MARC

 008260126s2025        us                              c    eng  d
■001000017360149
■00520260202105311
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265448866
■035    ▼a(MiAaPQ)AAI32284717
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a020
■1001  ▼aWang,  Max.
■24510▼aEssays  on  Collaborative  Innovation
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a109  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  A.
■500    ▼aAdvisor:  Kogut,  Bruce.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aThis  dissertation  examines  how  technological  and  policy  shifts  transform  collaboration  in  innovation  across  three  different  contexts:  healthcare,  commercial  space,  and  entrepreneurship.  Using  large-scale  empirical  data  and  advanced  econometric  methods,  I  demonstrate  how  individuals  and  organizations  can  leverage  technology  and  strategic  partnerships  to  accelerate  innovation  while  navigating  complex  market  dynamics.My  first  study  analyzes  the  impact  of  adopting  digitization  technology  on  scientific  collaboration  among  313,257  researchers  at  148  U.S.  teaching  hospitals.  Exploiting  the  staggered  implementation  of  Electronic  Health  Records  (EHR)  systems  as  a  quasi-experimental  shock,  I  find  that  digitization  increases  research  collaboration  by  6.1%  and  intellectual  diversity  of  teams  by  1.1%.  The  effect  is  24%  stronger  than  other  traditional  health  information  technology  (IT)  systems  such  as  data  management  software,  driven  by  improvements  in  data  interpretability,  and  doubles  when  collaborators  use  the  same  EHR  system  because  of  increased  data  shareability.  This  study  reveals  how  standardized  IT  infrastructure  can  unlock  collaborative  potential,  with  policy  implications  for  the  3.8  trillion  dollars  U.S.  healthcare  industry  and  the  innovation  of  medical  Artificial  Intelligence  (AI)  and  machine  learning  (ML).The  second  study  assesses  the  outcomes  of  NASA's  commercial  space  initiative  by  analyzing  the  scientific  and  economic  impacts  of  experiments  carried  out  onboard  the  International  Space  Station  (ISS).  Using  NASA's  launch  records,  I  constructed  a  novel  dataset  of  space  experiments  conducted  between  2001  and  2021.  Analyzing  the  publications  and  patents  resulting  from  these  experiments,  I  find  that  ISS-based  research  generates  63%  more  paper  and  82%  more  patent  citations  than  their  digital  twins-comparable  experiments  conducted  in  Earth  labs-controlling  for  confounding  factors  such  as  the  reputation  of  the  principal  investigator  and  the  publication  outlet.  However,  this  impact  diverges  sharply  between  public  and  private  research,  with  commercial  experiments  showing  limited  knowledge  spillovers.  These  findings  contribute  to  our  understanding  of  how  innovative  organizations  such  as  NASA,  academic  institutions,  and  high-tech  companies  responds  to  sudden  shifts  in  technological  and  policy  environments.  They  also  inform  the  design  of  public-private  partnerships  in  emerging  industries,  particularly  as  the  space  economy  is  projected  to  approach  $500  billion  by  2030.My  third  study  examines  how  high-tech  entrepreneurs  strategically  position  themselves  for  different  exit  outcomes.  Two  specific  outcomes  are  considered-acquisition  and  Initial  Public  Offering  (IPO),  given  that  more  than  90%  of  startup  entrepreneurs  exit  through  one  of  these  channels.  Applying  ML  methods  on  the  U.S.  federal  SBIR  program  data,  I  developed  an  "orientation  score"  that  isolates  a  firm's  positioning  toward  one  outcome  over  the  other  while  holding  its  underlying  quality  constant.  My  analyses  reveal  important  variation  in  orientation  associated  with  both  the  technological  specialty  of  firms  and  the  economic  environment  surrounding  them.  IT  firms  orient  40%  more  toward  collaborative  exits  via  acquisition,  while  biotech  firms  favor  the  more  competitive  path  through  IPO.  Regional  innovation  ecosystems  strongly  predict  these  strategies,  with  local  patenting  activity  increasing  acquisition  orientation  by  more  than  30%.Collectively,  these  three  studies  advance  our  understanding  of  how  organizations  adapt  to  technological  disruption  and  policy  change  to  create  value  through  collaboration.  The  findings  have  immediate  applications  for  healthcare  systems  implementing  digital  transformation,  government  agencies  designing  innovation  programs,  and  investors  evaluating  startup  strategies.  My  work  demonstrates  that  successful  innovation  increasingly  depends  not  on  isolated  brilliance  but  on  the  strategic  orchestration  of  collaborative  networks,  a  capability  that  determines  competitive  advantage  across  scientific  domains  and  industries.This  dissertation  contributes  methodologically  through  the  application  of  advanced  econometric  models,  such  as  the  staggered  difference-in-differences  estimators,  to  address  treatment  effect  heterogeneity,  the  use  of  ML  to  resolve  endogenous  selection,  and  the  construction  of  unique  datasets  linking  innovation  inputs  to  measurable  outcomes.  These  approaches  enable  rigorous  causal  inference  and  prediction,  allowing  me  to  address  important  questions  facing  the  production  of  scientific  knowledge  and  the  strategic  dynamics  within  innovation  ecosystems.
■590    ▼aSchool  code:  0054.
■650  4▼aInformation  science
■653    ▼aDigitization
■653    ▼aKnowledge  production
■653    ▼aTechnology  management
■653    ▼aDigital  transformation
■690    ▼a0454
■690    ▼a0723
■71020▼aColumbia  University▼bBusiness.
■7730  ▼tDissertations  Abstracts  International▼g87-06A.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360149▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서