Notice bibliographique
Résumé
The presence of innovative clusters may positively influence domestic economic growth. If it is possible to identify these clusters, economic growth may be increased even further by developing policy that stimulates innovative clusters. Identifying clusters, however, is not an easy task. Input- output tables provide a possibility to identify clusters of sectors. These so-called meso clusters answer the question as to which sectors firms that work together stem from. Hence, meso-clusters provide a framework which indicates how a cluster may be composed. An earlier analysis identified Dutch meso clusters. This opens the possibility to compare these Dutch clusters with clusters in other countries, which helps to answer two questions. Firstly, it shows which clusters exist in which countries. These clusters highlight difference in the way sectors work together in different countries, which may explain different patterns of specialisation or even different economic growth rates. Secondly, differences between similar clusters in different countries are analysed. These differences may stem from, for example, different sectors in similar clusters or from different levels of innovation, productivity, profitability or different export positions of similar clusters. The present paper uses the cluster identification method to compare national clusters in ten countries: Australia, Canada, Denmark, France, Germany Italy, Japan, The Netherlands, The United Kingdom, and The United States. The most remarkable differences between clusters found in these countries and the most interesting differences between the sectors included in the same cluster in different countries are discussed. This provides insight in the differences of the inter-industry linkages in these countries.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».