gegebenheiten des jeweiligen Plattform-Marktes abhängen. Eine »one size fits all«-Lösung wird es nach bisherigen ökonomischen Erkenntnissen nicht geben. VII. Literatur Bolton, G., Greiner, B. und Ockenfels, A., (2013). Engineering trust: Reciprocity in the production of reputation information. Management Science 59(2), 265–285. Bolton, G., Greiner, B., und Ockenfels, A., (2018). Dispute Resolution or Escalation? The Strategic Gaming of Feedback Withdrawal Options in Online Markets. Management Science (im Erscheinen). Ben Greiner, Timm Teubner und Christof Weinhardt 75 Bolton, G., Greiner, B., und Ockenfels, A., (in Bearbeitung). One-sided feedback with two-sided moral hazard – An empirical study. Bolton, G., Katok, E., und Ockenfels, A., (2004). How effective are online reputation mechanisms? An experimental study. Management Science 50(11), 1587–1602. Christescu, M., Greiner, B., und Ockenfels, A. (in Bearbeitung). Onesided and two-sided feedback systems in markets with one-sided and two-sided moral hazard – An experiment. Dann, D., Teubner, T., und Weinhardt, C. (in Bearbeitung). Poster child and guinea pig—A systematic literature review on Airbnb Dellarocas, C., (2004). Building trust on-line: The design of robust reputation mechanisms for online trading communities. In: Doukidis, Mylonopoulos, Pouloudi (Hrsg.): Social and Economic Transformation in the Digital Era. Idea Group Publishing, Hershey, PA, S. 95–113. Europäische Kommission (2017). Exploratory study of consumer issues in online peer-to-peer platform markets. http://ec.europa.eu/newsroom/ just/item-detail.cfm?&item_id=77704 Fradkin, A., Grewal, E., und Holtz, D., (2017). The determinants of online review informativeness: Evidence from field experiments on Airbnb, Working Paper. Hui, X., Saeedi, M., und Neel Sundaresan, N. (2017). Adverse Selection or Moral Hazard: An Empirical Study. Working Paper. Klein, T. J., Lambertz, C., und Stahl, K., (2016). Market Transparency, Adverse Selection, and Moral Hazard, Journal of Political Economy 124(6): 1677–1713. Sundararajan, A., (2016). The Sharing Economy: The End of Employment and the Rise of Crowd-Based Capitalism. MIT Press. Teubner, T., und Hawlitschek, F (2018). The economics of P2P online sharing, in The Sharing Economy: Possibilities, Challenges, and the way forward (Hrsg. Albinsson, P. A., Perera, B. Y.): 129–156, Praeger Publishing. Teubner, T., Hawlitschek, F., und Adam. M. T. P., (in Bearbeitung). Understanding reputation transfer across C2C platforms: The roles of quality and fit. Teubner, T., Hawlitschek, F., und Dann, D., (2017). Price determinants on Airbnb: How reputation pays off in the sharing economy. Journal of Self-Governance and Management Economics 5(4): 53–80. Zervas, G., Proserpio, D., und Byers, J., (2015). A first look at online reputation on Airbnb, where every stay is above average, Working Paper.

Chapter Preview

References

Abstract

Platforms have developed into the most prominent business model of the digital world. To shed light on the phenomenon in a comparative and interdisciplinary manner, the Ernst von Caemmerer foundation, the German Hub of the European Law Institute and the Bayreuth Research Center on Consumer Law jointly organised a conference at the University of Bayreuth. The proceedings published in this volume contain most of the presentations as well as reports on the discussions of this conference.

The collected contributions approach this research from various perspectives: they document the current state of the European and German legal discussions, show the economic perspective on the platform economy, dissect this topic from a comparative legal perspective – with an emphasis on Estonia, France, Italy and England – and discuss core issues of platforms and their legal realisation in detail. By bringing together these various perspectives, this volume provides a detailed picture on the discussions in science and practice and even establishes bases for a future legal discussion.

With contributions by

Christoph Busch, Alberto De Franceschi, Ben Greiner, Ruth Janal, Felix Maultzsch, Giorgio Resta, Martin Schirmbacher, Karin Sein, Juliette Sénéchal, Timm Teubner, Christian Twigg-Flesner, Christof Weinhardt.

Zusammenfassung

Plattformen haben sich international zum markantesten Geschäftsmodell der digitalen Welt entwickelt. Um sich diesem Phänomen rechtsvergleichend, interdisziplinär, aber auch aus rechtspolitischer Sicht sowie der deutschen Praxis annehmen, veranstaltete die Ernst von Caemmerer Stiftung in Zusammenarbeit mit dem German Hub des European Law Institute und der Forschungsstelle für Verbraucherrecht (FfV) eine gemeinsame Tagung an der Universität Bayreuth. Der vorliegende Band stellt den größten Teil der Referate dieser Tagung gemeinsam mit Berichten über die Diskussionen sowie zur Podiumsdiskussion über rechtspolitische Ansätze vor.

Die gesammelten Beiträge nähern sich der Erforschung solcher Plattform-Modelle aus ganz unterschiedlichen Perspektiven an: So wird der aktuelle Stand der europäischen und deutschen rechtspolitischen Diskussion dokumentiert, die wirtschaftswissenschaftliche Betrachtung der Plattformökonomie verdeutlicht, werden unterschiedliche Ansätze aus dem europäischen Ausland – aus England, Frankreich, Italien und Estland – aufgezeigt und Einzelfragen der rechtlichen Umsetzung und möglicher Regulierung diskutiert. Durch das Zusammenführen dieser Perspektiven bietet der vorliegende Band nicht nur eine detailreiche und vielschichtige Darstellung der Diskussionen aus Wissenschaft und Praxis, sondern auch den Blick auf zukünftige Entwicklungen.

Mit Beiträgen von

Christoph Busch, Alberto De Franceschi, Ben Greiner, Ruth Janal, Felix Maultzsch, Giorgio Resta, Martin Schirmbacher, Karin Sein, Juliette Sénéchal, Timm Teubner, Christian Twigg-Flesner, Christof Weinhardt.