Knowledge diffusion processes [Elektronische Ressource] : theoretical and empirical considerations / vorgelegt von Torben Alexander Klarl

De
Publié par

Knowledge Di usion Processes:Theoretical and EmpiricalConsiderationsInauguraldissertationzurErlangung des Doktorgradesder Wirtschaftswissenschaftlichen Fakult atder Universit at Augsburgvorgelegt vonDiplom-Volkswirt Univ. Torben Alexander KlarlAugsburg, im Juni 2009Erstgutachter: Prof. Dr. Horst HanuschZweitgutachter: Prof. Dr. Alfred Mau nerVorsitzender der mundlic hen Prufung: Prof. Dr. Fritz RahmeyerTag der mundlic hen Prufung: 23. Dezember 2009Fur meine Eltern und UnterstutzerContents1 Knowledge in economics 11.1 Basic considerations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2 Knowledge di usion, knowledge transfer and network e ects . . . . . . 31.3 Knowledge di usion and learning, rm size and market structure . . . . 51.4 Knowledge di usion, scale e ects and spatial proximity . . . . . . . . . 71.5 Knowledge di usion and spatial econometrics . . . . . . . . . . . . . . 111.6 Motivation for further research . . . . . . . . . . . . . . . . . . . . . . . 162 Knowledge di usion and the role of knowledge transfer: a stochastic ap-proach 222.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2 The Bass di usion model . . . . . . . . . . . . . . . . . . . . . . . . . . 242.3 Deterministic knowledge di usion model . . . . . . . . . . . . . . . . . 282.3.1 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.3.2 Solution . . . . . . . . . . . . . . . . . . . . . . . . . .
Publié le : jeudi 1 janvier 2009
Lecture(s) : 25
Source : D-NB.INFO/1010124269/34
Nombre de pages : 225
Voir plus Voir moins

Knowledge Di usion Processes:
Theoretical and Empirical
Considerations
Inauguraldissertation
zur
Erlangung des Doktorgrades
der Wirtschaftswissenschaftlichen Fakult at
der Universit at Augsburg
vorgelegt von
Diplom-Volkswirt Univ. Torben Alexander Klarl
Augsburg, im Juni 2009Erstgutachter: Prof. Dr. Horst Hanusch
Zweitgutachter: Prof. Dr. Alfred Mau ner
Vorsitzender der mundlic hen Prufung: Prof. Dr. Fritz Rahmeyer
Tag der mundlic hen Prufung: 23. Dezember 2009Fur meine Eltern und UnterstutzerContents
1 Knowledge in economics 1
1.1 Basic considerations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Knowledge di usion, knowledge transfer and network e ects . . . . . . 3
1.3 Knowledge di usion and learning, rm size and market structure . . . . 5
1.4 Knowledge di usion, scale e ects and spatial proximity . . . . . . . . . 7
1.5 Knowledge di usion and spatial econometrics . . . . . . . . . . . . . . 11
1.6 Motivation for further research . . . . . . . . . . . . . . . . . . . . . . . 16
2 Knowledge di usion and the role of knowledge transfer: a stochastic ap-
proach 22
2.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 The Bass di usion model . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Deterministic knowledge di usion model . . . . . . . . . . . . . . . . . 28
2.3.1 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.2 Solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.3 Stability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Stochastic knowledge di usion model . . . . . . . . . . . . . . . . . . . 36
2.4.1 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.2 Euler-Maruyama approximation . . . . . . . . . . . . . . . . . . 38
2.5 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.1 Simulation of deterministic knowledge di usion model . . . . . . 40
2.5.2 Simulation of stochastic knowledge di usion model . . . . . . . 42
2.6 Econometric Annotations . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
iContents
3 The impact of learning and knowledge di usion on industrial dynamics 49
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2 The basic model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.1 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.1.1 Market share evolution . . . . . . . . . . . . . . . . . . 55
3.2.1.2 Technological progress and market selection . . . . . . 57
3.2.1.3 Summary . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.2 Dynamic behaviour of the basic model . . . . . . . . . . . . . . 61
3.2.3 Stability analysis of the basic model . . . . . . . . . . . . . . . . 63
3.2.4 Simulation study of the basic model . . . . . . . . . . . . . . . . 68
3.3 Extension of the basic model: Learning and Knowledge Di usion . . . . 70
3.3.1 Integration of knowledge spillovers . . . . . . . . . . . . . . . . 71
3.3.2 In of learning aspects . . . . . . . . . . . . . . . . . . . 72
3.3.3 Simulation study of the extended model . . . . . . . . . . . . . 76
3.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5 Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.1 Appendix 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5.2 Appendix 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.3 Appendix 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.4 Appendix 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.5 Appendix 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.5.6 Appendix 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.5.7 Appendix 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4 The spatial dimension of knowledge di usion 100
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2 Theoretical model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2.1 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.2.2 Cellular Automaton . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2.3 Model simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 116
iiContents
4.2.4 Simulation results . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2.4.1 First order spatial in uence . . . . . . . . . . . . . . . 118
4.2.4.2 Second order spatial in uence . . . . . . . . . . . . . . 119
4.2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3 Empirical model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.3.2 Spatial weight . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.3.3 Higher order spatial in uence speci cation . . . . . . . . . . . . 126
4.3.4 Data and variables . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.3.5 A rst hint for spatial knowledge di usion: a descriptive view . 135
4.4 Spatial model estimation . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.4.1 Initial model estimation . . . . . . . . . . . . . . . . . . . . . . 146
4.4.2 Expansion of the initial model . . . . . . . . . . . . . . . . . . . 151
4.4.3 Interpretation of obtained results . . . . . . . . . . . . . . . . . 164
4.5 Spatial ltering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
4.5.1 Concept of the ltering approach . . . . . . . . . . . . . . . . . 165
4.5.2 Eigenvector computation . . . . . . . . . . . . . . . . . . . . . . 167
4.5.3 Spatial ltering estimation . . . . . . . . . . . . . . . . . . . . . 167
4.5.4 Interpretation of simulation results . . . . . . . . . . . . . . . . 170
4.6 Policy implications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
4.8 Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.8.1 Appendix 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.8.2 Appendix 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
4.8.3 Appendix 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.8.4 Appendix 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
iiiContents
4.8.5 Appendix 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
4.8.5.1 Autocorrelation estimates . . . . . . . . . . . . . . . . 182
4.8.5.2 Raftery-Lewis diagnostics . . . . . . . . . . . . . . . . 182
4.8.5.3 Geweke diagnostics . . . . . . . . . . . . . . . . . . . . 183
24.8.5.4 Geweke- test . . . . . . . . . . . . . . . . . . . . . . 183
4.8.6 Appendix 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
5 Conclusions 189
5.1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.2 Prospects for future research . . . . . . . . . . . . . . . . . . . . . . . . 195
ivList of Tables
2.1 Stability analysis of obtained equilibria from system 2.11 (I) . . . . . . 34
2.2 Stability analysis of obtained from system 2.11 (II) . . . . . . 34
2.3 Parameter values for system 2.11 . . . . . . . . . . . . . . . . . . . . . 41
3.1 Learning curve parameter setting . . . . . . . . . . . . . . . . . . . . . 77
3.2 Returns to scale scenarios for basic model simulation . . . . . . . . . . 83
3.3 Parameter setting for basic model simulation . . . . . . . . . . . . . . . 83
4.1 Parameter setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2 List of German NUTS-2 regions . . . . . . . . . . . . . . . . . . . . . . 130
4.3 Table of descriptive statistics (I) of variables used for the analysis . . . 136
4.4 Table ofe (II) of variables used for the analysis . . . 137
4.5 Variables scatter plot of correlation coe cients . . . . . . . . . . . . . . 137
4.6 Results of OLS estimation for German NUTS-2 regions . . . . . . . . . 150
3 pos4.7 MC a posteriori model probabilitiesp for variants of model (4)[SEM(1)]159u
4.8 Estimation results for German NUTS-2 regions . . . . . . . . . . . . . 161
4.9 Spatial ltering of exogenous variables X . . . . . . . . . . . . . . . . . 168
4.10 Spatial ltering of labour productivity y . . . . . . . . . . . . . . . . . 169
4.11 Comparison of selected models . . . . . . . . . . . . . . . . . . . . . . . 182
4.12 MCMC-convergence summary for model (4,1) . . . . . . . . . . . . . . 185
4.13vergence for model (4,2) . . . . . . . . . . . . . . 186
4.14 MCMC-convergence summary for model (4,3) . . . . . . . . . . . . . . 187
4.15vergence for model (4,4) . . . . . . . . . . . . . . 188
vList of Figures
2.1 Phase plot of model 2.11 (I) . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2 Phase plot of model 2.11 (II) . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3 Graphical representation of simulated model 2.11 with q = 0:07 . . . . 4312
2.4 representation of simulated model 2.12 with q = 0:07 . . . . 4412
2.5 Graphical representation of simulated model 2.12 with q = 0:00 . . . . 4512
2.6 representation of simulated model 2.11 with q = 0:99 . . . . 4612
3.1 One-dimensional sigmoid learning curve . . . . . . . . . . . . . . . . . . 73
i3.2 P [ = 1] expressed by and t . . . . . . . . . . . . . . . . . . . . . . 74it
i3.3 P [ = 1] by and t . . . . . . . . . . . . . . . . . . . . . . 75it
3.4 Some realizations of the stochastic sigmoid learning curve . . . . . . . . 75
3.5 CRS impulse responses for the basic model . . . . . . . . . . . . . . . . 84
3.6 IRS impulse responses for the basic model . . . . . . . . . . . . . . . . 85
3.7 DRS impulse responses for the basic model . . . . . . . . . . . . . . . . 86
3.8 DRS impulse responses for the extended model . . . . . . . . . . . . . . 88
3.9 DRS impulse responses for the model . . . . . . . . . . . . . . 89
3.10 DRS impulse responses for the extended model . . . . . . . . . . . . . . 90
3.11 DRS impulse responses for the model . . . . . . . . . . . . . . 91
3.12 IRS impulse responses for the extended model . . . . . . . . . . . . . . 93
3.13 IRS impulse responses for the model . . . . . . . . . . . . . . 94
3.14 IRS impulse responses for the extended model . . . . . . . . . . . . . . 95
3.15 CRS impulse responses for the model . . . . . . . . . . . . . . 97
3.16 CRS impulse responses for the extended model . . . . . . . . . . . . . . 98
3.17 CRS impulse responses for the model . . . . . . . . . . . . . . 99
4.1 Representation of (vN) and (M) neighbourship relations with (r = 1) . 114
viList of Figures
Y4.2 Evolution of Gini-coe cient and spatial correlation of for DRS and
AL
r = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Y4.3 Evolution of Gini-coe cient and spatial correlation of for CRS and
AL
r = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Y4.4 Evolution of Gini-coe cient and spatial correlation of for IRS and
AL
r = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Y4.5 Evolution of Gini-coe cient and spatial correlation of for DRS and
AL
r = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Y4.6 Evolution of Gini-coe cient and spatial correlation of for CRS and
AL
r = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Y4.7 Evolution of Gini-coe cient and spatial correlation of for IRS and
AL
r = 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.8 Spatial distribution of V (I) . . . . . . . . . . . . . . . . . . . . . . . . 138
4.9 Spatial of V (II) . . . . . . . . . . . . . . . . . . . . . . . . 139
4.10 Scatter plot of variables used in the analysis . . . . . . . . . . . . . . . 140
4.11 Computation of Moran‘sI with corresponding p-values for dependent
and independent variable for r = 1 . . . . . . . . . . . . . . . . . . . . 142
4.12 Computation of Moran‘sI with corresponding p-values for dependent
and independent variable for r = 2 . . . . . . . . . . . . . . . . . . . . 143
X ++4.13 Density plots of estimated

Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.