Rethinking Technological Innovations Strategies: Challenges and Insights in the Performance of Micro, Small and Medium Enterprises in Kenya
Notice bibliographique
Résumé
Micro, Small, and Medium Enterprises (MSMEs) in Kenya, totaling 7.4 million, are crucial for socio-economic development and job creation. However, they face significant challenges due to inadequate access to digital services, especially fintech platforms. This study explored how the ease of accessing digital credit, its associated costs, information availability, and the regulatory landscape influence MSME growth in Uasin Gishu County, Kenya. Using an explanatory research design with simple and stratified random sampling, 121 top-level managers or owners were selected. Primary data was collected via semi-structured questionnaires. Data analysis involved descriptive statistics (percentages, frequencies, means, and standard deviations) and inferential statistics (correlation and multiple regression). Findings indicate that the ease of access to digital credit (r=0.673, p<0.001), information availability (r=0.701, p<0.001), and digital credit regulation (r=0.669, p<0.001) all positively and significantly influence MSME growth. Conversely, the cost of digital credit showed a significant negative correlation with MSME growth (r=−0.610, p<0.001). Collectively, these factors explained 60.0% of the variance in MSME growth (Adjusted R2=0.584), with the overall model being statistically significant (F (4,104) =38.921, p<0.001). The study recommends lowering interest rates, government regulation of digital lending practices to protect MSMEs, and policy frameworks that encourage easy information sharing on digital lending to foster MSME growth.
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 ».