Capability development in the early stages of firms: internal building, external leveraging, and flexibility
Bibliographic record
Abstract
Cette thèse vise à comprendre les processus de développement des capacités dans les premiers stades d'une entreprise. Empiriquement, la plupart des recherches ont porté sur des entreprises établies, ou bien ont cherché à expliquer la variance des capacités des entreprises à un moment donné. Théoriquement, malgré le passage à une vision plus dynamique et l'attention croissante à tirer parti des capacités externes, notre compréhension de la façon dont les entreprises parviennent à un changement dynamique ou l'interaction entre l'approvisionnement externe et interne des capacités est encore limitée. J'aborde ces écarts à l'aide de trois études interdépendantes. Le premier article adopte une étude de cas multiples conçue afin de développer une théorie sur l'introduction et le développement des capacités d'innovation dans les nouvelles entreprises. La documentation existante se concentre séparément sur des ressources internes ou l'utilisation de réseaux. En revanche, cette étude montre comment les jeunes entreprises combinent la mise en place interne et l'usage de stratégies externes afin de faciliter le développement rapide des capacités dans les premiers stades. À partir de données sur des entreprises de biotechnologie de la région de Montréal, les résultats révèlent des implications différentes sur le parcours suivi et le rythme de développement des capacités, et le rôle de la collaboration dans les entreprises avec différents parcours internes de mise en place. Le deuxième article se concentre sur la façon dont la collaboration contribue à l'édification des capacités internes dans de nouvelles entreprises. Les effets des capacités de s'engager dans la collaboration demeurent confus lorsqu'on examine la documentation sur le sujet. En utilisant des données sur des scénarios de collaboration à partir d'entreprises de biotechnologie montréalaises, l'étude révèle quatre mécanismes de mise en place des connaissances dans les entreprises visées par cette étude. Chaque mécanisme implique des connaissances différentes ajoutées à l'entreprise, et exige différents processus d'interaction avec ses partenaires. Cette étude améliore la compréhension des effets de réseau en ce qui concerne le développement des capacités. Le troisième article élabore un cadre de développement des capacités organisationnelles qui intègre l'esprit d'entreprise et des habitudes organisationnelles. Elle traite d'un débat toujours en cours sur le défi que représente l'équilibre entre l'efficacité et la flexibilité dans les organisations. En étudiant le cas d'une entreprise chinoise d'équipements de télécommunication, il met en lumière la dynamique des connaissances entre les activités entrepreneuriales et les habitudes, le rôle de l'entrepreneuriat à la fois sur les interfaces externes et internes de l'organisation et les changements exogènes et endogènes dans les pratiques habituelles. Ce cadre fait progresser la perspective dynamique de la recherche des capacités. Dans l'ensemble, cette thèse contribue au processus de théories sur le développement des capacités dynamique. Il génère des informations nouvelles sur la capacité d'initiation, de prolongement et de changement dans les organisations.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".