Notice bibliographique
Résumé
Purpose The purpose of this paper is to determine what the effects of acquisition are on R&D patterns. Design/methodology/approach This paper tests whether the actual post‐acquisition R&D intensity of the combined firm deviated from the predicted R&D intensity, where the predicted amount is an asset‐weighted average of pre‐acquisition values. Findings The results indicate that the combination of technology sourcing and technological relatedness have strong predictive powers for determining changes in post‐acquisition R&D intensity. Technology sourcing acquisition of unrelated technologies results in an increase in post‐acquisition R&D intensity, as predicted. Acquirers in this situation may be using their acquisition as a platform for research expansion. Research limitations/implications The dataset used in this paper was restricted to public acquirers and targets for completeness of financial information. It would be useful to determine the extent to which a technology sourcing acquirer is predicted to enter into an acquisition and also whether technology sourcing can be used as a predictor for the ultimate target company out of a pool of potential targets. Practical implications The results can be used to inform managers on a strategic level when research strategy deviates from what the theory would predict. For example, if a company that did a technology sourcing acquisition of an unrelated product subsequently decreased R&D intensity, then rival pharmaceutical firms can ascertain that the acquired research was ultimately determined to be too risky or unviable. Originality/value The value in this paper is the unique measurement for technology sourcing.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».