Determinants of Loan Repayment among Small Holder Cooperative Farmers in Remo Division, Ogun State, Nigeria
Notice bibliographique
Résumé
<p>This study investigated the factors that are crucial in improving small holder cooperative farmers’ loan repayment in Remo Division of Ogun state, Nigeria. Primary data used for the study were collected with the aid of well-structured questionnaire. Multi-stage sampling techniques were used to select the 120 respondents. The data were analyzed using descriptive statistics and probit regression model. The results of the descriptive analysis showed that about 56% of the respondents were able to repay their loans promptly while the rest were not. The respondents’ mean age stood at 47 years, the majority of them are males and married with fair level of education. The majority of smallholder farmers in the study area had been farming for more than 20 years, while the household size for the majority of them was 4-6 members with average family size of 5. The results of the probit regression analysis revealed that age, level of education, farming experience, net farm income and loan size obtained were the major factors that increase the likelihood of loan repayment, while the number of family dependants reduces the probability of repayment. To improve loan repayment ability in the study area, this study recommended improvement in human capacity development as well as sensitization of the farmers in the study area about the importance of education.</p>
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 | 0,002 | 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 | 0,001 |
| 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 ».