MétaCan
Menu
Retour à la cohorte
Enregistrement W4392014908 · doi:10.1080/09537325.2024.2319602

Cooperative innovation subnetworks in the Chinese new energy vehicle industry: structure and coordination

2024· article· en· W4392014908 sur OpenAlexaff
Wenjian Li, Liangping Dai, Yuanyuan Wu, Xiu Qinxu, Xie Gang

Notice bibliographique

RevueTechnology Analysis and Strategic Management · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensLakehead University
Organismes subventionnairesNational Social Science Fund of ChinaNational Natural Science Foundation of China
Mots-clésBusinessIndustrial organizationProcess management

Résumé

récupéré en direct d'OpenAlex

The overall synergy of technical-link-based cooperative innovation has the potential to drive industrial competitiveness, yet there is a gap in the knowledge of the cooperative innovation subnetworks based on various key technical links in a modular manufacturing industry. This study scrutinised the structure and coordination of three key technical-link-based subnetworks in the Chinese NEV industry by an empirical analysis based on joint patent data from 2009 to 2019 and a composite coordination measurement model. The findings indicate that the cooperative relationship within the three sub-networks all become closer to the obvious ‘core-periphery’ structure since 2016, with a downward trend in network density. The coordination of the three subnetworks has gradually changed from an uncoordinated degree to a low-coordinated degree, and the battery technology subnetwork has a generally lower-order degree. Some suggestions for improving the overall coordination are provided. Our study contributes to a better understanding of cooperation network dynamics with a lens of improving the balance in structural properties from technical-link-based subnetworks in a modular manufacturing industry.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,042
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 GPT0,242
Écart entre enseignants0,231 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTechnology Analysis and Strategic ManagementMême sujetInnovation and Knowledge ManagementTravaux en français237 207