MétaCan
Menu
Retour à la cohorte
Enregistrement W2961097781 · doi:10.5267/j.msl.2019.7.002

Factors affecting the application of management accounting in small and medium enterprises in Hanoi, Vietnam

2019· article· en· W2961097781 sur OpenAlexvenueno aff
Thi Thuy Hong Nguyen, Thi Thanh Thuy Chu, Dinh Dong Nguyen, Thi To Phuong Nguyen

Notice bibliographique

RevueManagement Science Letters · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAccounting and Organizational Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessManagement accountingAccountingCompetition (biology)Quality (philosophy)Process (computing)Small and medium-sized enterprisesProduction (economics)Accounting information systemMarketingEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

This article evaluates the factors affecting the use of management accounting in small and medium enterprises (SMEs) in Hanoi, Vietnam. The factors include: Production and business characteristics; Competitiveness; Business strategy; CEO of awareness management; Human resource quality. The study is conducted on 238 SMEs in Hanoi and the results show that CEO's awareness of management accounting had the strongest impact on the ability to apply management accounting of enterprises while competition level factor had the weakest effect. At the same time, the study also examines the significant role of mediating factor of firm size on the relationship between the characteristics of the production and business process and the application of management accounting, age and professional qualifications. The results indicate that enterprise size plays a significant role on regulating the impact of business characteristics of enterprises on management accounting application. For smaller enterprises, management accounting is less used and vice versa. Next, the younger the managers are, the higher the impact of their awareness on management accounting application, which means management accounting will be used more if managers are younger.

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)0,002
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 enseignants0,009
Score d'incertitude au seuil0,757

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,008
Tête enseignante GPT0,201
Écart entre enseignants0,194 · 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

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetAccounting and Organizational ManagementTravaux en français237 207