Factors influencing the success of women-owned SMEs in Africa
Notice bibliographique
Résumé
This dissertation investigates strategies for the success and growth of women-owned SMEs in Africa, focusing on the challenges, opportunities, and impacts. The essence of this project is to highlight the critical role of women entrepreneurs in driving economic growth across the continent, despite facing significant barriers such as limited access to finance, regulatory hurdles, and socio-cultural constraints. The Nigerian populace can testify to witnessing firsthand, the profound impact that women have on both personal relationships and the broader economy. Recently, a study opined that Nigeria’s female entrepreneurs in SMEs contribute to 50% of the nation's GDP and significantly influence the employment rate, with about 23 million women running micro-businesses (See Uddoh, 2023). Africa boasts the highest proportion of women entrepreneurs globally, with OECD research indicating that over a quarter of businesses are started or run by women, compared to just 5.7% in Europe (figures from the European Investment Bank). Despite their high levels of entrepreneurial activity, African women often lack recognition and support.The motivation for this study stems from a desire to enhance economic empowerment through women’s entrepreneurship. This study aims to get a renewed perspective on this subject by analysing quantitative data from sources like the World Bank, IFC, and UNIDO, as this research aims to uncover key factors influencing the performance of women-owned SMEs. The goal is to provide actionable insights and policy recommendations to foster a supportive entrepreneurial ecosystem, thereby contributing to sustainable economic growth in Africa.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».