MétaCan
Menu
Retour à la cohorte
Enregistrement W2957778059 · doi:10.5267/j.msl.2019.7.007

Identify factors affecting business efficiency of small and medium enterprises (SMEs): Evidence from Vietnam

2019· article· en· W2957778059 sur OpenAlexvenueno aff
Thi Cam Thanh Tran, Ngoc Tien Nguyen

Notice bibliographique

RevueManagement Science Letters · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainability and Innovation in Business
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessSmall and medium-sized enterprisesIndustrial organizationSmall businessMarketingFinance

Résumé

récupéré en direct d'OpenAlex

As operating the business in the economy, all enterprises are interested in the business efficiency. Business efficiency is not only a measure of organizational performance and business management but also it is a vital issue for businesses operations. That is why defining the factors affecting business performance in enterprises, especially small and medium-sized enterprises accounted for more than 80 percentage of the enterprises in Vietnam plays a very important role in helping business managers find solutions to improve the business efficiency. This paper is conducted to determine the factors affecting the business performance of these groups of businesses from the perspective of business managers and the business. This study is based on a survey from 100 business managers and 400 small and medium enterprises in Vietnam. Through the EFA analysis tool, we found some similarities in terms of the groups of factors affecting the business performance in small and medium enterprises in Vietnam between the perspective of business managers and perspective of the enterprises. Both the surveyed groups defined that there were three factor groups influencing the business efficiency: (1) group of institutional, policy and infrastructure factors, (2) group of factors associated with enterprises and (3) group of factors related to the environment outside the enterprise.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,025
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,017
Tête enseignante GPT0,243
Écart entre enseignants0,225 · 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

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetSustainability and Innovation in BusinessTravaux en français237 207