Grey relational analysis of country-level entrepreneurial environment: A study of selected forty-eight countries
Notice bibliographique
Résumé
The aim of this study is to evaluate the entrepreneurial environment of selected countries, and analyze and rank them on the basis of entrepreneurship related indicators. This study’s design comprises a review of the literature, extraction of secondary data on the phenomenon, and analysis. The research gap has been established through a review of the literature, leading toward the development of problem statement. The cross-sectional data, related to entrepreneurship indicators, is extracted from website of World Development Indicators (2021) for 48 selected countries. Using positivism as a research philosophy and deduction as a research approach, the data are analyzed through grey relational analysis (GRA). On the basis of grey relational grades, this study also classified the countries on the continuum of “much better” to “worse.” The results of the study show that the United States, United Kingdom, Japan, Australia, Hong Kong SAR, China, France and Canada attained the highest grey relational grades and are considered the countries having much better entrepreneurial environment; whereas Poland, Kuwait, Namibia and so on attained the lowest grey relational grades and are considered the countries having worst entrepreneurial environment. This research has several practical implications for different economies/countries, entrepreneurial ventures, aspiring entrepreneurial, and researchers. On the basis of findings of this study, policy makers should refine country-level entrepreneurial policies while keeping in view the respective grey relational grades.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».