Start‐ups' use of knowledge spillovers for product innovation: the influence of entrepreneurial ecosystems and virtual platforms
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
Entrepreneurial ecosystems have been explored widely in entrepreneurship, management and social sciences literature. The Knowledge Spillover Theory of Entrepreneurship (KSTE) aims to uncover the effects of information on start‐ups co‐located in diverse locations, such as urban areas, science and technology parks, incubators, and accelerator programs. Extant research has focused on how entrepreneurs launch start‐ups and develop patents over a 5–10 years timespan from a regional perspective. However, studies into the development processes of start‐ups and the creation of entrepreneurial ecosystems in physical and virtual environments in high‐tech start‐ups, are limited. As a result, this paper aims to identify the development processes undertaken by high‐tech entrepreneurs at the individual level and evaluate the absorption and implementation of knowledge in physical and virtual clusters within entrepreneurial ecosystems. A multiple case study of 32 start‐ups that have attended incubator and accelerator programs in London, United Kingdom, is presented. Semi‐structured interviews were conducted with Chief Executive Officers (CEOs) and Founders of start‐ups to propose the Model of Knowledge Spillovers and Entrepreneurial Ecosystems. The themes identified during interviews highlight the mechanisms employed by start‐ups to capture tacit and explicit knowledge spillovers. Theoretically, the findings of this study contribute to the KSTE by questioning the flexibility of entrepreneurs to access knowledge without the limitation of geographical proximity to sources of knowledge. Practically, our findings provide entrepreneurs with proven mechanisms required to capture tacit knowledge spillovers within entrepreneurial ecosystems and use virtual platforms to obtain explicit knowledge spillovers towards product innovation.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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