MétaCan
Menu
Retour à la cohorte
Enregistrement W3124929755

Inter-Country R&D Efficiency Analysis: An Application of Data Envelopment Analysis

2007· article· en· W3124929755 sur OpenAlexaff
Seema Sharma, V. J. Thomas

Notice bibliographique

RevueSSRN Electronic Journal · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Productivity
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésData envelopment analysisInefficiencyReturns to scaleChinaEfficient frontierEfficiencyFrontierVariable (mathematics)Scale (ratio)EconomicsDeveloping countryEconometricsBusinessProduction (economics)Economic growthGeographyStatisticsMacroeconomicsMathematicsFinancial economicsMicroeconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study examines the relative efficiency of the R&D process across a group of 22 developed and developing countries using Data Envelopment Analysis (DEA). The R&D technical efficiency is examined using a model with patents granted to residents as an output and gross domestic expenditure on R&D and the number of researchers as inputs. Under CRS (Constant Returns to Scale), Japan, the Republic of Korea and China are found to be efficient, whereas under the VRS (Variable Returns to Scale) framework, Japan, the Republic of Korea, China, India, Slovenia and Hungary are found to be efficient. The emergence of some of the developing nations on the efficiency frontier indicates that these nations can also serve as benchmarks for their efficient use of R&D resources. The inefficiency in the R&D resource usage highlighted by this study indicates the underlying potential that can be tapped for the development and growth of nations.

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)0,009
score de la tête « metaresearch » (Gemma)0,000
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,607
Score d'incertitude au seuil0,619

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,019
Tête enseignante GPT0,249
Écart entre enseignants0,230 · 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

Citations31
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetEconomic Growth and ProductivityTravaux en français237 207