Do “Newly Oligopolistic Reaction” and Host Technology Resources Matter for MNC’s Location? —A Study in China’s Technology Industries
Notice bibliographique
Résumé
This paper aims at studying the determinants of inward Foreign Direct Investment (FDI) varying with sectors, by considering particularly multinational corporation (MNC)’s location strategies and local technology resources in host industries. Using data from China’s National Bureau of Statistics and National Development and Reform Commission, we empirically analyze the main determinants of industrial inward FDI, across 20 manufacturing sectors (2-digit) in China, over the period 2001-2008, and we are particularly interested in 9 high-technology (HT) and medium-high-technology (MHT) industries. The random effect panel estimations reveal that when industrial technological intensity is controlled, host technology resources are significantly positive determinants for newly inward FDI. The dynamic econometrical approach by System Generalized Method of Moment (GMM) estimations for HT and MHT industries obtain interesting results, which show evident impacts on MNC’s strategic behaviors, brought about by geographic agglomeration (or industrial concentration) effects and local protection (that we will call “new oligopolistic reactions”). Besides, FDI in HT and MHT industries are both market and export seeking. High productivity, large economies of scale, and abundant technology resources attract newly FDI in these industries. This study has two contributions: firstly, it covers the deficiency that many researches on FDI in China only focus on aggregate flow without distinguishing host sector’s characteristics; secondly, it provide the local government some useful suggestions on regional development and industrial policies, especially in technology industries.
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 | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».