Impact of COVID-19 on Small and Medium Enterprises in South Asian Countries
Notice bibliographique
Résumé
The research study finds the impact of COVID-19 on Small and Medium Enterprises (SMEs) in South Asian countries (excluding Afghanistan, due to the two-decades-long war on terrorism) by taking quarter-wise data from 2020 to 2021. By using the panel data random effect technique, the results demonstrate a negative relationship between COVID-19 spread and SMEs exports, as a one percent rise in the COVID-19 pandemic will result in a decline of 91 percent in exports of SMEs. The results also demonstrate that, with the exception of TTF (SME Financing as a % of Total Trade Finance), all explanatory variables are significant. SME Financing as a % of total trade finance (TTF) has a negative relationship with SMEs exports. Both BCS (Bank credit to SME sector) and NOB (percentage change in the number of SME borrowers) have a positive relationship with SMEE (Exports of SMEs), indicating that when BCS and NOB rise by one percent, SMEE will rise by .98 and 13.17 percent, respectively. The constant/intercept value shows that the SMEs exports will be 49.74 units when all other explanatory variables are set to zero. The research study also posed a policy recommendation in the situation of the COVID-19 epidemic, that what necessary and immediate action to be taken to save the lives and restore the economies of South Asian counties.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».