Impact of Knowledge Sharing and Leakage on Innovative Performance
Notice bibliographique
Résumé
Organizations share knowledge in order to achieve its strategic objectives and enhance innovative performance, most important business process and critical knowledge are subjected to unwanted leakage. This study focused on the aspects and concerns associated with knowledge sharing within and outside organizations. To achieve this objective, the study construct, validate, and test the structure equation modeling for knowledge sharing, knowledge leakage, and innovation performance. A survey was designed and the data were collected in 2015 from managers and owners of 600 industrial companies in KSA. The total responses were 276. Confirmatory factor analysis was used to validate the constructs, then subjected to structure equation modeling to test hypothesis. Model fit parameters indicated normal fit and suitability as the research model. Finding indicated that knowledge leakage negatively mediate the positive impact of knowledge sharing on innovation performance, and some of leakage may be beneficial and have a positive impact, especially when sharing knowledge with customers and competitors in order to develop market innovation. Theoretical implication supplement few empirical studies that shown knowledge leakage as mediator leads to minimize positive results of knowledge sharing. Since KSA recently began the transition to knowledge economy, where much of knowledge sharing occurs dramatically, the study provides analytical framework for Managerial and practical implication about important aspects of knowledge sharing, the method and measures proposed by this study allow organizations to map, formalize and measure their knowledge activities, model can be applied in corporate level to identify the specific impact among organizational units and company's networks.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».