Impacts des dépenses en recherche et développement sur la fonction de production et l'efficience des entreprises canadiennes et américaines du secteur manufacturier
Bibliographic record
Abstract
Dans notre société, la performance et l'efficacité sont des aspects importants. Les entreprises ont intérêt à accroître leur efficacité rapidement, si elles veulent suivre le rythme de croissance entraîné par l'ouverture des marchés. Un des moyens disponibles est de parfaire leurs procédés de fabrication et leurs connaissances avec la recherche et développement. Des milliards de dollars sont dépensés et subventionnés, à chaque année, à cette fin. Cependant, ce type de dépense a-t-il vraiment un impact important sur l'efficacité et la productivité des entreprises? Cet impact varie-t-il d'un secteur d'activité à l'autre? Nous avons tenté de répondre à ces questions de plusieurs façons, selon différentes méthodes. Tout d'abord, en utilisant l'approche DEA (Data Envelopment Analysis), nous avons observé la modélisation de la fonction de production de nos échantillons. L'inclusion de la variable de recherche et développement, dans notre modèle, a entraîné l'obtention d'une fonction de production incluant plus d'unités optimales et rehaussant l'efficacité de l'échantillon, en général. Le fait d'omettre cette variable sous-estimerait donc l'efficacité des entreprises. Par la suite, nous avons observé les rendements d'échelle obtenus avec et sans variable de recherche et développement. Encore ici, l'ajout de la R&D amenait un plus grand nombre d'entreprises vers les rendements d'échelle constants, entre autres mots, vers l'optimalité. Enfin, nous avons étudié le prix implicite de la recherche et développement. Cet indice nous permet de voir si les unités sont sous ou sur capitalisées. Un résultat intéressant est que, dans plusieurs cas, les unités sont sur capitalisées et auraient avantage à désinvestir en recherche et développement, afin d'améliorer leur efficacité. \nEnsuite, nous avons utilisé la méthode Tobit, afin d'évaluer les déterminants de l'efficacité des unités étudiées. En effectuant diverses estimations, nous avons obtenu que la R&D avait un impact positif, bien que faible, sur l'efficacité totale. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Recherche et développement, Productivité, Efficacité, Data envelopment analysis, Secteur manufacturier.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".