Effects of Participation of Micro and Small Enterprises in Microfinance on Their Performance in Kenya
Notice bibliographique
Résumé
The development of the microfinance sub-sector in Kenya is seen as a favourable catalyst for increasing performance of Micro and Small Enterprises (MSEs). Despite the development, MSEs continue to suffer from high levels of financial exclusion and shortage of operating funds. This scenarios raise policy questions on whether participation in microfinance has effects on performance of MSEs. While past studies on this relationship have demonstrated that the effects are mixed, an understanding of the effects on participation of microfinance on different segments on MSEs - especially the youth and women owned businesses and age of businesses, is necessary in designing relevant policy changes in the MSE subsector. To address this, the study used the 2016 FinAccess Dataset and estimated these effects using the propensity score matching technique. This model was considered suitable since it accounted for potential endogeneity biases associated with self-selection into participation, unobserved entrepreneurial abilities and risk taking behaviour of MSEs. Apart from showing that participation in microfinance has positive effects on performance of MSEs, the study has demonstrated that there is presence of constraints limiting the impact of microfinance especially in firms owned by the youth and women. As such, there is need for policy and product designs to address these hindrances even as participation in microfinance is encouraged. Based on the results, it is recommended that government and microfinance providers should design policies and products that increase firm participation in microfinance. This may be through scaling up financial literacy programmes and encouraging acquisition of permits. Finally, policy should address obstacles that hinder the youth and women owned MSEs from benefiting from microfinance.
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 ».