MétaCan
Menu
Retour à la cohorte
Enregistrement W2898793048 · doi:10.3390/su10113974

International R&D Spillovers and Innovation Efficiency

2018· article· en· W2898793048 sur OpenAlexfundno aff
Jianping Liu, Kai Lu, Shixiong Cheng

Notice bibliographique

RevueSustainability · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensnon disponible
Organismes subventionnairesBrock UniversityNational Natural Science Foundation of China
Mots-clésProductivityEconomicsStock (firearms)Panel dataFrontierStochastic frontier analysisSustainable developmentIndustrial organizationInternational tradeProduction (economics)EconometricsMicroeconomicsMacroeconomics

Résumé

récupéré en direct d'OpenAlex

The objective of this study is to examine the impact of international research and development (R&D) spillovers on innovation efficiency of specific R&D outcomes, employing the country-level panel data for 44 countries in the 1996–2013 period. Fully considering the heterogeneity of different R&D outputs, scientific papers, PCT (Patent Cooperation Treaty) patents, US patents, and domestic patents are observed separately, which enriches the angles of measuring international R&D spillovers. By applying a stochastic frontier analysis to knowledge production function, we find that foreign R&D capital stock positively contributes to the innovation efficiency of scientific papers, but suppresses the productivity of domestic patents, whereas it does not really matter for PCT or US patents. These results are robust to control for a set of institutional factors and also in sensitivity analyses. Hence, dependence on international R&D spillovers seems neither to be the right way for emerging economies to catch up, nor to be a sustainable model for developing countries to fill the technical gap. Local R&D capital stock, instead, keeps an essential contributor to all four R&D outputs, so raising internal R&D expenditure is actually the key to improving innovation level and sustainable development ability.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,312
Score d'incertitude au seuil0,483

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,025
Tête enseignante GPT0,255
Écart entre enseignants0,231 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations29
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetEconomic Growth and ProductivityTravaux en français237 207