The Role of Human Capital Factors on Poverty in Informal Settlement: Informal Settlement of Sheikh-Hasan, Mashhad City, Iran
Notice bibliographique
Résumé
This paper investigates the determinants of multi-dimension poverty in informal settlements of Mashhad City. It specially analyzes human capital factors, among factors that influence poverty level. Education, skills, experience and knowledge have important role in promoting income level and in access to sustainable jobs, especially in informal settlements that have lower human capital level than the urban areas other. Mashhad city has most marginal settlements in Iran. Sheikh-Hasan Neighborhood in Mashhad Municipality region 4 has been selected as case study. This study is based on information gathered from household level in 2016 and the ordered logit model is employed to estimate factors influencing urban poverty. Data were obtained from 300 households using the questionnaire Through the Systematic Random technique. Calculation of poverty indexes reveals that nearly 87% of households are below absolute poverty line and 20% of households are below extreme poverty line. Marginal effects show variables of “job stability”, “Ownership”, “Household size” and “Education of household head” have the greatest impact on poverty alleviation. Also, variables of “Education level” and “highest level of education of household members” have positive effect and significant on poverty. Results represent that poverty in informal settlements of Mashhad is strongly linked to factors such as human capital. In addition, with increasing the level of knowledge of household heads and creation of favorable conditions for increasing of the education level of household members can reduce poverty.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».