Insights from migrant entrepreneurship in Portugal pre- and post- COVID- 19
Notice bibliographique
Résumé
This study explores the resilience of Brazilian businesses in Porto, Portugal, focusing on those that survivedthe COVID-19 pandemic. Entrepreneurs were interviewed before and after the pandemic, providing insightsinto the local entrepreneurial ecosystem (EE) from a migrant perspective. Using a mixed embeddednessapproach, the research examines the pandemic’s impact on these businesses and identifies attributes criticalto their survival. This study highlights conceptual gaps in the EE framework, particularly regarding small businessesand migrant entrepreneurship during crises. Through Eisenhardt’s case study methodology, data werecollected via 32 in-depth interviews before the pandemic, with follow-ups revealing that only 15 businessesremained operational. Five surviving entrepreneurs were interviewed in detail. Resilient businesses, suchas restaurants and computer/cell-phone repair shops, adapted by offering in-home services and leveragingsocial media to engage clients, demonstrating creativity and risk-taking. Unlike many local entrepreneurs,Brazilians exhibited higher risk tolerance, using government financial aid not only for personal needs butalso to sustain their businesses. This research contributes to the literature by addressing theoretical gaps inmixed embeddedness and EE concepts, while applying an innovative analytical framework combining mixedembeddedness, resilience strategies, and resource orchestration theory. It offers practical implications forpolicymakers and stakeholders, emphasizing the economic and social integration of migrants. Tailored supportstrategies are recommended to address the unique challenges migrants face, underscoring the broadercontributions of migrant businesses to economic growth and social cohesion in host communities.
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 | 0,000 | 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 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 ».