The moderating role of previous venture experience on breadth of learning and innovation and the impacts on SME performance
Notice bibliographique
Résumé
Purpose The purpose of this paper is to investigate the moderating role of previous venture experience on the relationship between learning breadth and innovation breadth, defined as the range of innovation types within a firm, and the impacts on SME performance. Design/methodology/approach A theoretical model was developed, and hypotheses were tested using step-wise multivariate regressions on survey data from 509 North American SME respondents. Findings The results demonstrate that the previous venture experience of a firm's top management plays a key role in enhancing the innovation breadth for a given level of learning breadth. There is a curvilinear relationship between innovation breadth and learning breadth, and increases in innovation breadth lead to increases in firm performance. Practical implications The results indicate that organizations seeking higher performance returns by expanding their breadth of innovations need parallel attention on higher learning breadth in order to adequately capture the value from this broader set of innovations. Originality/value The paper contextualizes learning and innovation in the SMEs and argues that the consideration of diversity (breadth) of learning and innovation can help us understand their performance implications across industries. It also extends the effect of previous venture experience (PVE) of the leadership team in explaining performance. Beyond their ability to address external factors, PVE has a moderating effect on the relationship between learning and innovation breadth across the organization. Previous venture experience serves as both a guide and catalyst for investments in learning activities that lead to a broader range of innovation activities across the firm.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».