MétaCan
Menu
Retour à la cohorte
Enregistrement W3015377966

Sustainable Competitiveness of Companies: It Is Difficult to Maintain, Easy to Lose

2019· article· en· W3015377966 sur OpenAlexaboutno aff
Irina P. Komarova, Vladimir L. Ustyuzhanin

Notice bibliographique

RevueEconomics of Contemporary Russia · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDiversification (marketing strategy)ReputationPhenomenonChinaBusinessIndustrial organizationMarket economyEconomic systemEconomicsMarketingPolitical science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The loss of competitiveness by global companies that held leading positions in their industries and had significant core competencies for a very long time highlights a need for the analysis of such a phenomenon as long-term competitiveness. The aim of the research is to discover major causes of the loss of competitiveness. The goals include the detection of breaking points that force companies to remold their business activities aswell as the determination of factors that bring about the emergence of breaking points. The subject of sustainable competitiveness relates to both economics and management. That is why numerous theories including the neoclassical one, the institutional one etc. are applied to the study. The research methods include the case-study method as well as structural and comparative analysis. The study of 33 companies (from the USA, Canada, Germany, Sweden, China, South Korea and Japan) in five industries helps to reveal the most common breaking points as well as to determine and classify the internal and external factors that lead to them. The internal factors include crises of growth, diversification crises, innovation crises, reputation crises etc. The external ones include political, technological, economic and natural problems. The authors of the paper reach the conclusion that the loss of competitiveness by a company happens as a result of combined influence of internal and external factors.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,009
Communication savante0,0140,006
Science ouverte0,0010,005
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,016
Tête enseignante GPT0,215
Écart entre enseignants0,199 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconomics of Contemporary RussiaMême sujetGlobal Trade and CompetitivenessTravaux en français237 207