Flying Geese In Asia: The Impacts of Japanese MNCs as a Source of Industrial Learning
Notice bibliographique
Résumé
ABSTRACT Pacific Asia has looked to direct foreign investment (DFI) to achieve economic growth and technological catch‐up, and Japanese multinational corporations (MNCs) have responded massively. This paper evaluates Japanese MNCs as a source of industrial learning and technological transfer in the region, drawing from a large research literature and from the authors’ own surveys of Japanese DFI in the electronics sector. Japan's historic learning‐based approach to industrialisation is captured by the flying geese metaphor of structural transformation. As an explanation of the transfer of technological know‐how from Japan to Pacific Asia, however, the flying geese model is problematical. This paper reflects on the effectiveness, problems and dilemmas of Japanese MNCs in transferring such know‐how to the region from a political economy perspective summarised as a ‘reverse product cycle model’. This model portrays DFI as a ‘bargain’ between Japanese MNCs and host countries, and which becomes more difficult to negotiate as DFI moves from low‐skilled manufacturing to more innovative activities. The bases for this hypothesis relate to the increased complexity of industrial know‐how and the conflicting motivations between MNCs and host countries in early stages of the product life cycle. In practice, however, this ‘bargain’ has developed differently among Asian countries, and we illustrate these differences by comparing the experiences of South Korea, Taiwan and Malaysia.
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 | 0,001 |
| 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 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 ».