Knowledge management and SMEs’ digital transformation: A systematic literature review and future research agenda
Notice bibliographique
Résumé
This study aims to identify and explain different collaborative approaches, delineate external actors' roles, and examine the interplay between knowledge exploration and exploitation processes for digital transformation. We conducted a search of academic papers using research terms such as “Digital*, Digital transfor*, industry 4.0 (I4.0), industry 5.0, knowledge exploration, knowledge acquisition, ecosystem collaboration*, knowledge networks, and open innovation” in both the Scopus and Web of Science databases. Altogether, 108 papers met the criteria (e.g., ABS 2 & 2+ ranking of journals, only journal papers, and focusing on small- and medium-size enterprises (SMEs) digital transformation) for conducting a systematic literature review in this research. The results indicate that external actors play specific roles in supporting SMEs' digital transformation. We found that customers and suppliers push and encourage SMEs in their digital transformation, while coopetition can elicit greater technological benefits for SMEs with close technological and economic proximity. Intermediaries provide knowledge-brokering services, facilitate innovation processes, and enable technology transfer and capacity-building for SMEs’ digital transformation. Government initiatives, such as favorable policymaking and financial support, are important in promoting and facilitating a collaborative environment for technology development among SMEs. This study’s results present two distinct collaborative mechanisms that SMEs can utilize for digital transformation: (I) core value chain and network actors’ collaborations, which provide linear processes for knowledge exploration and exploitation, and (II) ecosystem and innovation platform-based collaborations, in which SMEs adopt the ambidextrous approach as a nonlinear process for knowledge exploration and exploitation for digital transformation. Certain organizational-level factors (organizational capabilities, micro-foundations, operational capabilities, organization strategies, and culture) are important for SMEs’ knowledge exploitation in digital transformation. The study also presents an integrated framework and offers directions for future research and important insights for practitioners.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,019 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».