MétaCan
Menu
Retour à la cohorte
Enregistrement W4312185961 · doi:10.5267/j.uscm.2022.10.004

The role of innovation capability in mediation of COVID-19 risk perception and entrepreneurship orientation to business performance

2022· article· en· W4312185961 sur OpenAlexvenueno aff
Nyoman Surya Wijaya, Putu Laksmita Dewi Rahmayanti

Notice bibliographique

RevueUncertain Supply Chain Management · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSMEs Development and Digital Marketing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEntrepreneurshipTourismBusinessEntrepreneurial orientationPerceptionMediationPath analysis (statistics)Nonprobability samplingMarketingRisk perceptionIndustrial organizationPopulationPsychologySociologyComputer science

Résumé

récupéré en direct d'OpenAlex

The purpose of this study is to explain how innovation capability influences business performance by mediating the effect of Covid-19 risk perception and entrepreneurial orientation. This study's population consists of MSMEs in Bali's tourism and creative industries. Purposive sampling was utilized to choose 90 managers of MSMEs in the tourist and creative economy sectors. Path Analysis with SEM-PLS was employed as the analytical approach. The findings revealed that the COVID-19 Risk Perception had a negative and significant impact on business performance, but the Entrepreneurship Orientation had a positive and significant impact. Furthermore, COVID-19 Risk Perception had a negative and significant impact on Innovation Capability; while the Entrepreneurship Orientation had a positive and significant effect on Innovation Capability; and Innovation Capability had a positive and significant impact on business performance. In addition, Innovation Capability was able to mediate the influence of COVID-19 Risk Perception and Entrepreneurship Orientation on business performance. Therefore, it is important for MSMEs in the tourism and creative economy sectors in Bali to improve their Entrepreneurship Orientation so that they are able to build higher innovation capabilities in order to improve business performance in facing the risks of the COVID-19 pandemic.

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)0,002
score de la tête « metaresearch » (Gemma)0,009
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,014
Tête enseignante GPT0,268
Écart entre enseignants0,254 · 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

Citations24
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetSMEs Development and Digital MarketingTravaux en français237 207