Trust, Fairness, and Ethics in the Digital Age: A Systematic Literature Review on Their Impact on SME Performance
Notice bibliographique
Résumé
This study aims to analyze the influence of the implementation of trust, fairness, and ethics on the performance of Micro, Small, and Medium Enterprises (MSMEs) in facing the challenges of digital transformation. Through a quantitative approach and cross-country comparative literature study, this study examines how moral and relational factors affect the sustainability and productivity of MSMEs. The results of this study are supported by global findings, including from Agarwal (2014) in India regarding the importance of trust in work relationships; Tlaiss et al. (2015) in Canada and Brown et al. (2015) in the UK regarding the role of fairness and organizational support in improving performance; and Abdullahi et al. (2016) in Nigeria which emphasizes ethics as the foundation of business. Other studies such as Engelbrecht et al. (2017) in South Africa and Afsar et al. (2018) in Pakistan show that fairness and ethics increase employee loyalty and performance. In the digital context, studies by Wong et al. (2020) in Hong Kong, Chamtitigul & Li (2021) in China, and Oh et al. (2022) in South Korea underlines the importance of digital ethics and trust in the modern business ecosystem. Research by Alpkan et al. (2020) in Turkey and Umar et al. (2024) in Nigeria confirms that organizational justice and ethical leadership can strengthen the competitiveness of MSMEs amidst digitalization. The findings of this study indicate that the synergy between trust, justice, and ethics is a crucial foundation in improving MSME performance, especially in facing digital disruption. Therefore, MSMEs need to internalize these values in managerial practices in order to survive and develop sustainably.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 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 ».