Improving Food Quality through Institutional Innovations: Using a Free-Rider Approach for Collective Action
Notice bibliographique
Résumé
This paper applies an innovation from institution economics to agribusiness: profit (cost) sharing as arrangements to promote public good provision. It outlines how a team work approach can be employed to promote food quality. In institutional economics it was recently suggested to use sharing arrangements to overcome the problem of externalities, in particular by using the above mentioned team work approach. Cost sharing as “team work” is analyzed in this paper as a novel institution to improve food quality, then by indirectly creating incentives to overcome the public good character of “quality”. It is assumed that consumers recognize industry quality; not individual by firm in case of asymmetric information. We translate a general approach of negative externality to a positive one. (1) We make a reference to the current state of art on how food quality depends on joint efforts of an industry. The aim is to get a better image and discuss the extent to which group efforts are needed to improve quality. (2) We present a mathematical approach on team work for quality. Quality is seen as positive externality and (3) team building is modelled as a likely a process of forming groups sharing efforts in food industries. Finally some remarks are made on how to actively stimulate the needed process of team formation. Also the role of the government is addressed. At the core of the paper we see the argument that free riding on quality images can be avoided if collective action prevails. A team is modeled as partnership of producers in which costs for image raising are shared. A prerequisite is that economies of scale and jointness in image exist.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».