Exploring the Roots of Small and Medium Enterprise Financing Issues in Myanmar
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Financial constraints are one of the top significant barriers for the growth and survivals of small and medium enterprises (SMEs). This study focuses on the causes of the SME financing issues in Myanmar before the covid-19 period from both demand side (SMEs) and supply side (banks). The study conducts a comparative analysis of SME financing between Myanmar and other ASEAN countries, as well as that of SMEs in comparison to large enterprises (LEs) within Myanmar. It utilizes firm-level data from the World Bank’s Business Environment and Enterprise Performance Survey (2014-2017) and country-level financial data from the Global Financial Development Database and Doing Business Survey (2010-2019) across eight ASEAN countries. The findings reveal that both Myanmar’s SMEs and its banking sector have internal weaknesses that hinder SME financing. Myanmar’s SMEs show weaknesses in key areas such as information and communication technology (ICT) skills, the use of audited financial statements, and export capabilities. Despite these shortcomings, Myanmar SMEs, particularly in the manufacturing sector, demonstrate growth potential in employment and innovation, like ASEAN SMEs. On the supply side, Myanmar’s banking sector shows inefficiencies, including high market concentration, low market stability, limited credit creation, and weak contract enforcement. These factors exacerbate collateral requirements for SMEs, further impeding their access to bank loans. As a results, Myanmar’s SMEs face more serious collateral challenges and lower financing opportunities than their ASEAN counterparts. To improve SME financing in Myanmar, policies must address the weaknesses on both the demand and supply sides.
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.
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 | 0,001 |
| 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 découle