Syrian SMEs in Times of COVID-19 Pandemic: Challenges, Adaptation, and Policy Measures
Notice bibliographique
Résumé
SMEs constitute the backbone of the Syrian economy and have suffered manifold challenges due to the continuous Syrian war. COVID-19 added further pressures on Syrian SMEs and forced them to take certain adaptation strategies to survive. This paper aims to investigate the main challenges that face Syrian SMEs during the pandemic and illustrate how they respond to adversities that emerged from governmental intervention to control the spread of the virus. It also discusses the measures initiated by the government to support SMEs during the pandemic. Through interviewing persons from the Syrian SMEs’ ecosystem, we find that high interest rates on SMEs’ loans decline on demand as well as high inflation represent the main challenges. SMEs respond to these challenges by marketing products online, stock procurement, and strengthening connections with stakeholders. We recommend the Syrian authorities reduce lending rates and increase loan sizes available to SMEs to help them overcome the pandemic adversities. Innovative sources of funding, such as venture capital and equity partnerships, could reduce the funding costs of SMEs. Moreover, SMEs will immensely benefit from training in digital tools to enhance their expansion and survival opportunities. Furthermore, bazaars should be organized during the year to give SMEs the opportunity to gain continuous access to markets. In addition, incubation services should be revised, particularly to SMEs with great potential to grow, to create the suitable environment for them to scale and flourish.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».