Roles of Managers and Stakeholders Perception on Solar Technology Adoption Intention: A Case of Micro, Small and Medium Enterprises (MSMEs) in Lagos State, Nigeria
Notice bibliographique
Résumé
Powers shortages is rampant in Africa of which Nigeria is not an exception and solar technology as a viable alternative source of electricity which would mitigate this problem has meted slow adoption. This study aimed to explore the impact of mindset/attitude from Theory of planned behavior (TPB), Disruptive Innovation Theory (DIA), awareness-knowledge, opportunity and barrier over managers (owners) of MSMEs intention to adopt solar technology for their businesses. A questionnaire was administrated to collect data from a sample of 400 managers (owners) of MSMEs respondents’ in Lagos State, Nigeria. A multivariate technique was applied to test the hypotheses using Structural Equation Modeling (AMOS-23). The findings showed that mindset/attitude, (DIA) and opportunity have a significant impact on solar technology intention, however, awareness-knowledge and barrier were not significant. These independent variables explained 71% variance of the dependent variable intention. In addition, DIA was found to have a significant impact on opportunity, barrier and mindset/attitude however, barrier on mindset/attitude was not significant. These findings not only provide evidence for MSMEs strategic planning to ensure sustainable business growth for their businesses but also provide new knowledge to policy and decision makers, the manufacturing & installation (suppliers) companies and other stakeholders for renewable energy as a part of long term sustainable development.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».