MétaCan
Menu
Retour à la cohorte
Enregistrement W1979737344 · doi:10.1108/17511061311317282

Modes of innovation in the Canadian wine industry

2013· article· en· W1979737344 sur OpenAlexaffabout
David Doloreux, Tyler Chamberlin, Sarah Ben Amor

Notice bibliographique

RevueInternational Journal of Wine Business Research · 2013
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWine Industry and Tourism
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésVariety (cybernetics)OriginalityMarketingProduct (mathematics)BusinessGovernment (linguistics)Value (mathematics)WineTourismProduct innovationProcess (computing)Industrial organizationQualitative researchGeographySociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to investigate the sectoral variety and common patterns of innovation in the wine industry. It intends to explore the nature, extent and sources of variety of innovation in the Canadian wineries. Design/methodology/approach The data employed come from a firm‐level survey addressed to 146 wine establishments in Canada. Results were analysed using factor analysis and non‐parametric statistical analysis. Findings The results reveal wineries tend to introduce many innovation activities which are internalised or externalised, draw on a variety of different sources of information, with a clear distinction between market sources, government sources (laboratories, research centres) and educational establishments, and introduced different types of innovation, including product and process but also organisational innovation. Practical implications The results suggest individual wineries innovate differently, but within a limited number of fairly consistent modes. Originality/value There is presently no published research investigating the different modes of innovation with regards to the wine industry and the case of Canada can provide valuable insights to understand how innovation is developed and sustained in cool climate regions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,633
Score d'incertitude au seuil0,838

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,089
Tête enseignante GPT0,349
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Wine Business ResearchMême sujetWine Industry and TourismTravaux en français237 207