VALUE RELEVANCE OF R&D SPENDING BY RIVALS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION Research and development (RD Los & Verspagen, 2000). These results point to knowledge spillovers from rivals. On the other hand, evidence from Canada suggests that managers in leading technology-based industries are very concerned about the possibility of negative effects from their own R&D disclosures (Entwistle, 1999). This concern is mostly due to the possibility of competitors gaining valuable intelligence about the firm's technology and thus hurting the firm's competitive advantage. Moreover, there may be negative impacts on their customers. These impacts are negative spillovers. Accounting profits have negative elasticity with respect to the capitalized R&D pool from a firm's rivals (Jaffe, 1986). In addition, public knowledge on rivals' R&D such as patents has negative impact on the profitability of Canadian firms (Hanel & St-Pierre, 2002). For a concrete example of spillovers, consider the case of tablet computers. Apple Inc.'s (Apple) iPad created a new product category called tablet computers. iPad users downloaded one million software applications and 250,000 electronic books on the first day that it was introduced (Wortham, 2010). This implies that, in addition to the direct profits from the sale of iPads, Apple profited from the sale of electronic books. Yet, electronic books were invented by other firms. Therefore, Apple benefited from the knowledge of the makers of electronic book readers (e.g. Amazon Kindle). This is a positive externality created by Apple's rivals' R&D. Moreover, other rivals of Apple, like Samsung and Motorola introduced tablet computers with similar characteristics to iPad (Brustein, 2011). …
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle