Economics of technology cycle time (TCT) and catch-up by latecomers: Micro-, meso-, and macro-analyses and implications
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
Abstract This paper provides an analytical review of the literature on the role of technology cycle time (TCT) in the catching-up process of latecomers at the firm, sectoral, and national levels. At the national level, latecomer economies follow a detour that consists of economic growth through specialization in short-TCT sectors during the catching-up phase, followed by a shift to long-TCT sectors in the post-catching-up phase. The paper then discusses the double-edged nature of TCT at the sectoral level, such that short TCT can either be a window of opportunity associated with the rapid obsolescence of existing technologies and thus low entry barriers, or another source of difficulty associated with the truncation of learning from existing technologies. Only latecomers with a certain absorptive capacity can benefit from short TCT as a window of opportunity. Finally, at the firm level, this paper discusses the issue of possible convergence in the behavior of catching-up firms towards those of mature firms in advanced economies. At all three levels, the keywords are detours and convergence. Given the barriers to entry in long-TCT sectors, latecomers pursue a strategy of detouring into short-TCT sectors. That is, instead of trying to emulate incumbents by entering long-TCT sectors, latecomers take the opposite route. Subsequently, as latecomers improve their capabilities over time, they shift their specialization from short to long TCT sectors, thereby achieving convergence in behavior and strategy at the firm, sectoral, and national levels.
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 | 0,001 | 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