MétaCan
Menu
Retour à la cohorte
Enregistrement W3012738082 · doi:10.5267/j.msl.2020.3.005

Strategies and policies for developing SMEs based on creative economy

2020· article· en· W3012738082 sur OpenAlexvenueno aff
Made Kembar Sri Budhi, Ni Putu Nina Eka Lestari, Ni Nyoman Reni Suasih, Putu Yudy Wijaya

Notice bibliographique

RevueManagement Science Letters · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainability and Innovation in Business
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessIndustrial organizationKnowledge managementProcess managementEconomic systemMarketingComputer scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Small and Medium Enterprises (SMEs) play a major contribution to the Indonesian economy.Along with the development of a centralized economic direction on consumers, the use of technology in all fields, and information transparency, SMEs must also be able to adapt in the era of the industrial revolution 4.0.This research aims to develop strategies for strengthening and developing SMEs and mapping the hierarchy policy of developing a creative economy-based SME business model in the era of the industrial revolution 4.0 in the Province of Bali.The data in this study were collected through documentation, FGD, and interview techniques, then analyzed using SWOT and MULTIPOL analysis techniques.The ability of creative economy-based SMEs to compete in the global era depends on internal and external factors.The analysis shows that SMEs in the Province of Bali are in a position of growth and built, so the strategies adopted are intensive strategies or integration.Development policies for SMEs, especially in the era of the industrial revolution 4.0, need to be directed so that the guided SMEs become independent SMEs.The policy package for the development of target SMEs includes technology, capital, marketing and infrastructure policies.

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)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,030
Tête enseignante GPT0,252
Écart entre enseignants0,223 · 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'étudeThéorique ou conceptuel
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

Citations25
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

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