Notice bibliographique
Résumé
Abstract Research Summary What human capital do established organizations need to bring new ideas to market? Combining Danish registry and Community Innovation Survey data, we document a robust positive relationship between hiring former founders and firms' sales from innovation. Entrepreneurs join smaller, younger firms (which exhibit larger effects), managerial skills and external industry founding experience matter, while other selection or human capital‐based explanations appear muted. Founder hires especially enhance innovation when given middle management decision rights, for incremental offerings, and in innovation‐active firms. Our collective findings indicate startup experience equips founders with a generalist ability to acquire and mobilize resources around new ideas. By clarifying the nature of entrepreneurial human capital, we highlight a novel innovation input that helps firms unlock its commercial value. Managerial Summary As entrepreneurial careers proliferate, former founders represent a growing pool of potential employees with expertise in bringing new products and services to market. Can hiring entrepreneurs help established organizations enhance innovation? Using data from Denmark, we answer this question affirmatively and offer several explanations. Former founders gravitate towards younger, smaller established firms, where effects are stronger; they also bring valuable managerial skills and external industry founding experience. Notably, they generate more value when given broader authority as middle managers, for less obvious resource combinations, firms already active in innovation or research and development, and higher uncertainty contexts. Taken together, our findings suggest former founders' distinct combination of skills helps firms marshal resources around new offerings.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».