Notice bibliographique
Résumé
이 연구는 개인채무자 지원제도를 이용한 과중채무자를 대상으로 그들의 채무 및 인구사회경제적 특성에 따른 유형화를 시도하고, 유형별 특성과 채무자 지원제도 이용 간 연관성을 살펴보았다. 분석은 면접조사를 통해 수집된 일차자료인 개인파산, 개인회생 및 과중채무자의 생활실태와 의식에 관한 데이터를 이용하였으며, 표본은 총 209명의 개인채무자 지원제도 이용자를 포함하였다. 표본을 유형화하기 위해 k-means 군집분석을 활용하였다. 이 과정에서 사례 간 유사성의 분석은 다중대응분석(multiple correspondence analysis)을 이용하였다. 분석결과는 과중채무집단이 크게 노년빈곤형, 장년자영업형, 장년근로형, 청년빈곤형, 장년금융피해형으로 구분될 수 있음을 보여주었다. 노년빈곤형은 개인파산의 이용 비율이 높고 연령대와 경제활동 미참여의 비율도 높아서 경제적 재기의 가능성이 상대적으로 낮았다. 장년자영업형, 장년근로형, 청년빈곤형은 모두 청산형 채무조정제도인 개인파산보다 재건형 제도인 개인회생과 워크아웃 비중이 높았다. 장년금융피해형은 채무 특성이 가장 열악하고 개인파산 이용 비율도 높았다. 개인회생과 워크아웃 제도가 채무조정을 통한 신용회복과 경제적 재기가 주목표인 점을 고려할 때, 청장년층이 이 제도의 주요 이용자인 것은 제도의 취지와 부합하는 현상으로 보인다. 이 연구는 국내에서 처음으로 과중채무자의 유형화를 시도하고, 유형별 특성과 채무자 지원제도 이용 간 연관성을 살펴보았다는데 큰 의의가 있다.\nThis study tested a typology of debt relief program users based on debt and sociodemographic characteristics and examined whether the typology is associated with the use of debt relief programs. The sample was recruited in 2016 from major agencies that provide debt relief programs, including the courts and government-funded credit counseling and recovery service centers. The final sample included a total of 209 people. Analyses were done using multiple correspondence analysis and cluster analysis. The results show that individual debtors can be classified according to their profile type: elderly poor, middle-aged self-employed, middle-aged wage earners, young-adult poor, and middle-aged financial victims. The elderly poor and middle-aged financial victims groups were heavy users of personal bankruptcy (Chapter 7 in the U.S.). On the other hand, the majority of the middle-aged self-employed, middle-aged wage earners, and young-adult poor groups relied on debt restructuring programs, such as Chapter 13 bankruptcy in the U. S. (consumer proposal in Canada). The results suggest that profiles of debt relief program users tend to correspond to the goals of each program.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,002 | 0,013 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».