Understanding the impact of innovation and other business support interventions on SMEs’ development – Lessons from sub-Saharan Africa from an evidence-based review
Notice bibliographique
Résumé
Small, and medium-sized enterprises (SMEs) play significant roles in economic growth, development, and job creation in sub-Saharan Africa (SSA). This study employed a Systematic Literature Review (SLR) approach to identify empirical evidence on the impact of innovation and business support activities on SMEs’ performance across countries in SSA. Based on geographic concentration and approaches, the study focused on 48 articles that evaluated programmes aimed at supporting SMEs in SSA. The results show that, on average, innovation and support programmes had positive implications on firm performance, employment generation, export performance and labour productivity. Furthermore, socioeconomic factors and inclusivity, technical expertise of employees, access to finance and credit, firm’s social capital and enabling government policies among others were found to drive successful integration of innovation and business support programmes and its subsequent impacts among SMEs. Few of the studies identified focused on equity, diversity, and inclusivity issues. The study concludes that unlocking the region’s growth potential will require bridging the credit gap, strengthening SME value chains and boosting productivity through digitalization, technology adoption, and adaptation. Further studies should pay attention to equity, diversity, and inclusivity issues, as well as embed both qualitative and quantitative approaches in the enquiry of programme impact.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».