Characteristics and factors for the innovation performance of New R&D Institutes at start‐up stages: an exploratory study from China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To improve independent innovation ability, China has explored a unique form of R&D organization called the New R&D Institute (NRDI). The spillover effect of NRDIs in the region arouses curiosity about what exactly drives its innovation performance. After clarifying the NRDI concept and its characteristics, this study studies Nanjing, a typical city with the rapid development of NRDIs in China, to empirically explore the impact mechanism of NRDI development in their start‐up period. The study uses panel data from 103 NRDIs spanning 10 quarters from the third quarter of 2018 to the fourth quarter of 2020. Our analysis reveals that R&D investment, government support, research infrastructure, and angel investment have mixed impacts on the revenue, innovation, and enterprise incubation of NRDIs. Specifically, resource inputs such as R&D staff, R&D service platforms, and R&D expenditures boost the revenue growth of NRDIs. In contrast, only a few inputs play an important role in NRDIs’ innovation and enterprise incubation, including service platforms, capital investment from high‐tech parks, and angel funding. The early development of NRDIs has four features. (1) It is driven more by material capital (R&D expenditure) than by human capital (R&D staff). (2) It relies more on government support rather than institution investment. (3) Research infrastructure has specific significant effects on the innovative output of NRDIs. (4) Angel investment is critical to promote technological innovation and business incubation. Most of the input elements have not yet been very effective in the innovation and incubation of NRDIs. Our research offers essential insights for understanding the innovation mechanism in NRDIs and promoting their healthy development.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle