Better Loans or Better Borrowers? Lifting Credit Constraints for Women-Owned Firms in Ethiopia
Notice bibliographique
Résumé
Purpose Evidence on the relationship between credit and firm growth among micro, small, and medium enterprises relies heavily on the microfinance literature, which finds that credit has only modest impacts on business performance. Our study investigates the impact of meso-credit : larger capital infusions with longer maturities to women entrepreneurs in Ethiopia. We study the impact of individual-liability loans with an average size of USD12,000, or eight times larger than the typical microfinance group-lending offering. Study design We leverage panel survey data collected from nearly 2000 firms in three post-loan intervention time periods over five years. We employ difference-in-differences and propensity score matching methods to estimate the impact of the loans to women-owned, formal enterprises, relative to a comparison group not offered loans. Findings Our results suggest that large, individual-liability loans have a significant positive impact on firm growth, with gains of 30% in business income and 50% in employment for firms that borrow, relative to those that do not. Loans also increase the likelihood of survival of existing firms. These effects are not merely driven by positive selection during the loan appraisal process; we find that loans matter even after accounting for borrower characteristics. Contributions Our paper is one of the first to evaluate the effect of loans to women in the “missing middle” and serves as a proof of concept that larger capital infusions for firms can promote growth. Implications Policymakers that seek to support the growth of firms should consider redesigning loan products to target underserved market segments, with larger and better-fit credit.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».