Women entrepreneurs in rural Nigeria: formal versus informal credit schemes
Notice bibliographique
Résumé
Purpose This study examines why low-wealth women entrepreneurs forgo mobile enabled money services and government supported micro finance for informal, community-based revolving loans in rural Nigeria. Design/methodology/approach Thematic analysis of 25 interviews with women in rural, south-west Nigeria. Entrepreneurial ecosystem theory, in the gendered context of micro finance and community-based lending, is employed. Findings This study explains the paradox of forgoing seemingly accessible mobile enabled credit, and formal credit schemes (e.g. micro-finance programs) for informal, one-on-one borrowing. Convenience and trust-based relationships with respected community members ease the burden of time scarcity and vulnerability associated with formal capital. Flexible terms, autonomy, self-reliance and knowing who one is dealing with make Esusu a preferred source of finance. Findings are discussed in the context of gendered entrepreneurial ecosystems in which participants conduct business. Research limitations/implications The sample is not representative of women entrepreneurs in rural Nigeria. Survivorship bias is acknowledged. Further research is needed on the psychological risks of informal capital and the benefits of community-based lending. Practical implications Measures to scale mobile enabled credit, without commensurate interventions to address time management and other structural issues that confront women traders, limit their utility and impacts. Power differentials between women traders and lenders must also be considered in the design of lending products. Training of women traders and formal lenders should incorporate curricula about gender gaps in capital markets and systematic gender challenges to support entrepreneurs who seek to grow beyond subsistence enterprises. Originality/value This study documents decision criteria that motivate informal rural women traders to employ community-based revolving credit or Esusu. Findings inform measures to increase women entrepreneurs' access to capital in a rural sub-Saharan Africa contexts.
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 | 0,002 |
| 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 | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».