MétaCan
Menu
Retour à la cohorte
Enregistrement W3001854047 · doi:10.1287/mnsc.2019.3360

Bargaining Process and Channel Efficiency

2020· article· en· W3001854047 sur OpenAlexaff
Ernan Haruvy, Elena Katok, Valery Pavlov

Notice bibliographique

RevueManagement Science · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain and Inventory Management
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMicroeconomicsUltimatum gameProcess (computing)Channel (broadcasting)EconomicsTest (biology)TariffSupply chainProtocol (science)BusinessIndustrial organizationComputer scienceMarketingInternational trade

Résumé

récupéré en direct d'OpenAlex

The behavioral literature has demonstrated that the format of supply chain contracts matters even when theoretically it should not and that contracts that in theory coordinate channels fail to do so in laboratory experiments. The existing body of experimental evidence uses an ultimatum bargaining protocol to test analytical models, but there is no reason to think that bargaining in supply chains is in the form of ultimatum offers. We investigate the effect of bargaining on contract performance by extending the bargaining protocol to allow the manufacturer to make concessions. We test coordinating contract with bargaining in the laboratory by comparing wholesale price and the two-part tariff contracts using two different bargaining protocols. We then develop and estimate a statistical model of behavior with bargaining and find that this model organizes our data well. Our main finding is that the contracts that we study are more efficient when participants are allowed to make concessions. The additional channel efficiency is owing to more efficient offers made by manufacturers. The higher channel efficiency primarily benefits the retailer—the weaker party. Our main contribution is the observation that, when testing analytical models of contracts in the laboratory, the way that the bargaining process is implemented, such as the ability to make concessions, has a critical effect on conclusions. This paper was accepted by Vishal Gaur, operations management.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,883
Score d'incertitude au seuil0,714

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,025
Tête enseignante GPT0,232
Écart entre enseignants0,207 · 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'étudeThéorique ou conceptuel
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

Citations28
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetSupply Chain and Inventory ManagementTravaux en français237 207