Financing Enterprises to Boost Employment in Cameroon
Notice bibliographique
Résumé
Cameroon has 93969 different enterprises (NIS, 2010) operating in varied fields aimed at fostering economic growth. The enterprises confront challenges such as infrastructural weaknesses, unfavorable business climate and poor governance (World Bank, 2013), thus leading to disappointing results in terms of economic growth. Such a situation has attracted much attention from businessmen and policy-makers alike as to what to do in order to reverse the situation for favorable job creation and economic growth. The paper aims at examining the impact of external financing to enterprises in order to offer employment in Cameroon. Econometrically analyzing a sample of 180 loan recipients and 273 non-loan recipients, using the decomposition technique of Blinder-Oaxaca (1973), results show that enterprises that received external funding were more performing and creating jobs than those that did not, especially those operating in Yaoundé and Douala. A positive gap of total number of employees existed between loan and non-loan recipients estimated at 15 employees per enterprise. Also, such loans received positively amplify the actions of productive factors in Yaoundé and Douala considering the number of establishments and businesses. Equally, there exist a difference due to observable characteristics of enterprises and their coefficients, contributing 181.1 and 140.12% respectively for loan and non-loan recipients. We therefore recommend that the state, financial institutions and enterprises should work in synergy to collectively improve on enterprise financing so as to boost employment in Cameroon that can lead to economic growth.
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 | 0,001 |
| 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 ».