Geographies of Knowledge Sourcing and the Complexity of Knowledge in Multilocational Firms
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
The rise of the knowledge economy has placed innovation at the center of models of competitive advantage. Access to more valuable forms of knowledge remains contested as the geography of its production is uneven and as some knowledge assets are relatively immobile. Within this fractured knowledge landscape multilocational firms have clear advantages. They can exploit numerous localized pools of knowledge, they can shape the character of knowledge development in different places, and they have some control over who can tap local knowledge assets. Surprisingly, we still have little detailed knowledge of the technologies developed by multilocational firms across the sites where they are active. We augment the literature on multiunit firms on three fronts. First, we make use of the rich, technological information in patent data to show that multilocational firms operating research and development (R&D) units across US metropolitan areas produce different kinds of technological knowledge over space. Second, we provide quantitative evidence of geographic knowledge sourcing by linking the technologies produced within the R&D units of these firms to the knowledge stocks generated within the cities where they are located. Third, we report that as the number of R&D units within multilocational firms increase, so, up to a limit, the complexity of the knowledge those firms generate also increases. We show that these complexity gains are linked to the volume of knowledge sourced from local partners and to the integration of knowledge across units of the multilocational firm.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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