Managing Project Failure Risk Through Contingent Contracts in Procurement Auctions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Procurement auctions are sometimes plagued with a chosen supplier's failing to accomplish a project successfully. The risk of project failure is considerable, especially when the buyer has inadequate information about suppliers ex ante and the project can only be evaluated at the end. To manage such uncertainty, a model of competitive procurement and contracting for a project is presented in this paper. We study a setting in which suppliers differ in both the costs to fulfill the project and the types reflecting their success probabilities. To screen suppliers, the buyer invites suppliers to specify a two-dimensional bid composed of the proposed cost and a penalty payment if the delivered project fails to meet the requirements. We find that a quasi-linear scoring rule can effectively separate suppliers regarding their types. We then study the efficient and optimal design of the scoring rule. The efficient design internalizes the inferred information on suppliers' type and essentially ranks suppliers based on the expected total cost to the buyer. In the optimal design, the buyer may or may not under-reward suppliers' high success probability, depending on the balance between suppliers' success probabilities and the associated cost distributions. Interestingly, it is always optimal for the buyer to possibly award the project to suppliers with low success probability to promote the competition, even when the difference in suppliers' success probabilities is huge. We show that, compared to standard auctions, the procurement auctions with contingent contracts can significantly improve both social welfare and the buyer's payoff.
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.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle