Debt Financing and Growth Sustainability of Small and Medium-Sized Enterprises: The Moderating Effect of Debt Literacy
Notice bibliographique
Résumé
This study investigates the moderating role of debt literacy in the relationship between debt financing (loan size, interest rate, and loan maturity) and the growth sustainability of Small and Medium-sized Enterprises (SMEs) in Lira City, Uganda. Guided by the Financial Capability Theory and employing Structural Equation Modeling (SEM) with bootstrapping, the study evaluates both direct and indirect relationships among financial structures, behavioral competencies, and business outcomes. Data were collected from 311 SMEs across diverse sectors and analyzed using exploratory and confirmatory factor analysis prior to SEM testing. The results reveal that loan size and interest rate have statistically significant negative effects on SME growth, while loan repayment shows no direct impact. Debt literacy was found to partially mediate the relationship between loan size and growth, and between loan repayment and growth. Moreover, debt literacy significantly moderated the relationship between loan size and growth sustainability, but did not moderate the link between interest rate and growth. The moderation effect on loan maturity, proxied by repayment behavior, remained inconclusive. These findings highlight the critical importance of integrating debt literacy into SME financing programs. The study contributes to theory by reinforcing the Financial Capability Theory and extends empirical literature by modeling debt literacy as both a mediating and moderating factor. Practical implications include policy recommendations for designing tailored financial education and supportive credit products that promote responsible borrowing and long-term business sustainability in developing economies.
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) | 0,000 | 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 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 ».