Redefining women's entrepreneurial financing mechanism in Kenya and Nigeria: the emergence of Chama and Esusu
Notice bibliographique
Résumé
In many nations across the world there has been significant growth in the level of female entrepreneurs, this spans from developed economies (McAdam, 2013) such as the US, Australia, Canada, to the developing economies of Sub-saharan Africa (Aliyu, 2013). Also, as Sub-saharan African countries yearn for economic prosperity through growth and development of entrepreneurship, policymakers and governments are turning to female entrepreneurs as a way of achieving this (Adetiloye et al., 2020). However, female business owners face diverse challenges of which access to finance is most critical (Onoshakpor, Cunningham & Gammie, 2022). While research suggests that their inability to access finance comes from a lack of enough accumulated personal funds (Bastian, Sidani & El-Amine, 2018; Sindani, 2022), which results in lower levels of overall capitalisation, reduced ratios of debt finance and venture capital financing (Onoshakpor, Cunningham & Gammie, 2023). While these reasons convey much of the findings of western literature, there is still a dearth of knowledge from non-western contexts and sub-Saharan African contexts in particular. In addition to highlighting the challenges around access to finance for female entrepreneurs from mainstream finance institutions, the ways in which these disadvantaged groups finance their businesses are also a relevant contribution to the body of literature. This research, therefore, investigates women's financing mechanisms in the context of two sub-Saharan African countries with strong arguable patriarchal structures and offers solutions on how these financing mechanisms can be supported in order to support more female entrepreneurs.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».