Factors Affecting Green Entrepreneurship Intentions in Business University Students in COVID-19 Pandemic Times: Case of Ecuador
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research assesses the influence of education development support, conceptual development support, and country support through entrepreneurial self-efficacy over green entrepreneurial intentions. A total of 532 business students in Ecuador participated in an online survey. Eight questions were focused on demographic information, and twenty-seven questions evaluated the green entrepreneurship intentions of students. An SEM-PLS technical analysis was used. The results showed that educational support for developing entrepreneurship (0.296), conceptual support for developing entrepreneurship (0.123), and country support for entrepreneurship (0.188) had a positive influence on entrepreneurial self-efficacy, and that entrepreneurial self-efficacy had a positive influence (0.855) on gren entrepreneurial intentions. The model explained 73.1% of the green entrepreneurial intentions. Outcomes of the bootstrapping test were used to evaluate if the path coefficients are significant. This study showed the impacts of education development support, conceptual development support, and country support on the entrepreneur’s ability to carry out green entrepreneurship were positive. This information can help universities develop strategic plans to achieve ecological ventures and ensure students have the necessary skills to do so on campus. The research findings also may be helpful for the governments in establishing new norms to promote entrepreneurship. The novelty is based on using the partial least square structural equation modeling (PLS-SEM) technique.
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle