MétaCan
Menu
Retour à la cohorte
Enregistrement W1511950416

Entrepreneurial Activity and Civil War in Colombia : Exploring the Mutual Determinants between Armed Conflict and the Private Sector

2010· preprint· en· W1511950416 sur OpenAlexfundno aff
Angelika Rettberg, Ralf J. Leiteritz, Carlo Nasi

Notice bibliographique

RevueRepositorio Institucional E-DocUR (Universidad Del Rosario) · 2010
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueDefense, Military, and Policy Studies
Établissements canadiensnon disponible
Organismes subventionnairesDepartment for International DevelopmentUnited Nations University World Institute for Development Economics ResearchInternational Development Research CentreUlster UniversityStyrelsen för Internationellt Utvecklingssamarbete
Mots-clésArmed conflictPrivate sectorSpanish Civil WarCivil ConflictPolitical scienceDevelopment economicsBusinessEconomic growthEconomicsLaw
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

As elsewhere, the Colombian private sector has been accused of promoting or profiting from violence in the country. However, the private sector's role in the armed conflict and the impact of conflict on entrepreneurial activity vary, as reflected by differences in political activism, in peacebuilding strategies and in costs endured according to company size, sector, and region of operations. At the same time, accounts of regional variation in conflict intensity suggest that an understanding of the Colombian confrontation requires a subnational approach. This paper explores whether and how differences in regional armed armed conflict can be attributed to differences in entrepreneurial make-up and activity associated with five natural resources, produced in different regions (oil, coffee, bananas, emeralds, and flowers). This paper suggests that company-specific traits, institutions of production, and the nature of international markets have a significant impact on the link between entrepreneurial activity and armed conflict in Colombian regions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,240
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRepositorio Institucional E-DocUR (Universidad Del Rosario)Même sujetDefense, Military, and Policy StudiesTravaux en français237 207