Antecedents and processes leading to open innovation in SMEs
Notice bibliographique
Résumé
Open Innovation (OI) literature related to Small and Medium Enterprises (SMEs) has often been fragmented, hindering the effective generalisation of findings. We conducted a systematic multidisciplinary literature review to explore OI in the context of SMEs across various regions. OI research in SMEs was most common in Europe, followed by China, Korea, South East Asia, Africa, South America and the Middle East. Surprisingly, very little research has been done in the USA, Canada, and the Indian subcontinent. We aimed to identify the commonalities and regional specifics in the antecedents and processes leading to OI. The review included one hundred research articles from the Web of Science database. Our findings revealed four common antecedents of OI across the firms: Human Factors, Technology, Policy, and Heterogeneity.Additionally, we identified three standard processes that lead to the OI phenomenon: firm-level partnerships, collaboration with academia, and intermediation. Though the antecedents and processes hold across firms of different sizes, human factors, policy and heterogeneity among the antecedents and intermediation as the process holds more significance to the SMEs as a sector. This research has important implications for academia and the industry. Firstly, we have responded to the research gap by increasing the generalisation of results across the regions. Secondly, different stakeholders may look for literature that is directly relevant to them. Thirdly, SME managers need to know the specific attitudes to facilitate OI effectively. Fourthly, the importance of intermediation has been identified as an effective process leading to OI. Finally, we have categorised future research directions under different clusters.
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 | 0,030 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,033 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 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 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 ».