MétaCan
Menu
Retour à la cohorte
Enregistrement W2322984844 · doi:10.1177/0149206315610635

An Assessment of Resource-Based Theorizing on Firm Growth and Suggestions for the Future

2015· article· en· W2322984844 sur OpenAlexafffund
Robert S. Nason, Johan Wiklund

Notice bibliographique

RevueJournal of Management · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensConcordia University
Organismes subventionnairesFonds de Recherche du Québec-Société et Culture
Mots-clésConceptualizationExtant taxonResource-based viewResource (disambiguation)ExploitConstruct (python library)Dynamic capabilitiesKnowledge managementSociologyManagementComputer scienceEconomicsCompetitive advantageArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Together, Penrosean and Barnean resource-based logic make up the dominant theoretical approach to understanding firm growth. While extant literature focuses on a common lineage between Penrosean theory and the resource-based view (RBV), we explicate divergence at these origins of resource-based theorizing and subject the growth implications of each to meta-analytic testing. RBV’s central tenets concern resources that meet valuable, rare, inimitable, and nonsubstitutable (VRIN) criteria, while Penrose’s theory discusses the versatility of resources. Theoretically, VRIN resources allow firms to exploit unique opportunities, while versatile resources allow firms to recombine resources in novel ways to create growth. Using meta-analytic techniques, we find that versatile resources are associated with higher levels of growth, whereas VRIN resources are not. We offer novel insights into alternative characteristics of resources derived from the same conceptualization of the firm, add greater specificity to the performance construct, and open up avenues for new theorizing on firm growth that is more closely aligned with Penrose’s theory.

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)0,049
score de la tête « metaresearch » (Gemma)0,085
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,261

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0490,085
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0220,020
Études des sciences et des technologies0,0030,012
Communication savante0,0110,026
Science ouverte0,0050,006
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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 Opus0,025
Tête enseignante GPT0,298
Écart entre enseignants0,273 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

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

En bref

Citations494
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of ManagementMême sujetInnovation and Knowledge ManagementTravaux en français237 207