Competition and Cost Accounting: Adapting to Changing Markets*
Notice bibliographique
Résumé
Abstract The relation of competition and cost accounting has been the subject of conflicting prescriptions, theories, and empirical evidence. Practitioner literature and textbooks argue that higher competition generally requires more accurate product costing. Theoretical economic analysis, in contrast, predicts that the optimal level of product‐costing accuracy is sometimes higher at lower levels of competition. Results of survey research are inconsistent, suggesting a need for further identification of conditions under which higher competition leads to more accurate product costing. This study shows experimentally that individuals' choices of the level of product‐costing accuracy depend not only on the current level of competition but also on the previous level of competition — that is, on an interaction between market structure (monopoly, duopoly, and four‐firm competition) and market history (increasing versus decreasing competition). In the experiment, subjects decide on the quantity of data to collect at a pre‐set price per datum to support more accurate product‐cost estimates. Subjects collect the most cost data (i.e., choose the most accurate product costing) in monopoly, collect the least in duopoly, and an intermediate amount in the four‐firm market, consistent with the pattern of optimal cost‐data collection in Hansen's 1998 model. The process of convergence to the optimum differs significantly across market types and market histories, however. Subjects who begin in four‐firm competition adapt more successfully to change than those who begin in monopoly. The lowest levels of decision performance occur when ex‐monopolists face their first competitor: they overreact to this first encounter with competition and overspend on cost data.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».