18 University Entrepreneurial Ecosystems: Exploring Digitalization in University Incubators
Notice bibliographique
Résumé
Universities collaborate with governments (local, regional, provincial, and federal) and industrial partners to help their students and faculty members to develop new ventures and commercialize innovations via various entrepreneurship programs. Within university entrepreneurial ecosystems (UEEs), many entities promote entrepreneurial activities. Digitalization has facilitated collaboration within the different entities of UEEs and helped entrepreneurs to access critical resources. University incubators (UIs) are a key driver of UEEs to help entrepreneurial activities led by students and faculty members to be successful. In this study, first we explore the UEEs by highlighting the different entities associated with the UIs. Next, using the business model canvas (BMC), we present a university incubator BMC (UIBMC) that provides a comprehensive map of the value creation activities for customers, partners, and other stakeholders. The UIBMC can help UI managers refine and optimize their processes and unique services to customers (e.g., incubatees). Finally, we provide examples of the role of digital technologies in key activities of UIs. Incubator managers can strategically use these technologies to not only improve their internal operations but also to connect seamlessly with UEEs to enhance their roles as regional innovation hubs. We use a multiple case study approach and provide in-depth analyses and supporting data collected from Canadian UIs. We provide theoretical and practical insights to enrich the UEE literature and integrate it with the literature on digital entrepreneurship.
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 | 0,000 | 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 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».