Industry Level Supplier-Driven IT Spillovers
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
We model and estimate the effects to downstream productivity from information technology (IT) investments made upstream. Specifically, we examine how an industry’s productivity is affected by the IT capital stock of its suppliers. These supplier-driven IT spillovers occur because, due to competition in the supplying industry, quality benefits from suppliers’ IT investments can pass downstream. If the output deflators of supplying industries (consequently the intermediate input deflator of the using industries) do not capture the quality improvement from IT, then the output productivity of the supplying industries is mismeasured or misassigned. We develop and empirically test a model capturing these supplier-driven effects using data on 85 manufacturing industries at the three-digit SIC code level. We find that for a 10.5% increase in suppliers’ IT capital, the suppliers’ output increases by 0.63%–0.70%, which is more than covering the cost of the increase in suppliers’ IT capital. In addition, this increase in suppliers’ IT capital increases the average downstream industry’s output by $66–$72 million, thereby confirming substantial supplier-driven IT spillovers downstream. We also infer the magnitude of the measurement error of the price deflator of the intermediate input resulting from the failure to account for IT-related quality improvement, finding that the measured price deflator overestimates the true deflator by approximately 30% at the mean level of IT capital.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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