Revenue sharing bids of a loss-averse supplier for a new product development contract: a multi-method investigation
Notice bibliographique
Résumé
Purpose When developing a new product, a buying firm solicits revenue sharing bids from two competing suppliers. Bidding behaviors of suppliers do not always align with predictions from rational agent models due to task uncertainty and bounded rationality, which could result in non-optimal supplier offers and ultimately hurt buying firm interests. This paper aims to discuss the aforementioned issues. Design/methodology/approach The authors built an analytical model that considers the impact of supplier technological risk, buyer–supplier coordination cost and supplier loss aversion on the optimal bid of the supplier. Next, using limited information processing capacity as a theoretic lens, the authors explore antecedents to the size of a focal supplier's bidding error, the absolute difference between the actual bid and the optimal bid. The authors used quantitative lab experimental data to test the hypotheses. Findings (1) Bounded rational bidders often fail to differentiate between relevant and irrelevant competitive information when placing bids, (2) loss aversion of a bidder significantly affects not only levels of bids, particularly for bidders with competitive disadvantages, but also sizes of the bidding error and (3) competitive information that has clearer performance implications are more influential in reducing sizes of bidding errors. Originality/value The results provide a comprehensive view of the bidding behaviors of a bounded rational supplier in an innovation outsourcing context with competition. With the results, managers now have a better understanding of behavioral influencers behind non-optimal supplier bids in an innovation outsourcing context.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».