Assessment of the significance of factors affecting the growth of women entrepreneurs: study based on experience categorization
Notice bibliographique
Résumé
Purpose The ascent of women enterprising community (WEC) in a couple of decades draws the attention of various government and non-government bodies. Literature has mentioned various studies that focus on the factors affecting the success or failure of women entrepreneurs (WEs), but understanding of the ranking of the factors depending on the experiences of different WEs is needed. This study aims to identify the significant factors essential for the growth of WEC. Design/methodology/approach This study examines the factors through interview of 33 WEs having different entrepreneurial experiences (less than 1 year, more than 1 year but less than 10 years and more than 10 years of experiences) from different regions of Uttar Pradesh, India, and with the help of analytical hierarchical process, ranks the factors affecting the sustainable growth of WEs. Findings Through analysis, significant factors have been identified such as determination, education, entrepreneurial resilience, personal satisfaction and provide employment, and these factors have been analysed according to the different experiences of WEs. An investigation of ranking these factors of WEC, especially in the emerging nations, can assist policymakers in designing projects that improve the mindfulness associated with women enterprise and define the compelling methodologies. Practical implications The growth of the WEC is significantly affected by gender orientation ways of thinking as driven by entrepreneurship models. Originality/value This study gives a direction to policymakers by emphasizing on significant factors of various stages of enterprise development for the encouragement of WEs in the emerging economies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».