MétaCan
Menu
Retour à la cohorte
Enregistrement W2902556142 · doi:10.1111/grow.12274

Does venture capital spur innovation or the other way around? Evidence on the significance of investment timing from China

2018· article· en· W2902556142 sur OpenAlexaff
Lin Xiao, Wei Xu, Baiping Zhang, Fan Yang

Notice bibliographique

RevueGrowth and Change · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePrivate Equity and Venture Capital
Établissements canadiensUniversity of Lethbridge
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésVenture capitalCounterfactual thinkingChinaValue (mathematics)BusinessInvestment (military)EconomicsProduct innovationIndustrial organizationFinance

Résumé

récupéré en direct d'OpenAlex

Abstract This paper explores the interaction between venture capital and innovation in China. We focus on the difference between early, development, and expansion stages of innovation firms when they receive their first installment of venture capital. Using ordinary least squares (OLS), switching regression model and counterfactual comparison, we find that selection effect exists in all three stages, suggesting that established innovation capacity increases the possibility of innovation firms to receive venture capital. Further, the selection effect is most profound in the development stage. The treatment effect, the combined effect of financial role and value‐added service, plays an important role in promoting innovation in all three stages. However, the mechanisms of the effect vary greatly across the early, development, and expansion stages. The financial role of venture capital does not influence innovation in the early stage, but promotes innovation in the development stage, and restrains innovation in the expansion stage. Value‐added service promotes innovation in the early and expansion stages, and whether it influences innovation in the development stage needs further study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,036
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,075
Tête enseignante GPT0,254
Écart entre enseignants0,179 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGrowth and ChangeMême sujetPrivate Equity and Venture CapitalTravaux en français237 207