Supply Diagnostic Incentives under Endogenous Information Asymmetry
Notice bibliographique
Résumé
This paper develops a dyadic supply chain model with one buyer who contracts the manufacturing of a new product to a supplier. Due to the lack of experience in manufacturing, the extent of supply risk is unknown to both the buyer and supplier before the time of contract. However, after the contract is accepted, the supplier may invest in a diagnostic test to acquire information about his true reliability, and use this information when deciding on a process improvement effort. Using this setting, we identify both operational and strategic benefits and costs of the diagnostic test. Operationally, it helps the supplier to take the first‐best level of improvement effort, which would increase efficiency of the total supply chain. Strategically, it enables the buyer to reduce the agency costs associated with implementing process improvement on the supplier. Besides these benefits, diagnostic test increases the degree of information asymmetry along the supply chain. This in turn provides the supplier with proprietary information, whose rent would be demanded from the buyer in equilibrium. Benefit‐cost analysis reveals two key factors in determining the value of diagnostic test: (i) degree of endogenous information asymmetry between supply chain firms, and (ii) the relative cost of a diagnostic test with respect to process improvement cost. Our results indicate that when both are high, the mere presence of a diagnostic test can result in less reliable supply chain. This implies that when incentives are not properly aligned, information asymmetry amplified due to diagnostic test neutralizes all its benefits.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».