Platforms without borders? The international strategies of digital platform firms
Notice bibliographique
Résumé
Research Summary : Digitalization has enabled firms with so‐called platform business models to emerge in many sectors of the economy. By facilitating transactions between different groups of users (e.g., buyers and sellers), platform firms are disrupting industries around the world. However, little is known about the international strategies of platform firms, as research has mostly examined platforms in single‐country contexts. We address this gap by integrating insights from platform research in strategy and economics—specifically the notion of network externalities—with internalization theory. We extend the existing typology of network externalities by distinguishing between within‐country and cross‐country network externalities. We derive testable propositions regarding the foreign entry modes of platform firms, their international strategic posture (multidomestic vs. globally integrated), as well as foreign market selection criteria and market exit. Managerial Summary : Many companies in the digital economy operate platform business models, which create value by connecting different groups of users, such as buyers and sellers. We examine how network externalities—the notion that a platform becomes more valuable to each user as more users join—influence the international expansion of these firms. We show that it is important to consider the geographic scope of network externalities, that is, whether network externalities operate across national borders or whether platform firms have to create separate user networks in each country. The distinction between within‐country and cross‐country network externalities affects key internationalization decisions, such as how to enter foreign markets, whether to pursue multidomestic or global strategies, how to select foreign markets, and when to exit from a foreign market.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».