MétaCan
Menu
Retour à la cohorte
Enregistrement W2530908379 · doi:10.5430/afr.v5n4p89

A Study on the Relationship between the Typology of Knowledge-Intensive Businesses (KIBs) and Performance Measurement Systems (PMS): Evidence from Taiwan

2016· article· en· W2530908379 sur OpenAlexvenueno aff
Cheng-Tsung Lu, Yeun-Wen Chang

Notice bibliographique

RevueAccounting and Finance Research · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Science and Technology, Taiwan
Mots-clésTypologyKnowledge managementBusinessConstruct (python library)Multivariate analysis of varianceCategorizationAbsorptive capacityComputer scienceMathematicsStatisticsGeography

Résumé

récupéré en direct d'OpenAlex

This study utilizes the source of knowledge (internal or external) to derive four types of knowledge-intensive businesses (KIBs): non-KIB, knowledge creator, knowledge introducer, and knowledge integrator. Moreover, this study investigates the differences among the four types of KIB in their organizational characteristics and performance measurement system (PMS). The proposed model is empirically evaluated using survey data collected from top or middle managers of 127 Taiwan companies i n which 109 companies are classified as KIBs. Based on the analysis of multiple regressions and MANOVA, the empirical results reveal that there are significant differences in the organizational characteristics and PMS among the four types of KIBs. There are three main contributions in this research: (1) we categorize the KIBs into four types by using the main source of internal or external knowledge in the companies. This typology of KIBs would contribute to our understanding of knowledge management. (2) This study uses environmental uncertainty, innovation strategy, size and absorptive capacity to construct the organizational configuration of different KIBs. (3) We find that there are significant differences among the four types of KIB in the financial or non-financial PMS. This study utilizes the source of knowledge (internal or external) to derive four types of knowledge-intensive businesses (KIBs): non-KIB, knowledge creator, knowledge introducer, and knowledge integrator. Moreover, this study investigates the differences among the four types of KIB in their organizational characteristics and performance measurement system (PMS). The proposed model is empirically evaluated using survey data collected from top or middle managers of 127 Taiwan companies i n which 109 companies are classified as KIBs. Based on the analysis of multiple regressions and MANOVA, the empirical results reveal that there are significant differences in the organizational characteristics and PMS among the four types of KIBs. There are three main contributions in this research: (1) we categorize the KIBs into four types by using the main source of internal or external knowledge in the companies. This typology of KIBs would contribute to our understanding of knowledge management. (2) This study uses environmental uncertainty, innovation strategy, size and absorptive capacity to construct the organizational configuration of different KIBs. (3) We find that there are significant differences among the four types of KIB in the financial or non-financial PMS.

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)0,004
score de la tête « metaresearch » (Gemma)0,016
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 enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
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 Opus0,248
Tête enseignante GPT0,342
Écart entre enseignants0,095 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting and Finance ResearchMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207