Time to come back: the effects of export market re-entry and time-out period on innovation
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine how exporters’ time-out periods and re-entry to various export areas impact their knowledge stock and capacity to learn from foreign markets. Design/methodology/approach This paper introduces the concept of innovation divergent export areas (IDEXAs), which refers to a group of countries with relatively similar average levels of innovation capabilities (intra-area homogeneity), and different from other areas (inter-area heterogeneity), as measured by their R&D expenditures over gross domestic product (GDP). This paper tests the hypotheses on a longitudinal sample of Spanish manufacturing companies that exported to different IDEXAs from 1990 until 2016. Findings The findings suggest a positive effect of IDEXA re-entry on new product and process introductions and a negative impact of a time-out period of four or more years for those export areas with higher innovation levels. Practical implications Re-internationalization offers exporters the opportunity to reuse the knowledge gained in prior exporting episodes to increase their chances of success. Hence, it is important that managers make sense of the potentially damaging exit experience, to avoid repeating the same mistakes and perform better the next time around. Originality/value This study investigates for the first time the effects of re-entry to specific export areas on exporters’ capacity to increase their innovation output. Hence, it contributes to the international business literature by examining the performance consequences of companies’ re-internationalization, a key and under-researched topic. Furthermore, most studies focus on full withdrawal from foreign markets and ignore the more common microscopic decisions concerning withdrawing from one or more export areas.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».