R&D and productivity growth: Evidence from the UK
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although the econometric evaluation of R&D has attracted wide interest in many countries, it has not attracted much in the UK. The main objective of this paper is to fill this void, i.e., to estimate the impact of R&D on productivity growth of the UK manufacturing sector. However, there are some additional objectives. Firstly, we estimate the impact of R&D on productivity growth of large and small firms and we discuss a number of theoretical arguments regarding the role of firm size. Secondly, given that the technological infrastructure influences the innovative capacity of a firm, we compare the impact of R&D on productivity growth of high-tech firms with the corresponding impact on productivity growth of low-tech firms. Thirdly, we investigate whether the contribution of R&D to productivity growth has changed over time. Based on firm-level data (78 firms, 1989–2002), we find that the contribution of R&D is approximately 0.04. Although the R&D-elasticity of large firms (0.044) is higher than the corresponding elasticity of small firms (0.035), the difference is small. In contrast, the R&D-elasticity is considerably high for high-tech sectors (0.11), but statistically insignificant for low-tech sectors. Finally, the investigation of the elasticity of R&D over time revealed an interesting discontinuity showing that although until 1995 the R&D-elasticity was approximately zero, after 1995 it increased dramatically to 0.09. We investigate the potential causes of such non-linearity and we suggest a number of possible explanations.
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.
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 | 0,000 |
| 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 découle