Financial resilience of small and medium enterprises in Bali
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The economy of Bali heavily relies on the tourism sector, leading to economic vulnerability. There are numerous challenges in Bali's economy, with COVID-19 being one of the most prominent examples. During the COVID-19 pandemic, Bali's economy experienced the deepest contraction and slowest recovery compared to other provinces in Indonesia. Amid this economic vulnerability, it is important to conduct research on the financial resilience of SMEs in Bali. This research aims to analyze the influence of financial literacy on financial resilience, as well as the mediating role of financial performance and fintech adoption on the impact of financial literacy on financial resilience among SMEs in Bali. The research method used is a quantitative approach with a sample of 177 SMEs in Bali, selected through non-probability sampling techniques. Data were analyzed using descriptive and inferential statistics, with SEM-PLS in SmartPLS 3.0 program. The test results indicate that financial literacy has a positive and significant influence on financial resilience, financial performance, and fintech adoption. Financial performance and fintech adoption also have a positive and significant impact on financial resilience. Furthermore, financial performance and fintech adoption can partially mediate the influence of financial literacy on financial resilience in SMEs in Bali. The findings of this research are beneficial for the development of Knowledge-Based View theory and Technology Acceptance Model, as well as for SMEs in Bali and the government as policy makers in efforts to enhance financial resilience.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle