MétaCan
Menu
Retour à la cohorte
Enregistrement W1974534014 · doi:10.17722/ijrbt.v3i1.86

The Impact of Leadership Style Adopted by the Manager in the Nigeria Beverage Sector on Human Resource Motivation: A Field Study in the South-Western Nigeria

2013· article· en· W1974534014 sur OpenAlexvenueno aff
Akinlabi Babatunde Hamed, T.O. Oyebisi

Notice bibliographique

RevueInternational Journal of Research in Business and Technology · 2013
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueLeadership, Behavior, and Decision-Making Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésField surveyBusinessHuman resourcesHuman resource managementLeadership styleManagementPolitical sciencePublic relationsEngineeringCivil engineeringEconomics

Résumé

récupéré en direct d'OpenAlex

This study aims first to identify the leadership style which is used the most by the managers in the Nigeria beverage sector, second investigate the factors that influence motivation of employees working in the sector, and third to examine the impact of two leadership styles (Transformational, and Transactional leaders) on human resource motivation. The study population was totality of employees in the Beverage Companies (BCs) located within Lagos State, South-Western Nigeria. Three hundred and fifty questionnaires were distributed, three hundred and ten questionnaires were analyzed. Data were analyzed using descriptive and inferential statistics at 0.05 significance level with the aid of SPSS statistical program version 21.0 for windows. The results revealed that managers in beverage companies are using the transformational leadership style most; employees in beverage companies are motivated most by job satisfaction. The findings of the multiple regression indicated that transformational leadership style had highest impact on human resource motivation. Based on the findings transformational leardership style is encouraged to be used by the management of beverage companies and other large organizations in Nigeria if they want to be successful and productive.

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)0,009
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,132
Score d'incertitude au seuil0,625

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0030,000
Intégrité de la recherche0,0000,001
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 Opus0,300
Tête enseignante GPT0,481
Écart entre enseignants0,181 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Research in Business and TechnologyMême sujetLeadership, Behavior, and Decision-Making StudiesTravaux en français237 207