Blockchain Adoption for Combating Deceptive Counterfeits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Counterfeiting is a severe problem in many sectors. There are two types of counterfeits: non‐deceptive and deceptive. While both types are important business challenge, deceptive counterfeit has an additional negative impact—customers have a post‐purchase regret if they expect to purchase a real product but ended up with a fake. The focus of this study is on the setting that relates to deceptive counterfeits. Our paper is one of the first that examines the effectiveness of blockchain as a solution to a supply chain challenge. Specifically, the unique feature of blockchain that we model, which none of the traditional strategies studied in the literature is capable of, is that blockchain adoption changes the analysis from a deceptive counterfeit setting to a non‐deceptive counterfeit setting. We also consider government being a decision maker and customers' privacy concern from blockchain adoption, two features that are not examined in the existing literature. We consider a market with a manufacturer and a deceptive counterfeiter. The manufacturer can signal product authenticity either with blockchain technology or through pricing. The government can provide subsidy to encourage blockchain adoption. Blockchain should be used when the counterfeit quality is intermediate or when customers have intermediate distrust about products in the market. If government provides subsidy, blockchain can be more effective than differential pricing strategy in eliminating post‐purchase regret. Our results advocate for government providing subsidy because it benefits both customers and the society and could be a better approach than government enforcement efforts.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle