Understanding Social Capital, Networks & Institutions: A Guide to Support Compost Entrepreneurship for Rural Development
Notice bibliographique
Résumé
Compost micro-entrepreneurship has been used as strategy to increase the incomes of poor and rural farming communities. Nevertheless, several difficulties can arise to sustain these small businesses. The conversion of organic material into compost requires labor, tools and infrastructure. Many poor and rural microenterprises cannot afford all of these inputs to sustain operations. Literature suggests that social capital and collective action can address challenges related to limited resources for communities and small businesses. Little research, however, has explored how coworker characteristics and their cooperative efforts affect the financial sustainability of compost micro-enterprises. The objective of this study was to unveil whether rural compost microenterprises use social capital and/or collective action to address various challenges related to natural and financial capital, and if so, in what manner. A multisite case study framework was implemented using participant observation to identify common challenges faced by compost microenterprises in Chimaltenanago, Guatemala. Focus groups and semi-structured interviews were conducted to determine if coworker characteristics (related to social capital) addressed these challenges, and if so, how. Four characteristics related to social capital emerged from a thematic analysis, including 1) raw material access based on coworker occupation, 2) overhead savings from human capital, 3) credit/market-entry granted from social networks, and 4) consumer trust gained from social capital/gender. It appears the investigation and development of compost microenterprises should be more cognizant of opportunities related to coworker characteristics, especially those related to social capital and collective action. As a result, management training can be integrated within entrepreneurship development to sustain urban and rural economies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».