A case study of global agency innovation rankings: implications on current definitions of innovation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, the authors analyze global innovation rankings as provided by Strategy& over the last 7 years. They first explore the raw ranks and report variations in year-over-year (YOY) ranks for top ten ranking companies. The normalized innovation ranks are then used to calculate the Innovation Power (inP) to assess if these companies maintained or improved their ranks over time. An interesting classification of innovations for the top 10 emerges from this analysis. The constant top innovators were Apple and Google. The rising innovators were Tesla, 3M and Facebook. Other classifications are discussed. The authors propose a non-statistical predictive model, which is reminiscent of a kinematic model using a novel concept of Innovation Momentum (inM) and predict that for 2017, Apple and Google will hold their first and second place, followed by Amazon, Samsung and Tesla. Facebook is also expected to rise in its rank. Companies that reach out and serve end-user needs with service innovations appear rising in ranks, far more than R&D intensive patent filing innovators in these ranks. Tesla is an interesting top ranker to watch. There are implications for software focused companies gaining importance given their flexibility over hardware dominant ones. Some bottom innovators are further declining. Although the rankings are perception-based, there is a pattern that implies it is not random or merely subjective. The analysis highlights the need for leaders and consultants to put in perspective the complex management problem of measuring innovation.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle