Consulting Service Adoption Among Small Service Businesses: A DOI-RBV Perspective
Notice bibliographique
Résumé
Consulting, in its various forms, supports the survival, development, and competitiveness of small businesses. While prior studies have examined its effects and benefits, research remains limited on how small businesses adopt and engage with these services. This study applies the Diffusion of Innovation (DOI) theory and the Resource-Based View (RBV) to develop a new framework that explains not only the levels of small service firms’ Awareness, Access, and Engagement with consulting services but also how they perceive the benefits and which resources they lack to facilitate adoption. To test the model, a survey of 418 small service firms in the Greater Toronto Area (GTA) was analyzed using covariance-based structural equation modeling (SEM), supported by exploratory and confirmatory factor analyses (EFA and CFA) and partial least squares (PLS) modeling. Results indicate that Awareness strongly influences Access, Perceived Value, and Engagement, while Access further enhances Perceived Value and Engagement. Perceived Value is the strongest driver of Engagement. Resource Constraints, particularly financial and time pressures, moderate these relationships. Awareness also varies by industry, firm size, and network involvement, and referral-based channels are identified as the most trusted sources. The framework provides a nuanced and generalizable lens to understand consulting adoption, capturing both determinants and engagement levels, and can be applied to study the adoption of other innovations (e.g., AI and emerging technologies). The research findings offer practical insights for consultants, support organizations, and policymakers to enhance awareness, strengthen trusted channels, tailor services, and address adoption barriers.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».