Determinant factors of fishermen income and decision-making for providing welfare insurance: An application of multinomial logistic regression
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As a country surrounded by the ocean, Indonesia is categorized as a country that has marine potential. The fishermen communities’ economy depends on ocean. However, the fishermen communities live below the poverty line and their average income is less than regional minimum wage. In conjunction with the issue, this study seeks to investigate the factors affecting the income of fishermen communities and right decision to fishermen in covering with welfare insurance in Cirebon, Indonesia. The quantitative study is designed using cross-sectional approach. The data collected by applying random sampling with open-ended questions and interview. A total of 100 fishermen’s have participated in this study. The study used some factors in measuring the fishermen community income, namely coastal environment condition, fish catching technology and location, operational capital, climate (season) condition, fishermen’s age, fishermen’s education, and fishing experience. The data are analyzed using the multinomial logistic regression model by assisting the statistical software, i.e., SPSS-23. The results show that coastal environment condition, fish catching technology and location, operational capital, climate (season) condition, fishermen’s age, fishermen’s education, and fishing experience have significant effects on fishermen income. Interestingly, the factor of coastal environment condition and climate (season) condition have significant negative effects on fishermen income. In conclusion, this study identified that two important factors reduced the welfare level of fishermen (via income). Also, in line with that things, the right decision which can provide to support and assist the fishermen community was by providing the welfare insurance. It is purposely to give them the protection from various risks faced by fishermen.
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.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle