Local Open Innovation: How Spatial Closeness Facilitates Profiting from Distant Search
Notice bibliographique
Résumé
In this paper, we complement the dominant focus of open innovation (OI) research on global networks with a local perspective. Prior research has developed and evaluated multiple OI techniques and approaches to connect an innovating organization effectively with research institutions, entrepreneurs, academia, and firms from different industries, for example using the crowdsourcing mechanism. Yet, despite the fruitful access to a global network of knowledge sources and potential collaboration partners, firms face manifold barriers to profiting from such a distant search. Therefore, we propose a Local Open Innovation (LOI) approach, purposefully reducing the spatial distance between knowledge seekers and solution providers to balance between the benefits of distant search and local closeness. Spatial proximity, i.e. collaborative face-to-face group work and problem-solving experiences, positively affects trust within a local innovation network, increasing the chances for further collaborations after an initial crowdsourcing activity. Our research is grounded in an extensive, longitudinal qualitative study of several LOI event facilitated by a Canadian intermediary who developed and implemented a LOI approach. Our analysis finds that LOI can overcome innovation challenges of incumbent companies, stimulate creativity, foster distant search, and, as our findings show, in many cases lead to organizational development and change towards openness and new internal structures for innovation management.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 ».