Networking Frictions and Entrepreneurial Learning in Developing Economies
Notice bibliographique
Résumé
Relationships with peers help entrepreneurs learn and improve firm performance. Recent scholarship confirms that events—social gatherings such as mixers, conferences, or training programs—can help entrepreneurs build valuable social connections. Yet, for entrepreneurs in developing economies, networking frictions may make connecting with peers challenging and undermine the benefits of events. We argue that when networking frictions are high, the value of events will lie more in connecting neighbors rather than bringing together distant peers. In the presence of networking frictions, neighbors are both less likely to be someone the entrepreneur has already learned from and easier to sustain a relationship with. To test this argument, we use data from a series of networking events in Togo during which entrepreneurs were randomly assigned to meet with peers from across the city of Lomé. We find that entrepreneurs who were assigned to neighboring peers were much more likely to sustain a relationship, learn from their peer’s management knowledge, and in turn benefit more: Profits increase by 10% when entrepreneurs get to know peers who are located on average 1 km closer to them. Our results highlight the central role that networking frictions play in shaping who entrepreneurs in developing economies can successfully learn from. This paper was accepted by Lamar Pierce, organizations. Funding: Ewing Marion Kauffman Foundation [Dissertation Fellowship] and the Strategic Management Society [SRF Dissertation Fellowship]. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2022.00281 .
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».