The Interplay of Competency Diversity and Resilience in High-tech Companies
Notice bibliographique
Résumé
This study explores how competence diversity influences the resilience of small and medium-sized enterprises (SMEs) in high-technology industries, including mechatronics, aerospace, and automotive. Based on the theories of dynamic capabilities (Liu, Y., & Wang, J., 2024) and distributed innovation, the study demonstrates that companies with broader, interdisciplinary, and cross-sectoral competencies can better cope with external shocks, recover more rapidly, and respond effectively to changing industrial challenges. The findings indicate a growing need to move beyond linear innovation models, which conceptualise innovation as a unidirectional, internally driven process and adopt distributed competence-based approaches. At the centre of this research is the concept of cross-fertilisation, defined as a practice-driven form of cross-sectoral collaboration that enables the integration of different areas of knowledge to solve complex problems. This rethinking is particularly important for SMEs working in environments with high levels of technological uncertainty, where responsiveness, adaptability and innovation capacity are essential for competitiveness.The study highlights persistent gaps in comprehending how enterprises can effectively manage diverse competence sets and regulate collaborative innovation processes. Moreover, the authors raise new issues about the trade-offs between competence extensions and the structural conditions necessary to ensure sustainable interdisciplinary cooperation. The results of this study highlight practical issues for improving sustainability and innovation performance in industrial sectors.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».