Notice bibliographique
Résumé
This dissertation examines the relationship between productivity growth and research activities of heterogeneous firms, and the contribution of firm heterogeneity to business cycle fluctuations. \n \nThe first chapter uses a dynamic model to study firms' decisions on whether to conduct research in house, with external units or via both modes. Productivity is modeled to evolve endogenously according to Research and Development (R&D) modes, and the costs of starting and continuing research are random and mode specific. Model estimates from a panel of Chinese manufacturing firms show that in-house R&D is more effective and costs less to maintain, but smaller firms choose external R&D because of its lower startup cost. These estimates are consistent with the observed cross-sectional differences in firm size by research status, and can match the persistence and transition dynamics in R&D modes. Simulation exercises show that continuation cost reduction induces more changes in R&D decisions, but start up cost reduction leads to most of the aggregate productivity gain. \n \nThe second chapter investigates the impact of innovation on firm level prices. This impact depends on how innovation affects quality and efficiency and how the firm passes these changes onto prices. Estimation results of the empirical model with a panel of Spanish firms show that firms take advantage of process innovations to enlarge markups by not completely passing onto prices the decrease in cost. Product innovations could increase or decrease cost but they do not affect markups, thus we do not find prices to change systematically with them. \n \nThe third chapter examines the contribution of firm level shocks to output fluctuations for four OECD countries (US, Germany, Canada and the UK). Recent studies stemming from Gabaix (2011) show that when few firms account for a disproportionately large share of production, shocks to these firms can propagate to generate business cycle fluctuations. However, we find that while firm size distribution is highly skewed in these four economies, the ability of the largest firms to transmit shocks is not universal and thus should not be taken for granted.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».