MétaCan
Menu
Retour à la cohorte
Enregistrement W2745952001 · doi:10.5430/afr.v6n3p135

The Impact of Business Life Cycle and Performance Discrepancy on R&D Expenditures-Evidence from Taiwan

2017· article· en· W2745952001 sur OpenAlexvenueno aff
Shu-Chin Chang, She‐Chih Chiu, Pei-Cheng Wu

Notice bibliographique

RevueAccounting and Finance Research · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueInnovation Policy and R&D
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMaturity (psychological)Business cycleSample (material)BusinessProduct life-cycle managementStock exchangePerceptionMarketingEconomicsFinancePsychology

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to examine the impact of business life cycle and performance discrepancy on Research and Development (R&D) expenditure. Specifically, we argue that managers of firms in different stages of business life cycle make R&D decisions according to their perception of performance discrepancy. We investigate three stages of business life cycle: growth stage, maturity stage, and stagnant stage. Based on a sample of firms listed in Taiwan Stock Exchange, we find that managers of firms in the growth stage tend to increase R&D expenditure when they experience positive performance discrepancy. This implies that growing firms’ slack-resource-driven behavior is leads to the increase in R&D expenditure. There is some evidence that managers of firms in the mature stage tend to increase R&D spending when they experience negative performance discrepancy, indicate that negative performance discrepancy triggers the problem-driven search behavior of managers of mature firms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,144
Tête enseignante GPT0,378
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting and Finance ResearchMême sujetInnovation Policy and R&DTravaux en français237 207