Earnings of persons with disabilities: Who earns more (less) from entrepreneurial pursuit?
Notice bibliographique
Résumé
Purpose Persons with disabilities (PWD) are among the largest and most diverse minority groups and among the most disadvantaged in terms of employment. Entrepreneurial pursuit is often advocated as a path toward employment, inclusion, and equality, yet few studies have investigated earning variation among PWD. Design/methodology/approach The authors draw on social cognitive career theory (SCCT), and the disability employment and entrepreneurship literature to develop hypotheses about who among PWD are likely to earn more (less) from entrepreneurial pursuits. The authors then conduct analyses on the nationally representative sample of the Canadian Survey on Disability (CSD) by including all PWD engaged in entrepreneurial pursuit, and matching each to an organizationally employed counterpart of the same gender and race and of similar age and disability severity ( n ≈ 810). Findings Entrepreneurial pursuit has a stronger negative association with the earnings of PWD who experience earlier disability onset ages, those who report more unmet accommodation needs, and those who are female. Originality/value First, this study applies SCCT to help bridge the literature on organizational employment barriers for PWD and entrepreneurs with disabilities. Second, we call into question the logic of neoliberalism about entrepreneurship by showing that barriers to organizational employment impact entrepreneurial pursuit decisions and thereby earnings. Third, we extend the understanding of entrepreneurial earnings among PWD by examining understudied disability attributes and demographic attributes. Lastly, this study is among the first to use a matched sample to empirically test the impact of entrepreneurial pursuit on the earnings of PWD.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».