Blockchain Adoption for Combating Deceptive Counterfeits
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.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».