Technology parks and entrepreneurial outcomes around the world
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to study factors that affect the success of technology parks in terms of fostering entrepreneurial firm formation, growth, and financing. Design/methodology/approach – Based on a new international dataset of technology parks (tech parks) from 13 countries (eight developing countries and five developed countries), the paper relates the success of technology transfer to the legal environment within which the tech park operates, as well as the characteristics of the tenants in the tech park and the services provided by the tech park. Findings – The data indicate entrepreneurial success is more likely to be facilitated when there is better legal protection offered to companies in the jurisdiction within which the tech park is located, when there is a greater presence of foreign university- and government-affiliated companies in tech parks, and a smaller presence of foreign private companies in tech parks, particularly foreign subsidiaries. The data further indicate entrepreneurial success is more likely when tech park tenants have greater testing/analysis focus, and when tenants have less assembly- and service-focussed activities. Also, entrepreneurial success is more likely to be facilitated by tech parks with on- and off-site technology licensing offices that promote trade shows, provide access to funds for commercialization and distribute information on the R&D outcomes of tech park tenants. Research limitations/implications – The data offer insights into efficient design of tech parks. Coarse measures from survey data are limitations yet offer scope for further examination in future research. Originality/value – The paper provides guidance for entrepreneurs and their investors in terms of ways maximize value in terms of entrepreneurial growth and financing from selecting appropriate tech parks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».