MétaCan
Menu
Retour à la cohorte
Enregistrement W3121850668 · doi:10.1111/1911-3846.12450

The Effect of Environmental Risk on the Efficiency of Negotiated Transfer Prices

2018· article· en· W3121850668 sur OpenAlexvenueno aff
Markus C. Arnold, Robert M. Gillenkirch, R. Lynn Hannan

Notice bibliographique

RevueContemporary Accounting Research · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueExperimental Behavioral Economics Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNegotiationProfit (economics)MicroeconomicsBusinessEconomicsTransfer (computing)Computer science

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This study investigates whether environmental risk affects the efficiency of negotiated transfer prices. We analyze a setting where the buyer faces environmental risk but the seller does not. From the risk‐neutral firm's perspective, the transfer should be made in our setting because the expected value of the buyer's profit is greater than the certain opportunity cost of the seller from the transfer. We develop hypotheses to predict that, as environmental risk increases, it becomes more difficult for buyers and sellers to reach agreement. Such difficulty reduces efficiency in terms of both firm profit and negotiation time. We test our hypotheses via an experiment in which buyer and seller dyads negotiate over the transfer of a resource at six levels of environmental risk. Results show that, as predicted, environmental risk decreases efficiency. Specifically, as environmental risk increases, the frequency of agreement decreases, thereby reducing expected firm profit. Further, environmental risk increases negotiation time for those dyads that are able to reach an agreement. Data suggest that the cause of the decreased efficiency is that buyers and sellers use different reference points for determining a fair transfer price and environmental risk exacerbates the effects of such differences.

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)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,768
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,004
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,054
Tête enseignante GPT0,369
Écart entre enseignants0,315 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetExperimental Behavioral Economics StudiesTravaux en français237 207