Measuring the Outreach Level of Micro-finance Institutions in Bangladesh
Notice bibliographique
Résumé
Reaching the poor is one of the main objectives embedded in the programs of microfinance institutions (MFIs). However, there is the question of how well MFIs have fared in terms of meeting this objective, which has been heavily surveyed as an issue by many researchers. In Bangladesh, while not discounting other factors such as the financial assistance received from institutions such as the IMF/World Bank, Asian Development Bank (ADB), and Islamic Development Bank (IDB), the impetus for the speedy reduction in the number of poor people in the country can be attributed to the existence of MFIs. This study attempts to investigate the depth of MFIs’ outreach level in the country. Specifically, using an econometric model, it examines the determinants of the outreach level of MFIs operating in Bangladesh. Overall, this study looks at the eleven (11) biggest MFIs in Bangladesh in terms of their share of active borrowers. The data are compiled from the most reliable sources pertaining to the economic activities of MFIs. The results indicate that the number of years an MFI has spent serving clients, its ratio of borrowers to staff, the size of its assets, and the number of branches all has a positive effect on its outreach level. In contrast, the average loan balance per borrower and cost per borrower have a negative effect on the outreach level of MFIs in Bangladesh. Indeed, as far as outreach level and its relationship with the independent variables are concerned, all of the results obtained in this study are consistent with the expected signs, thereby implying that MFIs in Bangladesh are no different from the conventional wisdom.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».