Risk-Taking and Performance of Small and Medium-Sized Enterprises: Lessons from Tanzanian Bakeries
Notice bibliographique
Résumé
SMEs are the major drivers of socioeconomic development of many economies. In order to influence economic growth, SMEs must be capable of enhancing their competiveness, growth, and sustainability. These capabilities are acquired by SMEs that understand and adopt entrepreneurial strategies that work. There is abundant literature confirming that one of these entrepreneurial strategies include risk-taking practices. SMEs are still facing challenges to understand and apply the right risk-taking strategies that influence their performance. We therefore characterise risk-taking as risk planning, risk controlling, and strategic risk initiatives, and seek to establish their contribution on SME performance. This study draws lessons from the risk management practices of small and medium-sized bakeries in Tanzania where agriculture, a sector that directly relates with bakery business, is one of the leading sectors in driving economic growth. We adopt a multi-stage sampling technique and receive responses from 161 questionnaires, and 20 in depth interviews from bakery owners/managers throughout Tanzania. The principal component analysis, qualitative content analysis (manifest analysis), and the moderator analysis are used in analyzing these data. We ascertain that both the firm age, and the gender, of the owner/manager moderate the relationship between risk-taking strategies and SME performance. We argue that SMEs have the responsibilities of improving their risk-taking practices and capabilities in order to drive their competitiveness. Additionally, SMEs need to employ their efforts and resources in supporting their risk management initiatives, and integrate them in their business operations, and policy development practices, and ultimately advance their sustainability.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».