COVID-19 adversities: setting an agenda for research on SME resilience
Notice bibliographique
Résumé
Purpose This study presents a systematic literature review (SLR) of research on small to medium enterprises (SME) resilience during the COVID-19 pandemic, synthesizing entrepreneurial responses through the lens of ambidexterity, crisis adaptation and relational support. Design/methodology/approach Unlike narrative literature reviews, which are considered less comprehensive, an SLR was deemed appropriate for this study. Its methodological rigour enabled a systematic search of several bibliographic databases, resulting in an initial sample of 2,616. Rigorous and structured qualification criteria were applied to ensure that suitable articles were selected for analysis, resulting in 175 articles. Findings This study revealed that, due to the pandemic's significant impact on small businesses, their owners had to be ambidextrous in pivoting between exploration and exploitation. This included leveraging their capabilities while adventurously applying technology and innovation, and being flexible, agile and able to tolerate ambiguity. This involved entrepreneurially identifying previously unexploited opportunities, viewing “dire circumstances” as opportunities and continuing business in the face of mounting COVID-19 adversities. Research limitations/implications This study has both academic and practical implications, as well as social and policy implications. Its perspectives encourage additional research and policy initiatives to mitigate the impacts of a crisis on SMEs. SME owners acquire knowledge in dealing with adversities and learn how to promote a resilient workforce during a pandemic. Originality/value This paper is unique in that it integrates exploration, bricolage and ambidexterity within the context of SME resilience, developing a model of SME resilience that incorporates entrepreneurial adaptability and relational networks.
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 | 0,094 | 0,157 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,017 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,012 | 0,018 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».