Trends in innovation activities in manufacturing industries across development echelons
Notice bibliographique
Résumé
This empirical paper explores trends in innovation activities measured by a countries’ total patent application submission intensity relative to its population, and by analyzing U.S. granted patents data for cohorts of developed countries and developing countries. In addition to tabular and graphical analyses, I use a baseline regression model and a variant model thereof to assess the relative influence of a set of aggregate variables on innovation activities in eight manufacturing industries across two cohorts of countries (developed and developing) where each cohort contains eight individual countries. Eight industries included in this study are: Chemical, Petroleum, electrical and electronics equipment, machinery, pharmaceutical, plastic, computer, and textile. The cohort of developed countries includes Australia, Canada, Czech Republic, France, Italy, Poland, Switzerland, and the United States. The cohort of developing countries includes Brazil, China, India, Malaysia, Mexico, Russia, South Africa, and Turkey. Per regression results, ethnic diversity is a statistically significant positive determinant of innovation for all industry aggregate patent count for both high income and developing countries. Also, per capita electricity usage, R&D expenditure as percent of GDP, and percent of population with internet access are three positive factors of innovation irrespective of industrial subsectors and position of a country in the development echelon. Interestingly, impact of ICT-services export is statistically significant and innovation boosting in developing countries in the cohort relative to countries in the cohort of developed countries. It also appears that trade openness served as a stronger stimulant of innovation activities for developing countries’ but not as much for the cohort of developed or high-income countries. This paper attempts to extend the literature on cross-country comparison of innovation activities by using two measures of innovation activities across developed and developing countries, and by analyzing both aggregate and sector-level data for eight manufacturing industries both graphically and utilizing panel regression models.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».