Determinants of Business Resilience Framework for Small Businesses: Moderating Effects of Financial Literacy
Notice bibliographique
Résumé
Covid-19 has significantly disrupted and devastated the world's economy.Data from Malaysia shows that more than 30,000 companies have closed their operations since the movement control order (MCO) implementation due to Covid-19 that began in March 2020.However, the effects on small businesses are especially severe, mainly due to the higher vulnerability levels and lower resilience related to their size.This study provides an empirical analysis of the key drivers leading to the business resilience of small businesses in Malaysia that have survived the Covid-19 pandemic.Data from 215 small businesses were collected physically and online across Malaysia from May 2021 to December 2021.Structural Equation Modeling (SEM) using Smart PLS 3.2.4 was used to analyse the data, whereby nine hypotheses were tested in the current study.The results showed that technology acceptance, government support, and financial literacy significantly influence business resilience among small businesses in Malaysia.The results also indicated that financial literacy moderates the relationship between compliance cost and government support with business resilience.Thus, the findings revealed three important determinants of small businesses' resilience framework, namely technology acceptance, government support, and financial literacy.The study recommends a dynamic, resilient framework to adopt in the "new normal" situation for the successful navigation of small businesses in the future.Moreover, the study provides insight into the key drivers for business resilience factors that small businesses must be concerned with, as the framework can be used to deal with not only the global pandemic but also uncertain conditions.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».