A Pricing-Error Rule on Share Distribution in Equity Joint Ventures: The Bayesian Approach
Notice bibliographique
Résumé
Equity joint ventures (EJVs) are a popular mode of inter-firm cooperation, where share distribution is critical to the success of the co-ownership relationship. The prevalence of EJVs in the business world has attracted substantial research attention, but the literature still lacks a clear rule for the partners to follow in splitting the equity shares of an EJV. In this study, we fill this research gap by adopting the Bayesian approach to propose a pricing- error rule on share distribution in EJVs. Essentially, equity participation in an EJV and subsequent profit sharing serve for the partners to correct for the errors that they may make in pricing the inputs that they contribute to the EJV. For profit sharing to fully nullify their pricing errors, the shares of the EJV must be split between them in a percentage combination that reflects the relative sizes of their pricing errors. Since pricing errors are unobservable beforehand, share distribution in EJVs is similar to a Bayesian process, where the partners keep updating their estimates of pricing errors in adjusting the ownership structure of the EJV. Our pricing-error rule bridges a critical gap in EJV literature and points out several promising directions for future research. It also offers strong implications for managers to boost the power of EJVs as a governance mode of inter-firm cooperation.
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 | 0,029 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,005 | 0,011 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».