Adaptive practices in SMEs: leveraging dynamic capabilities for strategic adaptation
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 A global pandemic, broken supply chains, workforce constraints, technological advancements in artificial intelligence, etc. illustrate the continual threats that SMEs face. Extending the dynamic capability concepts of sensing, seizing and transforming, this research investigates practices by which SMEs successfully adapt over time. Design/methodology/approach A comparative case study method was employed using a purposive sample of SMEs, consisting of three American firms and one Canadian firm. Findings Three sets of organizational practices, termed adaptive practices, that underlie dynamic capabilities for successful adaptation were identified: (1) continuous learning and process improvement, (2) leveraging reciprocal relationships and (3) communicating effectively. Research limitations/implications The selected cases are from two countries in North America. Using a qualitative, inductive process, the authors are able to identify patterns of actions within various organizations; however, they are not able to establish causality. Practical implications This study provides practical guidance for leaders to take action to improve their SME's dynamic capabilities for adaptation through creating coherent bundles of specified adaptive practices. Social implications Better understanding of how SMEs successfully adapt to high uncertainty and business viability threats can result in multidimensional (e.g. financial, emotional) and multi-level (individual, family, community), positive outcomes for societal stakeholders. Originality/value The findings of this study build on the literature of dynamic capabilities and organizational practices and provide a practical foundation for effective adaptation, labeled as adaptive practices.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 | 0,000 |
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