Stronger together: Country‐of‐origin agglomeration and multinational enterprise location choice in an adverse institutional environment
Notice bibliographique
Résumé
Abstract Research Summary Research suggests that multinational enterprises (MNEs) are attracted to locations with concentrated firms from the same home country to benefit from interactions with market forces, but it remains an open question whether such agglomeration facilitates MNEs' interactions with nonmarket actors such as the host government. We submit that since country‐of‐origin agglomeration can enable collective actions and create collective gains, colocation with compatriot firms will help MNEs navigate an adverse institutional environment. In line with this reasoning, we hypothesize that MNEs are more attracted to locations with country‐of‐origin agglomeration when MNEs face an exogenous shock that increases their regulatory burden in the host country. Our analysis offers corroborative evidence. The study adds to research on agglomeration, institutional environment, and location strategy. Managerial Summary Why do multinational enterprises (MNEs) locate near compatriot firms in a foreign location? The commonly recognized benefits include resource access and knowledge spillover from interactions with market forces such as suppliers and customers. We submit that colocation with compatriot firms can also help MNEs navigate an adverse institutional environment by generating “stronger‐together” benefits. Colocation can enable collective actions and create collective gains for MNEs in their interactions with the host government. We find that after a diplomatic dispute, Korean MNEs are more attracted to locations in China that already have a cluster of Korean firms, whether in the same/related industries or in unrelated industries; this is particularly the case for small MNEs and in locations with weak 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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 tête enseignante, 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 ».