MétaCan
Menu
Retour à la cohorte
Enregistrement W2882886191 · doi:10.5465/ambpp.2018.78

From the Ground Up: Gender, Self-Employment, and Space in a Colombian Housing Project

2018· article· en· W2882886191 sur OpenAlexaff
Laura Doering, Christopher C. Liu

Notice bibliographique

RevueAcademy of Management Proceedings · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Economy and Work Transformation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésEarningsPovertyWageSpatial mismatchInformal sectorLabour economicsSelf-employmentGender gapPerspective (graphical)Demographic economicsEconomicsBusinessEconomic growthEntrepreneurship

Résumé

récupéré en direct d'OpenAlex

Researchers have documented a persistent wage gap between self-employed men and women. In this paper, we identify a novel intervention that boosts women’s earnings and reduces this gap in an informal, residential marketplace. We argue that micro-spatial resources offer specific, gendered advantages to female business owners. We show how gendered constraints on women’s labor market activity intersect with spatial resources to powerfully influence their likelihood of running a home-based business and their self-employment earnings. Using data from a Colombian public housing complex, we find that the randomly assigned location of a resident’s apartment significantly influences women’s business activity, but not men’s. Women who run informal, home-based businesses from favorable locations earn more than twice as much as comparable women, close the gender earnings gap in self-employment by 58.5%, and earn an income that lifts them above the poverty line. Overall, this study offers a new perspective on how gender and micro-geography intersect to shape self-employment, and shows how self-employment can function as a lever for women’s economic mobility in developing countries.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,111
Score d'incertitude au seuil0,221

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
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 Opus0,041
Tête enseignante GPT0,302
Écart entre enseignants0,261 · 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'étudeQualitatif
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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetDigital Economy and Work TransformationTravaux en français237 207