Cluster genesis technology-based industrial development
Notice bibliographique
Résumé
Clusters - regional concentrations of related firms and organizations - are seen as being an important element of economic growth and innovation. But there is little understanding of how clusters come into existence, and little guidance provided on the role of policies that are conducive to the formation of clusters. Cluster Genesis focuses on these early origins of clusters. The case histories of well-known, established clusters, as well as more recently-developed clusters are discussed, including: DT The Hollywood motion picture cluster, DT Silicon Valley, DT Boston and San Francisco biotech regions, DT The Biotech industry in China, DT Medicon Valley in Scandinavia, DT The Irish ITC sector. Leading scholars contribute chapters examining cluster genesis, the divergent processes by which clusters arise, how multinationals contribute to cluster development, and how economic development policy may promote or hinder cluster genesis. Cluster Genesis uses a variety of methodological perspectives, examines a range of policy options, and draws on a number of rich case histories, and will be key reading for academics, researchers, and students of Economics, Innovation, Sociology, Geography, and Management Studies, as well as economic development officials and policy makers. Contributors to this volume - Frank Barry, University College Dublin David Wolfe, Centre for International Studies, University of Toronto Mario Maggioni, DISEIS (Dept. of International Economics, Institutions and Development) and Faculty of Political Science, Catholic University of Milan Luigi Orsenigo, University of Brescia and Cespri, Bocconi University, Milan, Italy Elaine Romanelli, McDonough School of Business Georgetown University Allen Scott, Department of Policy Studies and Department of Geography, UCLA Martin Kenny, Department of Human and Community Development University of California, Davis & Senior Project Director Berkeley Roundtable on the International Economy Morris Teubal, Economics, the Hebrew University, Jerusalem Martha Prevezer, School of Business and Management, Queen Mary College, University of London. Meric Gertler, Centre for International Studies, University of Toronto Maryann Feldman, Rotman School of Management University of Toronto Bo Carlsson, Weatherhead School of Management Case Western Reserve University Jason Owen-Smith, University of Michigan Walter Powell, Stanford University & Santa Fe Institute
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 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 ».