MétaCan
Menu
Retour à la cohorte
Enregistrement W3130621533 · doi:10.5430/ijfr.v12n3p370

Does Financial Inclusion Important in MSMEs Financing in Indonesia? Analysis Using Dimension Bank as Mediation

2021· article· en· W3130621533 sur OpenAlexvenueno aff
Karisa Zeisha Sahela, Osama Isaac, Askardiya Radmoyo Adjie, Riana Susanti

Notice bibliographique

RevueInternational Journal of Financial Research · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSMEs Development and Digital Marketing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFinancial inclusionAccess to financeSmall and medium-sized enterprisesFinanceBusinessEntrepreneurshipInclusion (mineral)MediationFinancial systemPopulationCapital (architecture)Financial services

Résumé

récupéré en direct d'OpenAlex

This study aims to see the role of banks as an effort to achieve financial inclusion. MSMEs have a very vital role in increasing economic growth in Indonesia, there are various types of MSMEs that are scattered throughout the region. The problem of MSMEs, in general is a problem of capital. To overcome this, there is one model, namely financial inclusion, which can encourage the financial system to be accessible to all levels of society. Financial inclusion is one way to socialize the financial sector, especially to facilitate banking services and financial access for the public. This study uses primary data and secondary data, in this study, researcher used MSMEs, as the population of the study. Total MSMEs in Jakarta is 930,620 Units. The results of the study show that all the variables are significant positive, in the efforts to finance MSMEs in Indonesia, which means that banks play an important role in channeling funds to MSMEs, so that inclusion runs well. This is in line with the Entrepreneurial finance theory which emphasizes that increasing business capital both from internal and external, followed by increased entrepreneurship and management capacity will be able to improve company performance, especially MSMEs.

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)0,008
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,055
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,037
Tête enseignante GPT0,398
Écart entre enseignants0,361 · 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.

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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetSMEs Development and Digital MarketingTravaux en français237 207