The impact of private R&D on the performance of food-processing firms: Evidence from Europe, Japan and North America
Notice bibliographique
Résumé
This report investigates the impact of corporate research and development (R&D) on firm performance in the food-processing industry. The agro-food industry is usually considered to be a low-tech sector (the share of total output that is attributable to R&D is around 0.27% in the EU). However, the agro-food industry is very heterogeneous. On the one hand, there are many highly innovative food-processing firms with intensive R&D activity and, on the other hand, many food-processing firms derive and adopt innovations from other sectors such as machinery, packaging and other manufacturing suppliers. We perform data envelopment analysis (DEA) with two-step bootstrapping, which allows us to correct the bias in (in)efficiency and generate unbiased estimates for (in)efficiencies. We use a corporate dataset of 307 companies from agriculture and food-processing industries from the EU, the USA, Canada and Japan for the period 1991–2009. The estimates suggest that R&D has a positive effect on firms’ performance, with marginal gains decreasing at the R&D level, and performance differences detected across regions and food sectors. General public expenditure in R&D is also associated with a positive impact on firm performance. As a result, policy support for this type of non-high-tech innovative sector is expected to generate growth. However, results that suggest heterogeneity in R&D effects across EU Member States may point to differences in the implications of innovation policies across EU regions.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».