MétaCan
Menu
Retour à la cohorte
Enregistrement W3016990628 · doi:10.1108/mbr-02-2020-0044

Natural disasters and MNC sub-national investments in China

2020· article· en· W3016990628 sur OpenAlexaff
Chang Hoon Oh, Jennifer Oetzel, Jorge Rivera, Donald Lien

Notice bibliographique

RevueMultinational Business Review · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInternational Business and FDI
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésMultinational corporationSubsidiaryNatural disasterBusinessChinaContext (archaeology)Investment (military)Sample (material)Foreign direct investmentFinanceEconomicsGeography

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this study is to examine how foreign firms consider natural disaster risk in subsequent investment decisions in a host country and whether different location portfolios can serve to mitigate investment risk. Design/methodology/approach The author sample includes data on 437 Fortune Global 500 firms and their initial entry into Chinese provinces between 1955 and 2008. Findings Using a fixed effects logit model of discrete time event history analysis, results show that geographic proximity to same multinational corporation (MNC) subsidiaries and different MNC subsidiaries from the same home country mitigates the negative effect of natural disasters on MNC entry into an affected province, while geographic proximity to other MNC subsidiaries from different home countries does not. Originality/value The knowledge needed to respond to severe disasters appears to be highly context-specific and shared only between firms with a high degree of commonality and trust.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,711
Score d'incertitude au seuil0,814

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 enseignants0,229 · 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'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

Citations65
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMultinational Business ReviewMême sujetInternational Business and FDITravaux en français237 207