Les effets de l’exportation sur l’innovation et la productivité : le rôle clé de l’apprentissage par l’exportation
Notice bibliographique
Résumé
Cet article concerne l’analyse de l’influence de l’exportation sur la productivité et l’innovation dans les entreprises. L’objectif est d’évaluer l’effet de l’exportation sur la performance des entreprises en mettant en évidence le rôle clé de l’apprentissage par l’exportation. Les différentes hypothèses proposées dans cette étude sont testées dans le cadre d’un modèle récursif à partir d’indicateurs synthétiques de l’intrant et de l’extrant d’innovation issus de l’analyse des correspondances multiples (ACM). Les estimations sont réalisées à partir des données d’un échantillon représentatif de 90 PMI de la région Basse-Normandie (France) provenant de l’enquête conduite en 2009-2010 dans le cadre du projet IDEIS. Les apports de ce travail résident principalement dans 1) la décomposition de l’influence globale de l’exportation sur les performances de l’entreprise en trois effets : un effet d’apprentissage, un effet d’« autosélection » et un effet direct sur la productivité, 2) l’explicitation de l’effet d’apprentissage, 3) la prise en compte simultanée de la persistance de l’exportation et de son intensité. Les estimations mettent en évidence un effet d’apprentissage par l’exportation de manière non biaisée contrairement aux travaux antérieurs.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».