The Impact of Foreign Capital on the Level of ERM Implementation in Czech SMEs
Notice bibliographique
Résumé
The COVID-19 pandemic has had a devastating impact on many small and medium-sized businesses around the world. Enterprise risk management (ERM) is a conceptual framework that encompasses the systematic and comprehensive identification, analysis, and management of risks in an enterprise. In the post-communist countries of Central Europe, the level of ERM is still relatively low, especially in small and medium-sized enterprises (SMEs). This study fills a gap in the existing knowledge on ERM by shedding light on the influence of foreign capital on the level of ERM implementation in Czech SMEs. The aim of the study is to assess the influence of the share of foreign capital in Czech SMEs on the level of ERM implementation. A validated self-report of 296 non-financial SMEs in the Czech Republic was analyzed using latent class analysis (LCA) and multiple linear regression. The results of the study contribute to the literature by enriching the empirical analysis of ERM in emerging markets. The originality of the results lies in the identification of three distinct groups of firms according to the combination of implemented ERM elements—“no ERM”, “best practice ERM”, and “pretended ERM”—and the finding that the share of foreign capital, age, and firm size influence the level of ERM implementation. In particular, the positive influence of foreign capital in younger companies makes it possible to overcome the barrier of traditionalist thinking of old-school Czech managers influenced by the period of economic transition in post-communist countries. The paper builds on the existing evidence with new empirical conclusions and argues for a greater inflow of foreign direct investment into emerging 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».