Value Creation in Platform Enterprises: A Fuzzy-Set Qualitative Comparative Analysis
Notice bibliographique
Résumé
Platform enterprises have emerged as one of the most popular business models in the era of knowledge economy. The success of platform enterprises relies on continuous value creation by constructing an efficient platform and attracting more users to participate in order to create more value for the users and by the users. This study is to explore the key factors that drive value creation in platform enterprises’ ecosystem to help better understand the management of platform enterprises as the knowledge-based entrepreneurial ventures in emerging markets. This study employs a newly emerged method—a fuzzy-set qualitative comparative analysis to empirically analyze the antecedent configurations of value creation for Chinese platform enterprises. This method extends qualitative comparative analysis by integrating fuzzy-sets and fuzzy-logic principles with qualitative comparative analysis principles, which offers a more realistic approach. This paper identifies different configurations for high and non-high levels of value creation in platform enterprises. The results show that continuous user commitment is crucial to creating positive value for Chinese platform enterprises, and active user participation and knowledge sharing as well as platform construction/improvement are the key elements that determine the platform enterprises’ value creation process. The results also demonstrate a hybrid value creation logic with efficiency and innovation in platform enterprises. This study further identifies an asymmetric causality in the Chinese platform enterprises’ value creation process that is crucial for knowledge sharing and effective management of platform enterprises. The findings can shed light on the strategic management of platform enterprises for emerging markets.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».