The Economic Impact of Entrepreneurship: Comparing International Datasets
Notice bibliographique
Résumé
Abstract Manuscript Type Empirical Research Question/Issue What is the impact of entrepreneurship on GDP /capita, unemployment, exports/ GDP , and patents per population across countries? Is the impact of entrepreneurship mitigated by legal and cultural differences across countries? Do different international datasets provide different answers to these questions? We empirically compare the impact of entrepreneurship on GDP /capita, unemployment, exports/ GDP , and patents per population across countries by examining three datasets from the W orld B ank, the OECD , and C ompendia. Research Findings/Insights Based on a comprehensive sample of all available countries and years, with the W orld B ank data being the most comprehensive, we find entrepreneurship has a significantly positive impact on GDP /capita, exports/ GDP , and patents per population, and a negative impact on unemployment. Inferences from the C ompendia data are very consistent. By contrast, inferences from the OECD data are not supportive of any of these propositions. Theoretical/Academic Implications Our findings point to institutional and cultural impediments to the effectiveness of entrepreneurship. Most notably, the impact of entrepreneurship is significantly mitigated by excessively strong creditor rights that limit entrepreneurial risk‐taking. Furthermore, the data indicate that cultural attitudes associated with low risk‐taking limit the effectiveness of entrepreneurship. By contrast, the impact of entrepreneurship on exports/ GDP does not appear to be directly tied to costs of exporting, which is perhaps best explained by the new economy goods and services created by entrepreneurs that depend less on such costs. For some subsets of the data we find evidence consistent with the view that top tier venture capital funds enhance the impact of entrepreneurship on GDP /capita. Finally, our results show how different definitions of new business entry matter for empirical analysis of entrepreneurship across countries. Practitioner/Policy Implications The data highlight the importance of access to finance without downside costs so that entrepreneurs are encouraged to take risk. Further, the data highlight institutional differences in risk attitudes that more generally inhibit risk‐taking and thereby limit the effectiveness of entrepreneurship. Moreover, the data highlight a central role for careful measurement of entrepreneurial activities and for inclusion of as many countries and years as possible in order to effectively analyze the impact of entrepreneurship.
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 | 0,005 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».