Technological Profiles and Technology Trade Flows for Some European and OECD Countries
Notice bibliographique
Résumé
In the current context of increasing globalisation, innovation and investment in R&D become crucial. Furthermore, European Lisbon strategy gave disappointing results in terms of R&D expenditures and patents. In this context, our paper deals with some OECD characteristics concerning their connection to global markets of knowledge and technology trade. Statistical results show that the USA are great performers in terms of R&D expenditures and patents, with large openness to foreign collaboration, Japan is successful in innovative activities while quite isolated from global research network. The European Union seems to be in the opposite situation. Nevertheless contrasted situations are observed, depending on the European countries. For instance Sweden, Finland and Denmark register quite good results in terms of R&D. Concerning technological trade, Technology Balance of Payments (TBP) statistics give some additional results. While the EU15 used to exhibiting a TBP deficit, the situation has changed since 2006 and the EU15 registers a surplus. This performance relies on Germany, Sweden and Austria, which are the main exporters of technology among European countries. Thanks to this first statistical analysis, it seems that technological profiles of OECD countries impact on technological trade flows. Except some specific countries’ characteristics, leaders in R&D are quite active in terms of technological exports and also imports. For instance, the European leaders in R&D export their technologies but seem also active by importing technologies from abroad.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».