MétaCan
Menu
Retour à la cohorte
Enregistrement W4406375908 · doi:10.15294/jllr.v5i4.12437

Measuring Vertical Integration in the Technology Sector: Indonesia, the US, and the EU in Unfair Competition

2024· article· en· W4406375908 sur OpenAlexaff
Anna Maria Tri Anggraini‬, Ahmad Sabirin, Maria Silvya E. Wangga, Séréna Ortigosa Fernandez

Notice bibliographique

RevueJournal of Law and Legal Reform · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWorld Trade Organization Law
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésCompetition (biology)Dominance (genetics)Unfair competitionVertical integrationHarmIndonesianBusinessEuropean unionPublic sectorIndustrial organizationEconomicsInternational tradePublic economicsInternational economicsPolitical scienceEconomyLaw

Résumé

récupéré en direct d'OpenAlex

On several occasions, Indonesian competition authorities have attempted to apply Article 14 to adjudicate violations related to vertical integration practices; however, these attempts were invalidated at the objection and cassation levels. The criteria utilized include the concepts of unfair business competition and public harm, as these terms are instrumental in determining the impacts of violations concerning vertical integration. This research aims to examine the legal approaches employed by Indonesian competition authorities in addressing vertical integration, with a particular focus on the technology sector. The findings indicate that the criteria for assessing whether vertical integration constitutes a violation of unfair business competition vary among Indonesia, the United States, and the European Union. In Indonesia, the emphasis is on preventing the exclusion of access to essential raw materials or significant buyers, utilizing the Rule of Reason approach. In contrast, the U.S. evaluates public detriment by balancing fairness and competitive benefits, whereas the EU focuses on market dominance and its potential to reduce competition. Despite these variations, all three jurisdictions share a common objective of enhancing consumer welfare and promoting competitive market conditions, with specific regard to differing regulations on online sales restrictions.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil0,883

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,016
Tête enseignante GPT0,259
Écart entre enseignants0,243 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Law and Legal ReformMême sujetWorld Trade Organization LawTravaux en français237 207