MétaCan
Menu
Retour à la cohorte
Enregistrement W2127885938 · doi:10.5539/ijef.v5n10p85

Access to Credit and the Effect of Credit Constraints on the Performance of Manufacturing Firms in the East African Region: Micro Analysis

2013· article· en· W2127885938 sur OpenAlexvenueno aff
Faisal Buyinza, Edward Bbaale

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLoanTobit modelProbitInterest rateProductivityBusinessProbit modelMicrofinanceAccess to financeFinanceEconomicsMonetary economicsMacroeconomicsEconomic growthEconometrics

Résumé

récupéré en direct d'OpenAlex

The study set out to investigate the factors influencing manufacturing firms’ access to credit and the effect of credit constraints on firm performance in the East African Community (EAC) using the World Bank (2006) enterprise survey for 5 EAC countries. We employed simple probit, simple OLS, tobit, and a two-step probit models. Descriptively, the top five business constraints in order of severity include; electricity outages and costs, access to finance, high and volatile tax rates, corruption, and macroeconomic instability. The majority of firms within the EAC are credit constrained with only 37% of firms in the best performing sector (metal fabrications) having obtained a loan. Quantitatively, high performing firms, exporters, medium and large firms increase the probability of credit access. Findings indicate that having access to credit and a long loan duration increase firm performance, while increase in the annual interest rate reduces firm productivity. Governments in the region should tackle the business constraints rated as very severe. EAC governments should make credit access easier by lowering the annual interest rates and also negotiating for a longer pay back period for individuals in the business sector. Governments in the region should put specific attention on those sectors which are observed to have an extreme disadvantage in accessing finance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,503
Score d'incertitude au seuil0,221

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,222
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetFirm Innovation and GrowthTravaux en français237 207