The Impact of Corruption on SMEs’ Trade Credit Management Effectiveness
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 continued rise in SMEs’ corruption-related activities results in uncertainty around their ability to sustainably contribute to economic growth, leaving SMEs financially fragile and exposed to problems associated with trade credit management resulting in business exits. Given that little research has been conducted on how corruption affects smaller businesses while corruption’s impact on SMEs’ trade credit management effectiveness remains largely unexamined, the study aims to determine the impact of corruption on SMEs’ trade credit management effectiveness. By addressing this unanswered research gap, SMEs could be better equipped to understand how corruption affects their trade credit management in support of their overall finances. The study employed a quantitative research design with purposive sampling using a survey by administrating 10450 online questionnaires tested by a sample of 450 SMEs across South Africa. The result aligns with expectations around corruption being detrimental to SMEs’ trade credit management effectiveness while also indicating, unexpectedly, SMEs’ willingness to partake in corruption, given that SMEs benefit from increased effectiveness in managing trade credit. The study adds to the existing literature on corruption and SMEs’ trade credit management while also providing anti-corruption recommendations to SMEs that are dependent on trade credit. In so doing, SMEs could be better equipped to understand how corruption affects their trade credit management to support their overall finances contributing to improved SME creation rates and fostering entrepreneurship as a pivotal mechanism for improving South Africa’s sustainable development goals.
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 | 0,000 | 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 découle