Notice bibliographique
Résumé
In this paper, we conduct a comparative study for the effect of R&D investment on total factor productivity(TFP) in order to compare the efficiency of R&D spending among different OECD countries. For the analysis, we first pool the data from 22 OECD member countries during 1981-2004, and estimate TFP elasticity of R&D investment of that group. Then we evaluate TFP elasticity of R&D investment of five major advanced countries such as USA, Japan, Canada, Italy and Korea from 1970 to 2004. Finally, we investigate whether the efficiency of R&D investment of Korea has improved over the period by dividing the period into two parts, before and after 1990. From the empirical analysis, we find that the estimated R&D efficiency of Korea has been similar to that of a group of 22 OECD countries. The estimated R&D efficiency of Korea has been higher than those of Canada and Italy, but lower than those of USA and Japan. In sum, the R&D efficiency of Korea has reached the average level of OECD member countries. In addition, we find that the R&D efficiency of Korea after 1990 has been much higher than the efficiency before 1990. Thus, we can say that the R&D efficiency of Korea has substantially improved over the course of a period. We surmise that increased R&D spending done by major conglomerates and technological innovation have contributed the improvement of R&D efficiency since the year of 1990.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,006 | 0,003 |
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 ».