Platform-led or firm-led? An analysis of artificial intelligence development strategies in agricultural supply chains
Notice bibliographique
Résumé
Agriculture experiences substantial yield losses due to pests and diseases, underscoring a need for advanced solutions such as artificial intelligence (AI). This study examines a contract farming supply chain with an agriculture firm and a platform, focusing on AI’s role in reducing these losses. Using game theory, we explore AI development conditions and compare two AI development modes: one where the agriculture firm develops AI (firm-led), and another where the platform undertakes AI development (platform-led). We also evaluate the effects of yield uncertainty, AI development efficiency, and firm’s planting effort efficiency on these strategies. Our findings reveal several key insights. First, in the firm-led mode, when AI enhances the firm’s planting effort efficiency, the firm always benefits, whereas only low AI development efficiency is beneficial to the platform. When AI reduces effort efficiency, only high development efficiency is advantageous to both parties. Second, in the platform-led mode, when AI improves planting effort efficiency, the outcomes are reversed compared to the firm-led mode. When AI reduces effort efficiency, only a moderate development efficiency is beneficial to the firm. Interestingly, in cases where AI significantly lowers effort efficiency, the platform consistently benefits. Third, the platform always tends to choose the platform-led mode, whereas the firm chooses this mode only when AI development efficiency is low. Additionally, the higher the average yield reduction rate, the greater the role of AI, the more likely the firm is to choose the firm-led mode. These insights contribute to a deeper understanding of AI development strategies in agricultural supply chains. • We investigate a contract farming supply chain that uses AI to mitigate yield losses. • We analyze two AI development modes: platform-led and agricultural firm-led modes. • An extremely high development efficiency can harm the platform in the firm-led mode. • Only platform-led mode can achieve win-win situation and raise AI development level. • Higher disaster occurrence probability, more likely firm is to choose firm-led mode.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».