Start-ups’ scaling-up strategies at the regional periphery
Notice bibliographique
Résumé
Purpose Our understanding of the strategies that lead to the success of start-ups when they scale-up is limited when it occurs at the regional periphery. The main purpose of this study is to explore the specific strategies that start-ups employ to scale-up, specifically in contexts with high resource constraints at the regional periphery. Design/methodology/approach Analyzing the data from personal in-depth interviews with engineering and science start-up founders in peripheral regions of upstate New York USA bordering the Canadian Ontario, we explored a combination of internal and external strategies that start-ups employed to scale-up. Findings The study found that start-ups prioritize building internal scaling capacity in their human capital, organizational structure, scalable business model, finance and business ownership. To foster the scaling process further, start-ups develop new effective external strategies that target the business environment. Practical implications Policymakers and regional governments can use our research to develop more effective industrial policies for supporting start-ups’ growth and subsiding strategic industry clusters for rebooting new competition policy, which is a current debate in many industrialized economies including the US. This targeted regional industrial policy is specially needed when scaling-up at the regional periphery. Social implications Our study is specially need it when scaling-up at the regional periphery and with limited resources. Originality/value This study enriches our understanding of the growth of start-ups and small ventures by providing context-based insights into how firms build the capacity to scale-up in highly challenging and uncertain business environments in a peripheral bordering region between the USA and Canada. It also offers useful managerial and policy implications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| 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 | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».