Notice bibliographique
Résumé
Income inequality is a major problem in Thailand. A key determinant of income inequality in Thailand is the lack of financial access to financial institutions for low-income families. Microfinance institutions (MFIs) play an important role in enabling poor households to access financial resources at a reasonable cost. The purpose of this paper is to investigate factors that affect Thai households participating in microfinance programs in Thailand. A multinomial logit model is used to investigate the factors that impact the Thai households’ access to microfinance. The study employs secondary data from the Thai Socioeconomic Survey (cross-sectional data in 2017) to identify factors affecting Thai household participation in microfinance programs. The results show that the Village Fund (VF) targets low-income rural households and encourages those with older household heads who have lower levels of education, and female household heads, to participate in their program. Larger households are more likely to access the VF. Households with higher dependency ratios are less likely to borrow from the VF. Households with well-educated, young household heads in regional areas are more likely to borrow money from Saving Groups for Production (SGPs). SGP borrower households have higher household incomes than VF borrower households. Our findings indicate that VFs and SGPs are credit sources in the rural credit market; these sources enable rural households to access credit to meet their needs. In addition, rural Thai households borrow from many sources so that they can rotate their loan repayments. Low-income households refinance their loans by borrowing from different sources.
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 | 0,000 |
| 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 ».