Global franchising in emerging and transitioning economies
Notice bibliographique
Résumé
Franchising has experienced phenomenal growth both in the US and abroad in recent years. Figures vary, but it is estimated that U.S. franchising generates $800 billion worth of business in gross sales and represents 40 percent of the retail trade (Swartz, 2001). While in the US, Canada and parts of Western Europe franchising has reached domestic market saturation, emerging markets remain relatively untapped. Emerging markets, accounting for 80% of the world’s population and 60% of the world’s natural resources, present the most dynamic potential for long-term growth to businesses, in general, and to franchisors, in specific. The U.S. Department of Commerce estimated that over 75% of the expected growth in world trade over the next two decades will come from emerging countries, particularly Big Emerging Countries, which account for over half the world’s population but only 25% of its GDP. Emerging markets are among the fastest growing markets for international franchisors. Several surveys conducted by Arthur Andersen showed that more and more franchisors are seeking opportunities in emerging markets. A recent article in Franchising World (Amies, 1999) stated: “Franchises are springing up in the most unlikely, and for many of us unheard-of, places...Those franchisors who can establish a beach-head on these wilder shores could do very well, but the risks are great.” This article is a step in the direction of educating its target markets about international franchising opportunities and threats in emerging economies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».