MétaCan
Menu
Retour à la cohorte
Enregistrement W3206921093 · doi:10.1108/ijoem-04-2020-0324

Corporate compliance capability of EMNEs: a prerequisite for overcoming the liability of emergingness in advanced economies

2021· article· en· W3206921093 sur OpenAlexaff
Liang Wang, Zaiyang Xie, Hongjuan Zhang, Xiaohua Yang, Justin Tan

Notice bibliographique

RevueInternational Journal of Emerging Markets · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInternational Business and FDI
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésBusinessMultinational corporationSubsidiaryEmerging marketsIndustrial organizationOriginalityLegitimacyCompliance (psychology)International businessLiabilityResource (disambiguation)AccountingMarketingEconomicsFinanceManagement

Résumé

récupéré en direct d'OpenAlex

Purpose The literature on how emerging market multinational enterprises (EMNEs) overcome the liability of emergingness/origin has sidestepped a prerequisite for any efforts to overcome liability, namely, corporate compliance. The authors argue that EMNEs build corporate compliance capability as a knowledge-based firm-specific advantage (FSA) to adapt to institutional norms in advanced economies. In this study, the authors empirically examine the intricate relationships between corporate compliance capability and performance in the US subsidiaries of Chinese firms. Design/methodology/approach In this study, the authors use survey data to empirically examine the intricate relationships between corporate compliance capability and performance in the US subsidiaries of Chinese firms. Findings The findings reveal a positive relationship between corporate compliance capability and subsidiary performance, as mediated by local financing. Originality/value The study suggests that corporate compliance capability helps a subsidiary gain legitimacy, which leads to local resource acquisition and utilization. Corporate compliance capability thus serves as a source of a knowledge-based FSA for EMNEs in developed 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 GPT0,286
Écart entre enseignants0,249 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations15
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Emerging MarketsMême sujetInternational Business and FDITravaux en français237 207