Explaining female and male entrepreneurship at the country level
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Using Global Entrepreneurship Monitor data for 29 countries this study investigates the (differential) impact of several factors on female and male entrepreneurship at the country level. These factors are derived from three streams of literature, including that on entrepreneurship in general, on female labour force participation and on female entrepreneurship. The paper deals with the methodological aspects of investigating (female) entrepreneurship by distinguishing between two measures of female entrepreneurship: the number of female entrepreneurs and the share of women in the total number of entrepreneurs. The first measure is used to investigate whether variables have an impact on entrepreneurship in general (influencing both the number of female and male entrepreneurs). The second measure is used to investigate whether factors have a differential relative impact on female and male entrepreneurship, i.e. whether they influence the diversity or gender composition of entrepreneurship. Findings indicate that – by and large – female and male entrepreneurial activity rates are influenced by the same factors and in the same direction. However, for some factors (e.g. unemployment, life satisfaction) we find a differential impact on female and male entrepreneurship. The present study also shows that the factors influencing the number of female entrepreneurs may be different from those influencing the share of female entrepreneurs. In this light it is important that governments are aware of what they want to accomplish (i.e. do they want to stimulate the number of female entrepreneurs or the gender composition of entrepreneurship) to be able to select appropriate policy measures.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle