Analyzing Spatial Distribution of Poverty Incidence in Northern Region of Peninsular Malaysia
Notice bibliographique
Résumé
Poverty has been a major problem around the world for many years. Therefore eradicating poverty has become the first agenda in the United Nations Sustainable Development Goals (SDGs) as its achievable target. In Malaysia, poverty rate is relatively low, decreasing from 49.3% in 1970 to 15% in 1990, then, to merely 0.6% in 2014. Although poverty rate is very small, it is reported at a state level which is to general to visualize its actual distribution. Furthermore, it fails to capture geographic variation within the state. This study aimed to analyze the spatial distribution of poverty incidence in the northern region of Peninsular Malaysia at a sub-district level using Geographic Information System (GIS). GIS was used to map poverty rate, demographic burden and poverty hotspot in the study areas. The poverty data were obtained from e-Kasih database. Furthermore, the accessibility of each sub-district to major urban centers, higher education institutions, and health facilities were also measured. Results indicated that poverty rate was highly correlated with regional differentiation, where location played a significant role in identifying areas with a high number of poor populations. Sub-districts with high poverty rate were less accessible to major urban centers, higher education institutions and health facilities. The findings also indicated that access to opportunities and facilities remained the major concerns in solving the poverty issues in Malaysia. It is timely, therefore, a spatial dimensional approach used to complement the existing poverty eradication strategies.
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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| 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 ».