Internationalization, environmental engagement and innovation: insights from machine learning methods
Notice bibliographique
Résumé
Purpose This study aims to explore the factors influencing the intention of entrepreneurs in small- and medium-sized enterprises (SMEs) to expand their businesses internationally. Addressing the fragmented understanding of SME internationalization drivers, this research tackles the problem of lacking an integrated framework that considers demographic characteristics, entrepreneurial experience, innovation, financial needs and environmental engagement. Design/methodology/approach In 2022, the authors conducted a survey of 1,160 entrepreneurs in Quebec, Canada. Among them, 380 entrepreneurs whose businesses were not operating abroad shared their intentions regarding whether they planned to expand internationally. The data were analyzed using supervised machine learning methods, particularly the Decision Tree algorithm, to identify the most influential variables. This study shifts the focus to the intention, offering a more inclusive perspective on the early-stage motivations and conditions that precede global expansion. Findings The results reveal that immigrant status, entrepreneurial experience (both in terms of business tenure and number of ventures created), and innovation activities are key predictors. Needs such as subsidies, along with environmental engagement, also emerged as significant factors. Originality/value Theoretically, this study contributes to a deeper understanding of internationalization intentions by offering a multidimensional and behavioral perspective. It highlights the central role of innovation as a strategic lever, the value of diverse entrepreneurial profiles and the complexity of the relationship between environmental engagement and global expansion. These findings can help public policy and entrepreneurial support programs, while also serving as a comparative basis for future research in other geographic contexts.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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 ».