Examining digital platform resilience: a social–ecological systems approach
Notice bibliographique
Résumé
Purpose We examined digital platform resilience through a social–ecological systems lens, treating platforms as socio–technical entities embedded in and interacting across, broader environmental scales. Prior work has offered limited conceptual clarity and empirical tests of which attributes drive resilience. We addressed this gap by investigating the antecedents and consequences of platform resilience. Design/methodology/approach We developed a research model in which socio–technical and cross-scale interaction factors act as antecedents of digital platform resilience, which in turn influences platform performance. We analyzed survey data from 252 business-to-business (B2B) e-marketplaces using the partial least squares structural equation modeling (PLS-SEM) method. Findings Socio–technical factors, namely innovation capacity, diversity, IT infrastructure (ITI) flexibility and ITI efficiency, along with a cross-scale interaction factor, sustainability positioning, serve as critical drivers of digital platform resilience. These antecedents explained 71.6% of the variance in platform resilience. Innovation capacity mediates the effects of diversity and ITI flexibility on platform resilience. Originality/value This research provides a systematic, empirically grounded account of digital platform resilience from a social–ecological systems perspective. It clarifies the antecedents and mechanisms that strengthen platforms against disruption and offers insights for managerial action.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».