From wells to windmills: Resource redeployment and new technology investment in the energy sector
Notice bibliographique
Résumé
Abstract Research Summary This study examines how multi‐business firms redeploy resources following an industry shock. Using the case of oil and gas firms diversified into wind power, I show that firms reduced expenditure in oil and gas—particularly on complex offshore projects—while increasing investment in wind after the 2014 oil price crash. These investments tended to involve newer, more powerful technologies (turbines) when co‐located with existing offshore oil and gas assets. The study provides detailed empirical evidence of resource redeployment and documents conditions under which firms shifted away from one industry and pursued more demanding projects in another. The findings underscore the role of asset colocation in shaping redeployment patterns. They also highlight that market‐based inducements may not be sufficient in driving the energy transition. Managerial Summary How should firms respond when a core industry experiences a downturn? This study shows that multi‐business firms—specifically oil and gas companies diversified into wind power—responded to the 2014 oil price crash by cutting investment in oil and gas, especially in offshore projects, and increasing investment in wind power. Importantly, firms were more likely to invest in newer, higher‐capacity wind technologies when they could co‐locate these with existing offshore oil and gas assets. These findings suggest that firms facing industry shocks can redeploy resources into more promising sectors, but their propensity to do so may depend on the possibility of leveraging existing assets across domains.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».