MétaCan
Menu
Retour à la cohorte
Enregistrement W4206953114 · doi:10.3390/jrfm15020045

Digital Transformation of Small and Medium Enterprises: Aspects of Public Support

2022· article· en· W4206953114 sur OpenAlexvenueno aff
Ramona Rupeika-Apoga, Лариса Буле, Kristine Petrovska

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueInnovation Policy and R&D
Établissements canadiensnon disponible
Organismes subventionnairesLatvijas Zinātnes Padome
Mots-clésBusinessDigital transformationIncentiveSmall and medium-sized enterprisesWorkforceMarketingPublic policyAccountingKnowledge managementFinanceEconomicsComputer scienceEconomic growth

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to identify the necessary public support measures for small and medium-sized enterprises (SMEs) and provide policy makers with guidance on how to facilitate a successful digital transformation. The study is based on a representative survey of 425 Latvian SMEs carried out in spring 2021. We combine three analyses: a survey among SMEs, qualitative comparative analysis and regression analysis. The results of this study show that a significant number of SMEs are convinced that they will not be able to cope with digital transformation without various kinds of assistance, with direct financial support from the state or EU funds and tax incentives playing a major role. The range of public support required is rather wide, from staff training, mentoring and increasing the potential workforce to tax relief and direct financial support. We found statistically significant differences in public support needed depending on the size of SMEs and their ability to independently manage digital transformation. These findings could be useful for policymakers, managers and practitioners to identify various forms of public support that can maximize the impact of digital transformation not only on business, but also on society as a whole.

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)0,020
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0040,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,018
Tête enseignante GPT0,200
Écart entre enseignants0,181 · 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

Citations97
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetInnovation Policy and R&DTravaux en français237 207