The impact of sharing economy platforms, management accounting systems, and demographic factors on financial performance: Exploring the role of formal and informal education in MSMEs
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
This study analyzes the effectiveness of sharing economy platforms and management accounting systems (MAS) on the financial performance of Micro, Small, and Medium Enterprises (MSMEs) in Malang City, Indonesia, by considering the moderating effect of demographic factors such as gender, age, and business tenure. The investigation also examines the impact of formal and informal education on financial performance, positing that practical training yields greater financial improvement than theoretical schooling. This research examines 234 MSMEs using structural equation modeling (SEM) with SmartPLS and employs path analysis to investigate the impact of sharing economy platforms on MAS, as well as its consequences for financial performance. The results indicate that sharing economy platforms and MAS have a significant effect on financial performance. Informal education has a significant effect on sharing economy platforms and MAS, whereas formal education has a negative effect on financial performance. Demographic factors were observed to have a significant moderating effect on the path from MAS to financial performance. This study introduces the Adaptive Financial Capability Model (AFCM), a novel framework that uniquely integrates adaptive learning derived from informal education with demographic factors. By bridging practical training with contextual variables, such as gender, age, and business tenure, the AFCM provides an original perspective on enhancing financial management and technology adoption within MSMEs.
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 | 0,001 | 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 | 0,003 |
| 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