MétaCan
Menu
Retour à la cohorte
Enregistrement W4309734220 · doi:10.1515/zfw-2022-0028

Innovation, scaling-up, and local development in peripheral regions: do establishments scale-up locally?

2022· article· en· W4309734220 sur OpenAlexafffund
Richard Shearmur, David Doloreux

Notice bibliographique

RevueZFW – Advances in Economic Geography · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensHEC MontréalMcGill University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésEconomic geographyScale (ratio)BusinessPerspective (graphical)Local DevelopmentProcess (computing)Industrial organizationSet (abstract data type)Regional scienceMarketingGeographyComputer scienceCartography

Résumé

récupéré en direct d'OpenAlex

Abstract A growing number of researchers suggest that there is no necessary connection between local firm-level innovation and local development. There are two connected arguments: first, many analysts suggest local innovation should be understood as a social and institutional process: from this perspective, just focusing on firms is too narrow. Second, regional economists view firms – especially innovative ones – as geographically mobile, tending to move away from regions which don’t offer them adequate support or resources. In this paper, we consider this second approach, exploring the degree to which innovators in peripheral regions purchase local services and scale-up their operations locally – two mechanisms that should connect firm-level innovation to local development. We find that peripheral innovators are more likely to use non-local services; their external expansion is also more likely to occur non-locally. If these results, obtained from cross-sectional analysis of a sparse data-set, are indicative of persistent processes, then they shed light on why firm-level innovation is disconnected from regional development in peripheral regions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut 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: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,003
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,011
Tête enseignante GPT0,216
Écart entre enseignants0,205 · 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 source (Gemma direct ou Codex distillé), 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

Citations29
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueZFW – Advances in Economic GeographyMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207