Mesurer l'innovation : analyse textuelle computationnelle et Machine Learning appliqués aux startups, aux écosystèmes entrepreneuriaux et à la coopération Européenne

Cette thèse développe des nouvelles approches de mesure de l'innovation par l'analyse textuelle computationnelle et le machine learning appliqués à des bases de données textuelles et numériques. Le premier chapitre introduit un cadre de double mesure de la nouveauté des idées et des inventions de startups (LDA, Kullback-Leibler), montrant que la nouveauté ne fonctionne pas comme un signal uniformément positif. Le deuxième compare les déterminants de la levée de fonds dans trois écosystèmes (US, UE, MENA) par Random Forest et SHAP, introduisant le concept d'identité d'investissement. Le troisième évalue l'impact de l'Association COST (Horizon 2020) par une méthode mixte (bibliométrie, scoring NLP, entretiens), montrant que l'impact opère par la formation de réseaux. La thèse contribue au management de l'innovation et au marketing-stratégie sur les plans théorique (double nouveauté, congruence des signaux, identité d'investissement), méthodologique (KLD et SHAP en sciences de gestion) et managérial (calibration du positionnement concurrentiel des startups par écosystème).