African agri-entrepreneurship in the face of the COVID-19 pandemic
Notice bibliographique
Résumé
Background: The African continent is known for high entrepreneurial activity, especially in the agricultural sector. Despite this, the continent's economic development is below expectations, due to numerous factors constraining the growth and sustainability of agricultural SMEs. These constraints have been exacerbated by the COVID-19 pandemic. The purpose of this study was to understand the pathways through which the pandemic affected agri-SMEs, with specific focus on assessing the differentiated effects arising from the size of the agri-SME and the gender of the owner-manager. Methods: Data was collected from over 100 agri-SMEs, ranging in size from sole proprietorships with one employee to agri-SMEs employing up to 100 people, in six African countries. Mixed methods were used to analyse the data with changes in business operations arising from changing market access, regimented health and safety guidelines and constrained labour supply assessed using visualisations and descriptive statistics. Logistic regression modelling was employed to determine the set of variables contributing to agri-SME business downturn during the COVID-19 pandemic. Results: All surveyed agri-SMEs were negatively affected by COVID-19-associated restrictions with the size of the firm and gender of the owner-managers resulting in differentiated impacts. The smallest agri-SMEs, mainly owner-managed by women, were more likely to experience disruptions in marketing their goods and maintaining their labour supply. Larger agri-SMEs made changes to their business operations to comply with government guidelines during the pandemic and made investments to manage their labour supply, thus sustaining their business operations. In addition, logistic regression modelling results show that financing prior to the pandemic, engaging in primary agricultural production, and being further from urban centres significantly influenced the likelihood of a firm incurring business losses. Conclusions: These findings necessitate engendered multi-faceted agri-SME support packages that are tailored for smaller-sized agri-SMEs. Any such support package should include support for agri-SMEs to develop sustainable marketing strategies and help them secure flexible financing that considers payment deferrals and debt moratorium during bona fide market shocks such as the COVID-19 pandemic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».