From science to technology : The value of knowledge from the business sector
Notice bibliographique
Résumé
Expansion of government R & D budgets on promoting electric vehicle (EV) adoption and charging infrastructure development is likely to continue to be a key component of ecological innovation policies. Using an original data set of non-patent literature (NPL) references extracted from patent documents pertaining EV charging technologies, this paper provides new evidence on the flows of knowledge with or without a scientific contribution from the business sector. Three main questions are addressed in this paper for measuring the value of knowledge produced by firms, which not only contributes towards a better understanding of EV but serves the purpose of fostering more partnerships and unlocking further investments in research. First, what information is most useful to the technological development? Even firms are increasingly encouraged to engage in EV innovation process, a relatively profound influence on knowledge transfer has not be exercised, especially in generating applied technologies measured by redefined average NPL citation compared to academic institutions. Patents with firm NPL have a special focus on inorganic chemistry and nanotechnology except as common issues identified related to climate change mitigation and energy storage. Second, which kind of firm’s contribution produces the most valuable research? The university-firm research collaborations have captured more attention from science to technology while knowledge produced solely by firms has been transferred to a broader distribution in geography. Finally, how scientific knowledge is commercialised? Patents with firm NPLs, in particular the one regarding networked infrastructure and energy generating have been transferred more frequently to companies and universities residing in the US, Japan, Canada and Germany between 2010 and 2014. However, patented technologies of electrical distribution network and charging batteries with non-firm NPLs are mainly assigned to companies in France and Korea between 2008 and 2013. The role of firm in knowledge and technology transfer needs to be further explored in a border technological field notwithstanding the gaps in NPL citation compared to academic institutions.
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 | 0,006 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,013 | 0,018 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».