Operational Collaboration Between Rivals: Strategic and Welfare Implications
Notice bibliographique
Résumé
Business rivals often collaborate on specific aspects of their operations. The collaboration can benefit firms operationally, but may also intensify competition. To better understand and manage this interaction, this paper studies the strategic and welfare implications of a cost-reducing operational collaboration between competing firms. We formulate a duopoly competition model to capture important aspects of the problem, which includes the possible use of facilitating agreements and randomness in cost reduction. Our analysis starts with operational collaboration without any additional agreement beyond the collaborative effort in deterministic cost reduction. While the high-cost firm always benefits from it, the low-cost firm needs to consider the products substitutability and the firms' asymmetry in cost. Moreover, such a pure operational collaboration never hurts consumer surplus. We then consider the effect of centrally decided facilitating agreements. Specifically, with a properly designed unit transfer payment, the competition may be softened so that both firms are willing to collaborate. However, consumer surplus may decrease as a consequence. We further discuss the situation in which the facilitating agreement results from a negotiation process. Finally, we examine the impact of the randomness in cost reduction. We find that, for risk-neutral firms, the uncertainty in the potential cost savings may either increase or decrease the likelihood of collaboration; and the stochastic orders between the two firms' cost reduction may have non-intuitive implications on their willingness to collaborate. Our findings provide useful managerial insights into the underlying drivers of an operational collaboration between rivals.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».