Taille de l'usine, nationalite et changement de propriete
Bibliographic record
Abstract
Dans ce document, nous cherchions à savoir si ce sont les synergies ou la discipline de gestion qui opère différemment sur les grandes et les petites usines pour influer sur la probabilité qu'ait lieu des fusions. Les résultats indiquent que les caractéristiques qui fournissent le genre de synergies sur lequel s'appuient les changements de propriété sont des facteurs importants donnant lieu à des changements de propriété d'usine dans la plupart des catégories de taille. Cependant, l'importance de l'effet varie selon la catégorie de taille d'usine, les synergies étant plus importantes dans les usines de grande taille. Les usines sous contrôle étranger sont plus susceptibles de faire l'objet d'une prise de contrôle dans toutes les catégories de taille. En outre, les taux effectifs de changement de contrôle diffèrent beaucoup plus dans les catégories de petites tailles que de grandes tailles d'usine. Comparativement aux usines sous contrôle canadien, les usines de multinationales contiennent, dans les catégories de petite taille, une quantité relativement plus importante de capital incorporel du type qui en fait des moyens intéressants de transmission de nouvelles connaissances par la voie d'une prise de contrôle.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".