MétaCan
Menu
Retour à la cohorte
Enregistrement W2160829970 · doi:10.5539/ass.v10n23p191

Managing Risks of Venture Entrepreneurship

2014· article· en· W2160829970 sur OpenAlexvenueno aff
Elena Lopatina, Cristina N. Tselih, Е. В. Чугунова, Victoria N. Ostrovskaya

Notice bibliographique

RevueAsian Social Science · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiquePrivate Equity and Venture Capital
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEntrepreneurshipBusinessProfit (economics)Risk managementVenture capitalEnterprise risk managementOrder (exchange)Business risksSocial venture capitalConstruct (python library)FinanceActuarial scienceEconomicsRisk analysis (engineering)MicroeconomicsComputer science

Résumé

récupéré en direct d'OpenAlex

The authors ground the necessity of managing risks of venture entrepreneurship; construct algorithm offormation and introduction of a system of risk-management while operating venture entrepreneurship; analyzethe rationality of its realization at the regional scale and influence on venture entrepreneurship; and conductregressive analysis of dependence of financial economic state of enterprise LLC ‘Innovazstroy’ on introductionof the developed system of risk-management. The study is a regression analysis, with which the authorscalculated the coefficient covariance determination of approximation and draw conclusions about thedependence between introduction of risk-management system and growth of clear profit of LLC 'Innovazstroy'.Developed as a result of the study the model of quantitative and qualitative measuring risk small enterprises allover the world use: risk evaluation (VAR), maximal potential risk (MPE), risk-appétit and risk stock, in order tomeasure and to unite market, credit, operational and other risks. It is necessary for entrepreneur to know actualcost of risk, which influences on their activity.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,033
Tête enseignante GPT0,279
Écart entre enseignants0,246 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations9
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetPrivate Equity and Venture CapitalTravaux en français237 207