Liquid Capital: Comparing the Industrial Organization of the Blood and Sperm Donation Markets
Notice bibliographique
Résumé
Today, the blood and sperm donation markets are global, multi-billion dollar industries. Despite the altruistic rhetoric that commonly surrounds the donation of body fluids, donors are regularly paid for their “gifts,” and recipients can face remarkably high acquisition costs. For body fluid collection agencies, or ‘banks,’ which serve as intermediaries between donors and recipients, the markets for blood and sperm are quite robust. However, starkly different market outcomes have been seen to occur between the two industries and between countries. In this thesis, I employ an industrial organization approach to examine the strategic interaction between fluid collection firms and explore the efficiency of divergent regulatory regimes. I use the model of the blood donation industry presented by Nagurney and Dutta (2018) as a baseline framework for fluid donation, and sharpen new models for both industries based on my research of both industries. Through investigation of the blood and sperm markets, average donor characteristics, and varying regulatory approaches (using the United States and Canada as illustrative examples), I am able to map the effects of several key parameters on industry effectiveness. My results show that nonprofit firms in competition should provide super-optimal service levels to fluid donors in equilibrium. I also find that as donors become more intense in their preferences toward incentives, the “business stealing” effect that arises from competition between firms can mitigated by “product differentiation” (appealing to different donor niches). However, donor neutrality can benefit the market in alternative ways. These findings inform the policy recommendations that the United States retain its competitive market structure and continue to provide incentives for blood donation, but shift to a single-firm market which continues to provide incentives for sperm donation.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».