Collaborating with Competitors: How Do Small Firm Accounting Associations and Networks Successfully Manage Coopetitive Tensions?*
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 “coopetition” paradox exists when two or more organizations are simultaneously involved in cooperative and competitive interactions. In the accounting industry, small firms encounter coopetition when they align themselves with other independent firms to form accounting associations and networks (AANs). AANs are a type of interorganizational relationship (IOR) that provide opportunities for member firms to collaborate by sharing important resources such as expertise, best practices, and manpower. However, member firms also compete in the marketplace for clients and human capital, which incentivizes uncooperative and opportunistic behavior. If managed inadequately, coopetitive tensions can significantly hamper AAN benefits and may lead to IOR failure. Given the considerable longevity of AANs, we interview 42 high‐level accounting professionals to understand AANs' apparent successful management of these tensions. Leveraging coopetition and IOR theory, our analysis suggests that transactional mechanisms (contractual agreements, organizational structure, selection/monitoring processes) and relational mechanisms (trust, social ties, reciprocity) play key roles in encouraging healthy cooperation and competition among member firms. One of our main conclusions is that these mechanisms contribute to AAN success because they are leveraged comprehensively across each IOR life cycle phase, and they are mutually reinforcing, with transactional mechanisms providing the foundation to inspire confidence and encourage the development of relational mechanisms. Our research enriches existing accounting and coopetition literature, provides a new perspective for AANs, and responds to calls to understand key factors of IOR success.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle