Does R&D create or resolve uncertainty?
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
Purpose – This paper aims to investigate two related questions on business research and development (R & D) simultaneously. First, does R & D create or resolve uncertainty? Second, does uncertainty encourage or discourage business R & D? Design/methodology/approach – This paper uses the three-stage least squares regression method and a system of simultaneous equations to examine the two research questions simultaneously. Instrumental variables overcome the econometric endogeneity problem. Findings – The results are consistent with the hypothesis that R & D creates rather than resolves uncertainty. Why then do risk-averse business managers undertake R & D? This paper argues that in creating uncertainty, R & D also creates “shadow options” for supplementary business investment not envisaged by business managers in the original objective for R & D. Rather, managers unexpectedly uncover shadow options in R & D’s inherent knowledge discovery process, which encourages business R & D in the first instance. Consistent with this real options interpretation, this paper reports evidence that volatility encourages R & D. Originality/value – This paper differs from the current literature in the sense that it investigates the two related R & D questions simultaneously rather than individually. The authors argue that the two related questions are inextricably interrelated, and investigating the two questions simultaneously would provide results that can possibly solve conflicting empirical results in the current literature. The results are also particularly useful for business managers who make decisions on whether to undertake R & D projects or not.
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 | 0,002 | 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