The role of effectuation and causation for SME survival amidst economic crisis
Notice bibliographique
Résumé
Purpose Economy-wide crises create major challenges for small and medium enterprises (SMEs). Existing studies emphasize the crucial role of contrasting behavioral strategies, effectuation and causation in SMEs' adaptation to crisis conditions. Yet, prior literature concentrated predominantly on exploring the impact of effectuation and causation on firm performance rather than survival. The authors present and empirically test a theoretical model explaining how behavioral strategies affect SME survival during an economy-wide crisis under different levels of environmental dynamism. Design/methodology/approach The authors propose a theoretical framework based on the combination of the effectuation literature and the emerging variance-based perspective on entrepreneurial actions. The theoretical model is then tested using a sample of Russian SMEs during a period of economic adversity and recovery (2015–2019). Findings The empirical results reveal that causation reduces the probability of firm survival in dynamic environments, while effectuation increases the chance of survival irrespective of the state of the environment. In a nutshell, the study provides evidence that the effectuation logic serves a viable way for SMEs to increase the chances of survival through the economic shock and subsequent recovery period. Originality/value For the first time in the literature, the authors demonstrate the role of behavioral strategy (effectual and causal) as a crucial antecedent of SME survival in the short and medium term, particularly during an economy-wide downturn. Furthermore, the study demonstrates the power of variability-based theorizing for explaining and predicting the survival/failure implications of entrepreneurial actions.
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 | 0,002 | 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 ».