Developing the Innovation Capabilities of SMEs: The Role of Intermediary Firms in Knowledge Ecosystems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Knowledge ecosystems drive growth by enabling firms to access diverse, specialized, and distributed resources from ecosystem members, allowing them to address complex product innovation challenges that would be difficult to tackle independently. This approach facilitates complementary value creation. However, small- to medium-sized enterprises (SMEs) encounter significant challenges within such ecosystems due to their limited size and limited resources. This article contributes to the extant studies on knowledge ecosystems by investigating how collaborations within these ecosystems enable SMEs to both explore and exploit knowledge, enhancing their innovation capabilities. Drawing on empirical data from 33 semistructured interviews and two focus groups involving multiple stakeholders (18 SMEs, 1 large firm, and 14 intermediary firms) from a knowledge ecosystem in Ostrobothnia, Finland, this article finds that knowledge cocreation through collaboration significantly improves SMEs’ technological and collaborative capabilities, leading to growth and market expansion. Intermediary firms play a dual role, going beyond knowledge brokering by providing capacity-building support that helps SMEs better contextualize and utilize external knowledge. This article advances both theoretical and practical understanding by demonstrating how intermediary firms function not only as facilitators but also as active capacity builders in the knowledge exploitation process. This nuanced understanding contributes to the ongoing discourse on ecosystem dynamics and SME innovation. From a practical perspective, SMEs should leverage core partners and intermediaries to address their inherent resource constraints and drive innovation performance. This approach enables them to expand their networks, codevelop technological solutions, and potentially secure future funding.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle