Technological collaboration in the korean electronic parts industry: patterns and key success factors
Notice bibliographique
Résumé
This study empirically examines different patterns of collaborative technological development projects and the key success factors (KSFs), using data from 82 projects in the Korean electronic parts industry. The patterns of technological collaboration were categorized into 4 types by two contingency variables: development motive (technology–push or market–pull) and source of initiation (focal firm– or partner–initiated). The bivariate relationships revealed that project characteristics (technological complexity, demand certainty, and financial support of the government), partner characteristics (the level of trust with partners), and collaborative management practices (commitment of the focal firm, and information sharing in the collaboration process) appear to be different depending on the two contingency variables. Each type of collaborative R&D project also had different KSFs. While diverse characteristics like strategic importance, goal compatibility and information sharing with partners are critical for the success of technology–push projects, just only specificity of collaboration process and outcome appears important to the success of demand–pull projects. For focal firm–initiated projects, project characteristics are KSFs, whilst partner characteristics and collaboration management practice are found to be more critical for the success of partner–initiated projects. The findings suggest that the different contingencies such as development motive and source of initiation bring about different patterns of collaborative technology development projects, which in turn lead to a different set of KSFs, since different information, roles of partners and the focal firms, and collaboration management practices are needed to successfully implement the different types of projects. Based on empirical results, this study discusses managerial, policy, and theoretical implications for the collaborative R&D activities taking place in the Korean electronic parts industry.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».