Development of MENA SMEs: Constraints and Success Factors
Notice bibliographique
Résumé
Small and medium-sized enterprises (SMEs) play a critical role in socioeconomic development globally, especially in emerging markets. However, in the MENA region, despite efforts by both the public and private sectors, SMEs face persistent challenges, particularly in countries affected by economic instability and political crises. Policymakers typically rely on governmental data to assess SMEs ecosystems, highlighting the need to identify and understand the key factors influencing the Ease of Doing Business Index in the region. This study aims to identify the key determinants of the Ease of Doing Business Index in three selected countries from the MENA region: Lebanon, Jordan, and Turkey. Using panel data spanning 2004 to 2022, the empirical analysis reveals that factors such as firm investment in R&D, e-government development, the use of bank financing by firms, gender-inclusive policies, commercial and professional infrastructure, and the simplification of business registration procedures, positively influence the Ease of Doing Business Index. Conversely, GDP growth, taxation, and bureaucratic hurdles exert a significant negative impact on the index. Additionally, variables such as startup costs, physical and service infrastructure, and governance show varying degrees of significance across models, highlighting their context-dependent effects. These findings underscore the complex interplay of economic, social, and regulatory factors that shape the business environment in the MENA region.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».