Entrepreneurship Ecosystems in Action: Regional Models for Innovation and Economic Transformation
Notice bibliographique
Résumé
Entrepreneurial ecosystems have emerged as a critical framework for explaining how regions foster innovation and achieve long-term economic transformation. While prior research highlights the importance of ecosystem elements such as finance, networks, and institutions, the pathways through which these systems generate macroeconomic outcomes remain contested, particularly in relation to institutional and policy contexts. This study develops and tests a moderated mediation model linking entrepreneurial ecosystems, innovation capacity, and regional economic transformation, with regional models, policies, and clusters as moderators. Data was collected from 200 ecosystem stakeholders, including entrepreneurs, incubator managers, executives, and policymakers, and analyzed using structural equation modeling with bootstrapped moderated mediation techniques. Results indicate that ecosystem quality significantly enhances innovation capacity and directly contributes to regional transformation. However, the mediating role of innovation capacity was weaker than anticipated and became significant only under high levels of supportive policy and cluster frameworks. These findings advance theory by demonstrating that ecosystems exert both direct effects on regional development and conditional indirect effects through innovation, thereby integrating ecosystem, innovation, and institutional perspectives. Practically, the study underscores the need for policymakers to invest not only in ecosystem infrastructure and networks but also in inclusive and coherent policy frameworks that enable innovation to translate into economic impact. The paper concludes by identifying limitations of the cross-sectional design and outlining avenues for future research on longitudinal ecosystem dynamics and contextual heterogeneity.
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 | 0,001 |
| 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 ».