Barriers to innovation in Spanish rural Small and Medium-Sized Enterprises
Notice bibliographique
Résumé
In the context of globalisation, innovation has been recognized as a key driver of Europe’s national and regional economies, whether rural or not. Nevertheless, rural firms are considered less innovative than firms in urban agglomerations. Rural areas represent three-quarters of the land of the OECD countries and are home to a quarter of its population. Moreover, small and medium enterprises (SMEs) are the backbone of the economy. \nThis paper reviews the barriers to innovation indicated throughout literature, brings out what constitutes the main barriers in rural SMEs and presents an understanding of some of the factors that determine the position of these firms in responding to new requirements. \nData were collected through a questionnaire for managers of 511 SMEs in a rural area of Spain. Statistical analysis was performed with SPSS software package. The results identify key factors that hinder innovation in rural SMEs, namely those related to economic reasons, such as high costs of the innovation or the difficulty to obtain financial resources, and risk aversion issues. Specific research related to the study of innovation barriers in SMEs firms in rural areas is limited. Therefore, this paper fills this research gap by expanding the body of knowledge in the field of rural SMEs innovation and provides further evidence on this phenomenon. The results also offer relevant insights for managers and policy makers when formulating and implementing strategies to diminish innovation barriers in rural SMEs.
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 | 0,001 |
| 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 ».