Information technology-enabled explorative learning and competitive performance in industrial service SMEs: a configurational analysis
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 As purveyors of knowledge-based and high value-added services to the manufacturing sector, industrial service small- and medium-sized enterprises (SMEs) must develop the information technology (IT) capabilities that, in combination with other non-IT capabilities, enable their capacity for organizational learning (OL) and for explorative learning in particular. In this context, this study aims to identify the different causal configurations that account for the nonlinear complex interplay of IT capabilities for exploration and strategic capabilities for explorative learning as they affect these firms’ competitive performance. Design/methodology/approach Survey data obtained from 92 industrial service SMEs were analyzed with a configurational approach, using fuzzy set qualitative comparative analysis (fsQCA). Findings As it allows for equifinality, the fsQCA analysis identified two sets of causal configurations that characterize the sampled firms’ explorative learning capability as it relates to competitive performance. In the first set, two configurations were equally associated with high innovation performance, whereas in the second set, four configurations were equally associated with high productivity. Originality/value By viewing explorative learning as a dynamic capability that is enabled by the firm’s IT and strategic capabilities, the study contributes to OL theory by providing a more concrete or “operational” grounding, which allows for a greater practical applicability of this theory. By taking both the configurational and capability-based views of the OL-IT-performance causal framework, the authors provide an empirical basis for unraveling, explaining and understanding the complex non-linear relationships embedded within this framework.
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 | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 | 0,000 |
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