MétaCan
Menu
Retour à la cohorte
Enregistrement W2143849718 · doi:10.1002/smj.550

Niche width revisited: organizational scope, behavior and performance

2006· article· en· W2143849718 sur OpenAlexaff
Olav Sorenson, Susan K. McEvily, Charlotte Ren, Raja Roy

Notice bibliographique

RevueStrategic Management Journal · 2006
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Science Foundation
Mots-clésScope (computer science)Diversification (marketing strategy)NicheGeneralist and specialist speciesIndustrial organizationNiche marketBusinessMarketingCompetitive advantagePhenomenonComputer scienceEconomicsEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Although strategy research typically regards firm scope as a positional characteristic associated with performance differences, we propose that broad contemporary scope also provides insight into the routines that govern firm behavior. To attain broad scope, firms must repeatedly explore outside the boundaries of their current niche. Firms with broad niches therefore operate under a set of routines that repeatedly propel them into new market segments, expanding their niche. These niche expansions, however, involve risky organizational changes, behavior that disadvantages generalists relative to specialists, despite the positional value of broad scope. Empirical analyses of machine tool manufacturers and computer workstation manufacturers support this conjecture: (i) generalists introduce new products at a higher than optimal rate, thereby increasing their exit rates; and (ii) generalists also more frequently launch new models with novel features or targeted at new consumer segments rather than improving only incrementally on existing products, further accelerating their odds of failure. After adjusting for these behavioral differences, broad niche widths reduce exit rates, suggesting that they provide positional advantages. The paper discusses how this phenomenon may help to explain the diversification and multi‐nationality discounts. Copyright © 2006 John Wiley & Sons, Ltd.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,024
Tête enseignante GPT0,209
Écart entre enseignants0,185 · 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 source (Gemma direct ou Codex distillé), 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

Citations122
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStrategic Management JournalMême sujetFirm Innovation and GrowthTravaux en français237 207