Notice bibliographique
Résumé
The micro-finance revolution has changed attitudes towards helping the poor in many countries and in some has provided substantial flows of credit, often to very low-income groups or households, who would normally be excluded by conventional financial institutions. Bangladesh is starkest example of a very poor country, where currently roughly one quarter of rural households are direct beneficiaries of these programs (Khandker 2003). Much has been written on the range of institutional arrangements pursued in different organizations and countries and in turn a vast number studies have attempted to assess the outreach and poverty impact of such schemes. However, amongst the academic development community there is a recognition that perhaps we know much less about the impact of these programs than might be expected given the enthusiasm for these activities in donor and policy-making circles. To quote a recent authoritative volume on micro finance: “MFI field operations have far surpassed the research capacity to analyze them, so excitement about the use of micro-finance for poverty alleviation is not backed up with sound facts derived from rigorous research. Given the current state of knowledge, it is difficult to allocate confidently public resources to micro-finance development.” (Zeller and Meyer 2002). This is a very strong statement of doubt and in part reflects lack of accurate data, but also in part methodological difficulties associated with assessing exactly what proportion of income and other effects on the beneficiaries of micro credit can actually be attributed to the programs themselves. In recognition of this uncertainty this paper aims to bring together some of the recent evidence that has been accumulating on the impact of micro finance activities on poverty reduction. In particular we ask what is the evidence on three specific issues - the extent to which micro finance initiatives have made a lasting difference in pulling households out of poverty on a permanent basis; - the extent to which micro finance programs reach only the better-off amongst the poor, leaving the ‘core poor’ unaffected; - how far micro finance is a cost-effective means of transferring income to the poor.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».