The e-factor: Advancing women entrepreneurs in the digital economy
Notice bibliographique
Résumé
This paper reports the results of a study conducted in 2005 across APEC economies on women-owned uptake of e-business. As reported in the APEC report, there are few statistics available on the adoption of ICT by women small business owners. Australia, for one, does not have gender disaggregated data on ICT adoption. Of the APEC economies where data is available, data is based on small samples and its generalisability to all women-owned businesses in the economy is suspect. Canada and Mexico have high percentages of women using the Internet (57% and 46% respectively). In Mexico, this is considerably higher than the percentage of total business using the Internet, which is only 7.9%, indicating the danger of a small, specialised sample (Wright, 2006). From this study it has also become evident that there has not been any attention paid in e-business policies to addressing adoption of ICT by women entrepreneurs nor to women entrepreneurs related business needs. It is proposed in this paper that women entrepreneurship, and in particular e-entrepreneurship requires an enabling environment to goes beyond e-business capacity building. We have known for some time that women are concentrated in micro and small enterprises. Many are sole proprietors and many more than men are in home-based businesses. Extensive research on women entrepreneurship has shown that women face numerous obstacles (e.g., access to finance; juggling family care and business) when venturing into business. Yet no data is available on whether this is true for e-business or not, but past experience tells us it is likely to be so. The paper introduces a coordinated and holistic empowerment model to build e-business capacity for women entrepreneurs and concludes with e-business policy implications.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».