Competitive vs coopetitive strategies: lessons from professional sport leagues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Over the past decades, analyses of the functioning of professional sport leagues have been done from various angles: economic, financial and sociological; in some cases, comparisons were made between North-American and European leagues. The purpose of this paper is to look at this reality from a different angle, i.e. human capital management, by showing how different the models from both continents are. Design/methodology/approach Based on an identification of the major elements associated to human capital management in professional sport leagues in North America and Europe, this paper compares competitive and coopetitive strategies using an original framework based on consortium sourcing and pooling dimensions. Findings The paper underlines the benefits that North-American professional sport leagues get from acquiring players using a consortium sourcing perspective (coopetition). In Europe, the most powerful clubs use their financial resources to get the best players; as a result, it is always the same clubs with get the best results (competition). In the long run, the European approach might result in less attractiveness to TV viewers, and less revenues for TV networks. Originality/value This paper helps to understand the differences between professional sport leagues in North America and Europe; it also discusses the risk associated to the adoption, without any adjustment in the human capital management, in Europe of the North-American model based on a coopetitive perspective. This dimension is seldom mentioned in articles dealing with professional sport leagues.
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.
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) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle