MétaCan
Menu
Retour à la cohorte
Enregistrement W2333596457 · doi:10.1080/00207543.2016.1145816

Price and lead time differentiation, capacity strategy and market competition

2016· article· en· W2333596457 sur OpenAlexaff
Sachin Jayaswal, Elizabeth Jewkes

Notice bibliographique

RevueInternational Journal of Production Research · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésDuopolyProduct differentiationCompetition (biology)MicroeconomicsEconomicsIndustrial organizationProduct (mathematics)Limit priceLead (geology)BusinessPrice levelMonetary economicsCournot competition

Résumé

récupéré en direct d'OpenAlex

We study a duopoly market in which customers are heterogeneous, and can be segmented as price or time sensitive. Each firm tailors (differentiates) its products/services for the two customer classes solely based on guaranteed lead time and the corresponding price. Our objective is to understand how competition affects price and lead time differentiation of the firms in the presence of different operations strategy (shared versus dedicated capacity), product substitution and asymmetry between the competing firms. Our results suggest that when firms use dedicated resources to serve the two market segments, pure price competition always tends to decrease individual prices as well as price differentiation, irrespective of the market behaviour. Further, the effect of competition is more pronounced when customers are allowed to self-select, thereby introducing substitutability between the two product options. On the other hand, when firms compete in time, in addition to price, the effect of competition on product differentiation depends crucially on the behaviour of the market. Our results further suggest that the firm with a larger market base should always maintain a larger price and lead time differentiation between the two market segments. Similarly, the firm with a capacity cost advantage should also maintain a larger lead time differentiation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,610
Score d'incertitude au seuil0,840

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,324
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Production ResearchMême sujetConsumer Market Behavior and PricingTravaux en français237 207