The impacts of financial support on technological innovation in fuel cell electric vehicles (FCEVs) from a national inter-comparative perspective
Notice bibliographique
Résumé
To understand the role of financial support in fostering technological innovation in fuel cell electric vehicles (FCEVs), the impacts of policy/market-oriented financial support are empirically examined by using the Tobit model and panel threshold model, based on data from 58 listed enterprises in China, the United States, the United Kingdom, Germany, Japan , Canada, and Korea (UKGJCK). The obtained results show that: i) Both policy- and market-oriented financial support have an incentive effect on FCEVs' technological innovation; however, technological innovation in China's FCEVs depends on government subsidies and equity financing, whereas UKGJCK relies more on tax incentives and debt financing. ii) Government subsidy has a dual-threshold effect with the first and second threshold values of $39.82 million and $46.27 million, causing a nonlinear effect of debt financing and equity financing on technological innovation in China's FCEVs; while debt and equity financing have only one threshold. iii) On the other hand, most financial support instruments do not have nonlinear effects on FCEVs' technological innovation in UKGJCK, except for tax incentives. Increasing tax incentives for highly indebted FCEV enterprises would instead undermine their capacity for technological innovation. Thereby, the present study provides significant policy implications for tailoring financial support for FCEVs' technological innovation.
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 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 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».