Technological intensity as a moderating variable for the intellectual capital–performance relationship
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
Abstract The purpose of this study is to provide empirical evidence of the moderating influence of technology intensity on the relationship between intellectual capital (IC) and corporate performance in Italian small‐ and medium‐sized enterprises (SMEs). An empirical analysis was developed for the period 2012–2016 and included 62,849 Italian SMEs. Data were collected from the AIDA database (Bureau Van Dijk—A Moody's Analytics Company), and the sample was composed of high‐tech, medium‐high‐tech, medium‐low‐tech, and low‐technology manufacturing firms, according to the “Classification of Manufacturing Industries by Technological Intensity,” as defined by the OECD. The empirical results highlight that profitability is significantly and positively affected by financial and physical capital efficiency and by human capital efficiency (HCE), but the effect of HCE is weak, and the structural capital efficiency has a negative effect on corporate performance. The time variables positively affect corporate performance, with the highest coefficient in 2016. Additionally, technology intensity reinforces the positive effect of HCE on firm performance: the higher the technological intensity, the higher the positive impact of HCE on corporate performance. The managerial implications are relevant; in fact, tangible, financial, and current assets (employed capital) represent the principal lever of performance for managers in technology sectors. The negative effect of structural capital could be caused by inefficient use of this resource, or the employed variable could not be adequate to effectively measure this IC component. It is necessary for managers to appreciate technological intensity as a contingency variable affecting the IC–performance relationship.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle