Key drivers of green innovation in family firms: a machine learning approach
Notice bibliographique
Résumé
Purpose This study aims to find the key drivers of green innovation in family firms by examining firm characteristics and geographical factors. It seeks to develop a conceptual framework that explains how internal resources and external environments influence environmental innovation practices in these businesses. Design/methodology/approach Using machine learning (ML) methods, this study develops a predictive model for green innovation in family firms, drawing on data from 3,289 family businesses across 27 EU Member States and 12 additional countries. The study integrates the Resource-Based View (RBV) and Location Theory to analyze the impact of firm-level resources and geographical contexts on green innovation outcomes. Findings The results show that both firm-specific resources, such as size, digital capabilities, years of operation and geographical factors, like country location, significantly influence the likelihood of family firms engaging in environmental innovation. Larger, technologically advanced firms are more likely to adopt sustainable practices, and geographic location is crucial due to different regulatory environments and market conditions. Research limitations/implications The findings reinforce the RBV by showing the importance of firm-specific resources in driving green innovation and extend Location Theory by emphasizing the role of geographic factors. The study enriches the theoretical understanding of family businesses by showing how noneconomic goals, such as socioemotional wealth and legacy preservation, influence environmental innovation strategies. Practical implications Family firms can leverage these findings to enhance their green innovation efforts by investing in technology, fostering sustainability and recognizing the impact of geographic factors. Aligning innovation strategies with both economic and noneconomic goals can help family businesses improve market positioning, comply with regulations and maintain a strong family legacy. Originality/value This research contributes a new perspective by integrating the RBV and Location Theory to explore green innovation in family firms, highlighting the interplay between internal resources and external environments. It also shows the effectiveness of machine learning methods in predicting environmental innovation, providing deeper insights than traditional statistical techniques.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 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 ».