Gender composition of ownership and management of firms and the gender digital divide in Africa
Notice bibliographique
Résumé
Purpose: This study analysed the determinants of firms’ adoption and utilisation of digital technologies in Africa, with specific attention to the gender structure of firms’ ownership and management, in the interest of closing the gender digital divide. Design/methodology/approach: Logistic and Poisson regression techniques were used to analyse firm-level data from the World Bank’s Enterprise Survey in 48 African countries for the period 2006–2019. Findings/results: (1) Representation: The descriptive analysis shows very low representation of women in the ownership and management of firms in Africa. Whilst just over a quarter of the firms were partly women-owned, less than 10% are majority- or all-women-owned and only 12% have women as a top manager. The results are a comparison of firms according to gender composition. (2) Adoption: The regression estimates suggest that firms that are partly women-owned are more likely to adopt digital technologies, but all-women-owned and firms with women as top managers are less likely to adopt digital technologies for their business activities. These results on the adoption of digital technologies remained consistent with the results on utilisation of digital technologies for business activities. (3) Utilisation: Partly women-owned or women-led firms are less likely to use digital technologies for business activities such as using the Internet for research and placing orders. However, these firms are more likely to use e-mail for business communication. Partly women-owned firms are more likely to use digital technologies more intensively, whilst the opposite was observed for majority- or fully women-owned and women-led firms. Practical implications: This study highlights the need for initiatives focussed on developing women in Africa’s knowledge and use of digital technologies in business. Based on the results, women are urged to enhance their skills in this domain. This may present greater opportunities in terms of employment of women to increase women’s representation. Originality/value: The article contributes to knowledge on the nexus between gender digital divide and gender inequality in ownership and management of firms. The results may also inform initiatives to narrow the digital divide in Africa.
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 ».