MétaCan
Menu
Retour à la cohorte
Enregistrement W3149011689 · doi:10.5267/j.msl.2021.3.002

Knowledge management capability as an absorptive for driving innovation: The role of type of innovation

2021· article· en· W3149011689 sur OpenAlexvenueno aff
Muhamad Robith Alil Fahmi, Edy Yulianto

Notice bibliographique

RevueManagement Science Letters · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessCompetitive advantageKnowledge managementContext (archaeology)Absorptive capacityResource (disambiguation)Product innovationProcess (computing)Service (business)MarketingIndustrial organizationComputer science

Résumé

récupéré en direct d'OpenAlex

Knowledge-Based View as an intangible resource for the company will become the knowledge capability it possesses. Particularly in the context of SMEs in developing countries like Indonesia, SMEs have a big role in contributing to the country's economy. Therefore, knowledge capability is a resource that must be owned by SMEs that should be able to encourage adopting this type of innovation. In accordance with the basis of Knowledge-Based View, this knowledge will have an impact on company performance and its competitive advantage through the types of innovations that have been adopted. The quantitative method was used by distributing questionnaires totaling 120 SMEs in Indonesia and the data were processed using PLS-SEM. This study has a hypothesis that the relationship between knowledge management capability has a positive and significant effect on firm performance, as well as the mediating role of the type of innovation. The results in this study indicate that knowledge management capability does not have a significant effect on firm performance. However, the relationship between knowledge management capability shows that it has a significant effect on marketing, product, process, and service innovation. Discussions related to these results are also explained by implication factors in this study.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,777
Score d'incertitude au seuil0,423

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,009
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,267
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207