Relationship between Resources and Value Creation in the Kenyan-owed Mining Enterprises in Kenya
Notice bibliographique
Résumé
Studies show that countries such as United States of America, Canada, Australia, Chile, Ghana and South Africa use the right machinery and equipment to extract minerals which when sold contribute significantly to the country’s GDP. Kenyan mining industry contributed Ksh.15023 million only to the GDP in the second quarter of 2020. Therefore, it was important to establish whether Kenyan owned mining enterprises have adequate resources. The objective of this study was to establish whether resources have a relationship with value creation. This study was a cross sectional survey. A questionnaire was used to collect data from Kenyan owned mining enterprises, where both semi-structured and open-ended questions were used. A quantitative approach was employed in data analysis. Results of the research demonstrated that there was correlation between resources and value creation. ANOVA results show that resources and value creation association were statistically significant. However, Kenyan owned enterprises do not have adequate resources. This study found out that most of the Kenyan owned mining enterprises do not have adequate resources to facilitate value creation processes. These resources are crucial in mining industry because finances are used to acquire all other resources, such as machines and equipment resources that are used to extract minerals throughout the value chain process in the mining industry. Future studies can be undertaken to establish whether other specific types of mining-related enterprises have resources to facilitate mining process.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».