Rapid Technological Change and U.S. Entrepreneurial Risk in International Markets: Focus on Data Security, Information Privacy, Bribery and Corruption
Notice bibliographique
Résumé
Research from the Kauffman Foundation shows that without startups, there would be no net job growth in the U.S. economy. Since the mid-1990s, businesses with fewer than 500 employees have created 60 to 80 percent of U.S. net new employment. Rapid technological change and the phenomenal growth of the Internet and social media during recent years results in a rational perception by entrepreneurs that rapid access is available to international markets and sales. However, lurking in the allure of international expansion is the very real threat of exposure to global data security and privacy laws, and widespread bribery and corruption. Every entrepreneur needs to consider their response before being confronted with these problems. Substantial fines, penalties, legal and other expenses and even jail time may result from running afoul of the GDPR, other data security or privacy laws, the FCPA, U.K. Bribery Act or other local anti-bribery or corruption laws. While the cost of anti-bribery compliance for entrepreneurs of early-stage enterprises is heavy, the ethical, economic, and social impact of bribery is equally onerous. A review of bribery and corruption among the United States’ top three trading partners (Canada, China, and Mexico) illustrate these risks. I discuss the Foreign Corrupt Practices Act; OECD Convention on Combating Bribery of Foreign Public Officials in International Business Transactions; the U.K. Bribery Act 2010; and offer a few thoughts about the cost of anti-bribery compliance, as well as the ethical and societal cost of corruption. I believe that this article contributes to the existing small-business literature by better equipping entrepreneurs and early-stage enterprises to recognize and understand risk as they plan to enter international markets.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».