MétaCan
Menu
Retour à la cohorte
Enregistrement W4386741325 · doi:10.3390/jrfm16090409

The Effect of Employee Involvement in Strategic Change on the Performance of Insurance Companies in Zimbabwe

2023· article· en· W4386741325 sur OpenAlexvenueno aff
Bibi Zaheenah Chummun, Lizanani Nleya

Notice bibliographique

RevueJournal of risk and financial management · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Analysis and Policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLikert scaleBusinessCompetition (biology)IBMMarketingTeamworkScale (ratio)Competitive advantageTest (biology)ManagementEconomics

Résumé

récupéré en direct d'OpenAlex

Due to rapid technological advancements and intense competition, organizations must find new ways to do business. As a result, changes in an organization’s structures, systems, and strategies are now a pre-requisite to survive the competition. Involving employees in strategic change programmes will harness ideas that enhance competitive advantage and organizational performance. The purpose of this study is to inform industry executives, especially in insurance companies, that employees are crucial resources that must be valued for their contribution to the survival of the organization. A total of 115 respondents were surveyed using a 5-point Likert scale questionnaire in a quantitative research approach. This study employed the multiple regression method to test the effect of five employee involvement constructs on organizational performance using IBM SPSS V28 software. All five constructs, that is, participation in decision-making, teamwork, communication, creativity, and innovation, significantly affected the performance of insurance companies in Zimbabwe. This study’s findings will convince top managerial leaders of the insurance industry to acknowledge and appreciate the importance of involving employees in strategic change programmes. Furthermore, industry regulatory authorities can promote policies and practices that involve employees in decision-making.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,047
Score d'incertitude au seuil0,093

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
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 savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,039
Tête enseignante GPT0,229
Écart entre enseignants0,190 · 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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetEconomic Analysis and PolicyTravaux en français237 207