Modèle des effets de l’accentuation des connaissances relationnelles sur la stratégie de développement de nouveaux produits

1. Résumé / Abstract

Le Modèle des effets de l’accentuation des connaissances relationnelles sur la stratégie de développement de nouveaux produits (en anglais, Effects of Relational Knowledge Emphasis on New Product Development Strategy–Model) est un instrument psychométrique et managérial développé par Wang, Wei, Liu, Xia et Zhao (2023). Cet outil d’évaluation quantitative a été conçu pour mesurer la manière dont les entreprises opérant sur les marchés interentreprises (Business-to-Business ou B2B) mobilisent et valorisent leurs ressources cognitives inter-organisationnelles afin d’orienter leurs trajectoires stratégiques d’innovation. L’échelle évalue précisément l’accentuation des connaissances relationnelles au travers de stocks de connaissances multidimensionnels et examine leur impact direct et modérateur sur les stratégies d’exploration et d’exploitation dans le développement de nouveaux produits (DNP ou New Product Development – NPD), tout en tenant compte de contingences environnementales et structurelles telles que la turbulence technologique et la participation publique au capital (propriété étatique).

L’instrument opérationnalise un ensemble composite de 24 items répartis en plusieurs sous-échelles distinctes : les stocks de connaissances relationnelles (comprenant les connaissances interactionnelles, les connaissances fonctionnelles et les connaissances du marché), les orientations stratégiques de DNP (l’exploration technologique et l’exploitation des compétences existantes), la turbulence technologique perçue et le niveau de participation étatique. Les réponses aux construits perceptuels sont recueillies à l’aide d’échelles de Likert en 7 points allant de 1 (« très faible / très peu ») à 7 (« très élevé / beaucoup »), garantissant une granularité optimale des données. Sur le plan psychométrique, le modèle de mesure a été rigoureusement validé par le biais d’une modélisation en équations structurelles et d’une analyse factorielle confirmatoire (AFC) sur un échantillon d’entreprises B2B en Chine. Les indices d’ajustement attestent d’une bonne adéquation aux données empiriques ($\chi^2 = 397{,}49$, $df = 215$, $p < 0{,}001$ ; $CFI = 0{,}91$ ; $TLI = 0{,}90$ ; $RMSEA = 0{,}07$). La cohérence interne est solidement établie avec des valeurs de fiabilité composite (CR) comprises entre 0,73 et 0,87. La validité convergente est démontrée par des saturations factorielles statistiquement significatives ($p < 0{,}05$) dépassant pour la majorité le seuil de 0,65, tandis que la validité discriminante respecte rigoureusement le critère de Fornell-Larcker et de Bagozzi, Yi et Phillips (1991), la variance moyenne extraite (AVE) excédant systématiquement le carré des corrélations inter-construits.

2. Mots-clés / Keywords

Entreprises interentreprises (B2B), Accentuation des connaissances relationnelles, Développement de nouveaux produits, Exploration, Exploitation, Connaissances fonctionnelles, Connaissances interactionnelles, Connaissances du marché, Turbulence technologique, Propriété étatique, Psychométrie organisationnelle, Modélisation en équations structurelles.

3. Auteurs / Authors

L’échelle et son modèle de mesure associé ont été conçus et validés par une équipe internationale de chercheurs en marketing industriel, management stratégique et comportement organisationnel :

• Xinchun Wang : John Chambers College of Business and Economics, West Virginia University, Morgantown, WV, États-Unis. Courriel : [email protected].
• Ruiqi Wei : Département Stratégie et Organisation, Emlyon Business School, Écully, France. Courriel : [email protected].
• Yuerong Liu : Manning School of Business, University of Massachusetts Lowell, Lowell, MA, États-Unis. Courriel : [email protected].
• Hui Xia (Auteur correspondant) : School of Business, Shandong University (Weihai), Weihai, Shandong, Chine. Courriel : [email protected].
• Yanhui Zhao : College of Business Administration, University of Nebraska at Omaha, Omaha, NE, États-Unis. Courriel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de cet instrument de mesure est de quantifier, d’analyser et de modéliser les répercussions stratégiques de la priorisation accordée par une entreprise aux connaissances issues de ses relations partenariales avec ses clients et fournisseurs (l’accentuation des connaissances relationnelles) sur l’orientation de son processus d’innovation produit. Dans le domaine de la gestion de l’innovation et du comportement organisationnel, la question de savoir comment les entreprises B2B arbitrent entre l’exploration de nouvelles pistes technologiques et l’exploitation de compétences préexistantes représente un défi théorique et pratique majeur. Cet instrument vise à opérationnaliser les mécanismes cognitifs et relationnels qui sous-tendent ces choix stratégiques cruciaux.

D’un point de vue diagnostique et décisionnel, l’échelle répond à un besoin récurrent : fournir aux dirigeants et chercheurs un cadre psychométrique standardisé permettant d’évaluer la profondeur et la diversité des répertoires de connaissances relationnelles (knowledge stores). En effet, l’accumulation brute de données sur les partenaires ne garantit pas une innovation efficiente ; c’est l’accent stratégique mis sur des typologies précises de connaissances qui oriente l’allocation des ressources vers des innovations de rupture (exploration) ou incrémentales (exploitation). L’instrument permet d’objectiver la présence de trois réservoirs de savoirs distincts (interactionnels, fonctionnels et de marché) et de tester empiriquement leur propension à catalyser des comportements d’innovation ambidextres ou spécialisés.

Sur le plan de la recherche scientifique, le modèle offre une solution méthodologique robuste pour explorer l’interface entre la théorie de l’entreprise fondée sur la connaissance (Knowledge-Based View – KBV) et la vue relationnelle (Relational View) de l’avantage concurrentiel. Il comble une lacune essentielle de la littérature en intégrant simultanément des variables modératrices externes, telles que l’incertitude environnementale via la turbulence technologique, et internes/institutionnelles, telles que l’influence de la gouvernance étatique dans les économies de transition. Ainsi, l’outil s’adresse aussi bien aux chercheurs désireux d’étudier la modélisation structurelle des dynamiques d’alliance qu’aux consultants et directeurs de la R&D cherchant à auditer le capital relationnel de leur organisation et à réaligner leur stratégie produit sur des bases empiriques validées.

5. Construit psychologique / Construct

Le construit central du modèle repose sur une conceptualisation multidimensionnelle articulant l’apprentissage inter-organisationnel, le capital cognitif et l’alignement stratégique. L’instrument appréhende cette dynamique à travers plusieurs dimensions interconnectées, ancrées dans des comportements organisationnels observables.

1. Les stocks de connaissances relationnelles (Knowledge Stores)

Inspirée des travaux fondateurs de Johnson et al. (2004), cette dimension évalue l’ampleur et la richesse des connaissances spécifiques qu’une organisation détient et développe à l’égard de ses partenaires d’affaires clés (fournisseurs et clients). Ces stocks sont subdivisés en trois composantes psychologiques et comportementales :

• Connaissances interactionnelles (Interactional Knowledge) : Cette sous-échelle mesure les capacités de l’entreprise à naviguer dans les dynamiques interpersonnelles et inter-organisationnelles. Elle englobe les aptitudes à négocier efficacement, à planifier conjointement des activités d’alliance, à déployer des programmes coopératifs et à résoudre de manière constructive les conflits inhérents aux relations inter-firmes. Exemple : la capacité d’une entreprise à instaurer des protocoles de résolution concertée lors de désaccords contractuels avec un fournisseur stratégique.
• Connaissances fonctionnelles (Functional Knowledge) : Cette dimension concerne l’expertise opérationnelle, technique et managériale partagée avec les partenaires. Elle porte sur l’optimisation des structures de coûts, le co-développement technique de produits, la réduction des délais logistiques de livraison, le contrôle de la qualité conjointe et l’intégration des flux de production (systèmes Just-in-Time ou JIT). Exemple : l’intégration fluide des processus de production d’un sous-traitant au sein des chaînes d’assemblage automatisées de l’entreprise focale.
• Connaissances du marché (Market Knowledge) : Ce construit évalue la compréhension fine de l’environnement externe partagée au sein du réseau partenarial. Il s’intéresse à la maîtrise du cadre réglementaire régissant les échanges, à l’analyse prospective des tendances de la demande et à la veille stratégique relative aux comportements d’achat des firmes concurrentes.

2. Stratégies de développement de nouveaux produits (NPD Strategy)

Fondée sur les conceptualisations de March (1991) et opérationnalisée dans le contexte de l’innovation par Zhou et Wu (2010), cette dimension capture la posture stratégique de l’entreprise en matière d’allocation de ressources à l’innovation :

• Exploration : Capture la propension de l’entreprise à s’éloigner de ses routines technologiques et de ses marchés familiers. Elle évalue l’acquisition de compétences de fabrication inédites, la maîtrise de méthodologies de conception disruptives pour l’industrie, le développement de compétences organisationnelles nouvelles et l’apprentissage dans des domaines technologiques où l’organisation n’avait aucune expérience antérieure.
• Exploitation : Mesure l’approfondissement, le raffinement et l’élargissement incrémental des compétences existantes. Elle s’intéresse aux investissements ciblant l’optimisation de technologies matures, à la recherche de solutions techniques proches des pratiques actuelles et à la capitalisation sur les savoir-faire historiques éprouvés de la firme.

3. Turbulence technologique (Technology Turbulence)

Adapté de Jaworski et Kohli (1993), ce construit environnemental évalue la perception qu’ont les gestionnaires de la volatilité et du rythme d’obsolescence des technologies au sein de leur secteur industriel. Il saisit l’instabilité des paradigmes technologiques et l’émergence d’opportunités d’affaires résultant de percées scientifiques rapides.

4. Propriété étatique (State Ownership)

Ce construit mesure la part de contrôle direct ou indirect exercée par l’État dans la structure de capital de l’entreprise. En contexte d’économie émergente, cette dimension représente une variable de gouvernance critique influençant l’accès aux ressources institutionnelles et l’aversion au risque dans les projets d’innovation.

6. Cadre théorique / Theoretical Framework

L’architecture conceptuelle de l’instrument s’enracine au confluent de trois courants théoriques majeurs des sciences de l’organisation et du management stratégique : la théorie de la firme basée sur la connaissance, la théorie relationnelle de l’avantage compétitif, et la théorie de l’ambidextrie organisationnelle.

En premier lieu, la Knowledge-Based View (KBV), portée initialement par des théoriciens comme Robert Grant (1996) et Bruce Kogut et Udo Zander (1992), postule que la connaissance constitue la ressource stratégique la plus précieuse et la plus difficilement imitable d’une organisation. Selon ce courant, l’avantage concurrentiel ne provient pas simplement de la détention d’actifs tangibles, mais de la capacité cognitive à combiner, stocker et coordonner des flux de savoirs dispersés. Wang et al. (2023) étendent cette perspective en affirmant que les connaissances critiques ne résident pas uniquement à l’intérieur des frontières de l’entreprise, mais émergent des interactions dynamiques établies avec les partenaires de la chaîne de valeur.

En second lieu, la Vue Relationnelle (Relational View) développée par Dyer et Singh (1998) fournit la clé de voûte de la notion de « connaissances relationnelles ». Ce cadre théorique démontre que des rentes relationnelles supérieures sont générées lorsque les firmes combinent leurs ressources dans le cadre d’alliances étroites, investissent dans des actifs spécifiques à la relation, déploient des routines efficaces de partage de connaissances et s’engagent dans des mécanismes de gouvernance informelle basés sur la confiance. L’accentuation des connaissances relationnelles (relational knowledge emphasis) mesure précisément l’engagement intentionnel d’une firme à transformer ses relations dyadiques en répertoires structurés d’apprentissage partagé.

En troisième lieu, le modèle intègre le paradigme de l’ambidextrie organisationnelle initié par James G. March (1991). March distingue deux modes fondamentaux d’apprentissage organisationnel : l’exploration, qui implique la variation, la prise de risque, l’expérimentation, la flexibilité et la découverte ; et l’exploitation, qui repose sur le raffinement, le choix, la production, l’efficacité, la sélection et la mise en œuvre. L’outil psychométrique conçu par Wang et ses collègues teste comment différentes typologies de stocks relationnels (interactionnels, fonctionnels, de marché) agissent comme des catalyseurs différentiels soit pour l’expérimentation radicale (exploration NPD), soit pour l’optimisation incrémentale (exploitation NPD). Le modèle théorise également que ces relations sont modérées par l’intensité de la turbulence environnementale (théorie de la contingence) et le statut institutionnel de l’entreprise (théorie institutionnelle).

7. Validité / Validity

L’évaluation des propriétés de validité de l’échelle a fait l’objet d’analyses statistiques rigoureuses conformément aux normes psychométriques internationales et aux préconisations méthodologiques de Nunnally (1978) ainsi que de Bagozzi, Yi et Phillips (1991).

Validité convergente

La validité convergente vérifie que les items censés mesurer un même construit partagent une proportion substantielle de variance commune. Dans l’étude de validation princeps menée auprès d’entreprises B2B en Chine, une analyse factorielle confirmatoire (AFC) a été conduite. Les résultats empiriques démontrent que toutes les saturations factorielles ($lambda$) sont positives et statistiquement significatives au seuil de $p < 0{,}05$. De plus, la grande majorité des saturations standardisées excède le seuil conventionnel de 0,65, fournissant une preuve statistique solide de l’adéquation convergente des indicateurs par rapport à leurs variables latentes respectives.

Validité discriminante

La validité discriminante certifie qu’un construit théorique se distingue empiriquement des autres construits présents dans le modèle structurel. Pour valider ce critère, les auteurs ont appliqué la méthode rigoureuse de comparaison de la variance moyenne extraite (AVE) préconisée par Fornell et Larcker (1981) et Bagozzi, Yi et Phillips (1991). Les calculs ont confirmé que l’ensemble des valeurs d’AVE pour chaque construit individuel était strictement supérieur au carré des coefficients de corrélation bivariée (variance partagée) unissant les paires de construits correspondantes. Ce constat démontre que chaque sous-échelle capture un phénomène empirique unique et non redondant.

Contrôle du biais de méthode commune (Common Method Bias)

Étant donné que les données organisationnelles ont été collectées par le biais d’un répondant clé unique par firme, les auteurs ont rigoureusement examiné la menace potentielle du biais de variance commune à l’aide de la technique de la variable marqueur (marker variable approach). La matrice de corrélations a été ajustée en soustrayant la plus faible corrélation positive observée entre la variable marqueur théoriquement non liée et la variable d’exploration relative dans le DNP ($\gamma = 0{,}10$, $p > 0{,}10$). Après cette correction systématique, l’ensemble des corrélations entre les construits du modèle est demeuré statistiquement inchangé et significatif, démontrant que le biais de méthode commune ne menace en aucun cas l’intégrité ni la validité des conclusions psychométriques.

8. Fidélité / Reliability

L’évaluation de la fidélité de l’instrument s’est concentrée sur la mesure de la consistance interne de l’ensemble des construits multivariés à travers le calcul de la fiabilité composite (Composite Reliability – CR), indicateur psychométrique souvent préféré au coefficient Alpha de Cronbach dans les modélisations par équations structurelles en raison de sa non-supposition de tau-équivalence.

Les résultats statistiques rapportés par Wang et al. (2023) indiquent une excellente fiabilité pour l’ensemble des dimensions du modèle :

• Les coefficients de Fiabilité Composite (CR) s’échelonnent dans un intervalle de 0,73 à 0,87 selon les dimensions analysées.
• Ces valeurs dépassent toutes largement le seuil standard de recevabilité fixé à 0,70 dans la littérature académique et psychométrique (Nunnally & Bernstein, 1994 ; Hair et al., 2010).
• Ces coefficients confirment que les items constitutifs de chaque sous-échelle (connaissances interactionnelles, connaissances fonctionnelles, connaissances de marché, exploration, exploitation et turbulence technologique) mesurent avec précision et stabilité leur dimension respective, garantissant une variance d’erreur de mesure réduite.

Bien que les données d’évaluation test-retest ne soient pas directement applicables aux enquêtes stratégiques inter-entreprises transversales, la consistance interne élevée démontre la reproductibilité statistique des structures dimensionnelles sous-jacentes au questionnaire.

9. Analyse factorielle / Factor Analysis

Une Analyse Factorielle Confirmatoire (AFC) rigoureuse a été mise en œuvre pour valider empiriquement la structure factorielle a priori du modèle de mesure et tester l’ajustement global du modèle structurel aux données de terrain collectées.

Indices d’adéquation globale (Model Fit Indices)

Le modèle factoriel à plusieurs facteurs covariants a été soumis à l’estimation du maximum de vraisemblance. Les indices d’ajustement structurel obtenus confirment que le modèle présente une adéquation tout à fait satisfaisante avec les données observées :

• Chi-carré de Satorra-Bentler / Standard : $\chi^2 = 397{,}49$ pour 215 degrés de liberté ($df = 215$), avec une valeur de probabilité $p < 0{,}001$. Bien que le test du chi-carré soit statistiquement significatif (situation standard en présence d’échantillons de taille modérée à large dans les études de management), le ratio normé $\chi^2 / df = 1{,}85$ se situe bien en-deçà du seuil critique de 3,00 (Kline, 2015), indiquant un excellent ajustement parcimonieux.
• Comparative Fit Index (CFI) : $0{,}91$. Cette valeur franchit le seuil requis de 0,90, témoignant d’une amélioration substantielle de l’ajustement par rapport au modèle nul.
• Tucker-Lewis Index (TLI) : $0{,}90$. Atteignant le seuil conventionnel d’acceptabilité, il confirme l’adéquation structurelle en pénalisant la complexité inutile du modèle.
• Root Mean Square Error of Approximation (RMSEA) : $0{,}07$. Un score de 0,07 se situe confortablement dans l’intervalle recommandé de 0,05 à 0,08 pour les modèles organisationnels complexes, indiquant un résidu d’erreur d’approximation par degré de liberté parfaitement maîtrisé.

Structure factorielle et saturations des items

L’analyse confirme une structure factorielle de premier ordre claire et cohérente, où chaque indicateur manifeste se rattache spécifiquement à son facteur théorique sans problème majeur de saturation croisée (cross-loadings) :

• Les quatre items de la dimension des connaissances interactionnelles saturent fortement sur leur facteur respectif, traduisant les dynamiques de négociation et de coordination d’alliance.
• Les cinq items des connaissances fonctionnelles constituent un facteur robuste lié aux interactions technico-logistiques et d’efficience opérationnelle.
• Les trois items des connaissances du marché définissent une composante homogène dédiée à l’intelligence environnementale.
• Les cinq items d’exploration et les trois items d’exploitation se distinguent en deux composantes orthogonales ou modérément corrélées, réaffirmant l’indépendance dimensionnelle de l’ambidextrie dans le DNP.
• Les trois items de turbulence technologique forment un facteur environnemental unitaire cohérent.

10. Instrument de mesure / Instrument

L’instrument se présente sous la forme d’un inventaire auto-rapporté administré électroniquement auprès de cadres dirigeants, directeurs de la R&D ou responsables marketing stratégiques possédant une vision transverse des partenariats et des processus d’innovation de leur entreprise.

• Type d’instrument : Questionnaire / Inventaire psychométrique et managérial auto-administré standardisé.
• Format d’administration : En ligne (plateforme électronique sécurisée d’enquête d’entreprise).
• Nombre total d’items : 24 items répartis en modules dimensionnels.
• Modalités de réponse :
  • Pour les construits perceptuels (connaissances relationnelles, exploration, exploitation, turbulence technologique) : échelle de Likert à 7 points (graduée de 1 = « Très peu / Très faible » à 7 = « Beaucoup / Très élevé »).
  • Pour la propriété étatique : échelle ordinale catégorisée en 6 paliers de pourcentage de détention de capital.
• Langue originale : Anglais (validé empiriquement dans un contexte d’entreprises B2B).
• Population cible : Entreprises interentreprises (B2B), directeurs généraux, directeurs techniques (CTO), directeurs R&D et directeurs de l’innovation.
• Procédure de cotation : Le score de chaque sous-échelle s’obtient généralement en calculant la moyenne arithmétique non pondérée des items constitutifs de la dimension, ou par l’estimation de scores factoriels composites générés par analyse d’équations structurelles (SEM). Un score élevé sur une dimension indique une concentration ou un déploiement marqué de la ressource ou de la stratégie évaluée.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

Année de publication : 2023.

Droits d’utilisation et permissions : L’instrument a été publié dans la revue académique Industrial Marketing Management (Elsevier). Conformément aux pratiques de diffusion scientifique, l’utilisation de cet instrument de mesure est libre de droits et autorisée à titre gratuit pour les activités de recherche académique, scientifique et d’enseignement (fins non commerciales). Les chercheurs et étudiants universitaires peuvent adapter et administrer l’échelle à condition de citer formellement la publication princeps de Wang et al. (2023).

Usage commercial : Toute exploitation commerciale, intégration dans un logiciel propriétaire de diagnostic d’entreprise payant ou prestation de conseil à but lucratif nécessite une autorisation préalable expresse auprès de l’éditeur (Elsevier / RightsLink) et des auteurs titulaires des droits intellectuels.

Tarif : Gratuit pour la recherche académique ($0,00).

12. Références / References

Les fondements théoriques, psychométriques et empiriques de cet instrument s’appuient sur les publications de référence suivantes :

• Bagozzi, R. P., Yi, Y., & Phillips, L. W. (1991). Assessing construct validity in organizational research. Administrative Science Quarterly, 36(3), 421–458. https://doi.org/10.2307/2393203
• Dyer, J. H., & Singh, H. (1998). The relational view: Cooperative strategy and sources of interorganizational competitive advantage. Academy of Management Review, 23(4), 660–679. https://doi.org/10.5465/amr.1998.1255632
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(S2), 109–122. https://doi.org/10.1002/smj.4250171110
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis (7th ed.). Prentice Hall.
• Jaworski, B. J., & Kohli, A. K. (1993). Market orientation: Antecedents and consequences. Journal of Marketing, 57(3), 53–70. https://doi.org/10.1177/002224299305700304
• Johnson, J. L., Sohi, R. S., & Grewal, R. (2004). The role of relational knowledge stores in interfirm partnering. Journal of Marketing, 68(3), 21–36. https://doi.org/10.1509/jmkg.68.3.21.34767
• Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• Kogut, B., & Zander, U. (1992). Knowledge of the firm, combinative capabilities, and the replication of technology. Organization Science, 3(3), 383–397. https://doi.org/10.1287/orsc.3.3.383
• March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87. https://doi.org/10.1287/orsc.2.1.71
• Nunnally, J. C. (1978). Psychometric Theory (2nd ed.). McGraw-Hill.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.
• Wang, X., Wei, R., Liu, Y., Xia, H., & Zhao, Y. (2023). The effects of relational knowledge emphasis on new product development strategy. Industrial Marketing Management, 109, 257–270. https://doi.org/10.1016/j.indmarman.2023.02.005
• Zhou, K. Z., & Wu, F. (2010). Technological capability, strategic flexibility, and product innovation. Strategic Management Journal, 31(5), 547–561. https://doi.org/10.1002/smj.830

13. Questions et items du questionnaire / Scale Items

Cette section présente textuellement l’ensemble des énoncés et instructions d’administration présentés aux répondants de l’enquête, organisés par sous-échelles dimensionnelles.