Manufacturing in Industry 4.0: A Scoping Review of Open Innovation Practices and Future Research
Notice bibliographique
Résumé
The Fourth Industrial Revolution (Industry 4.0), first introduced in 2011, has enabled manufacturing firms to integrate smart, technology-driven processes into their Product Development (PD) lifecycles. At the same time, advancements and increased acceptance of web-based platforms have enabled manufacturing leaders to leverage open innovation practices. This approach provides firms with access to pools of external knowledge and skills, accelerating their product innovation and enabling faster responses to market and consumer demands. This paper aims to examine the literature on open innovation in manufacturing, in the context of the Industry 4.0 era (i.e., since its widespread acceptance in 2014) and provides directions for future study. Through a scoping review of 891 papers collected from the Web of Science (WoS) database covering 2014-2023, co-occurrence analysis was performed using the VOSviewer software. By following this approach, four main themes were identified i.e., innovation management practices, performance measurement, strategic challenges, and the balance between innovation exploration and exploitation. Findings demonstrate a shift among firms towards collaborative and externally inclusive innovation. This study highlights several research gaps and provides practical insights for manufacturing leaders on the opportunities and barriers to open innovation adoption, outlining the importance of absorptive capacity and a balanced innovation strategy. Recommendations for future research include empirical studies on open innovation’s long-term impacts, cross-industry comparisons, and how technological advancements can be integrated into innovation strategies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».