Understanding generational differences for financial inclusion in Kenya
Notice bibliographique
Résumé
Purpose The purpose of this paper is to estimate the effect the five different generations and the key financial inclusion indicators of gender, education and location (rural–urban) in exacerbating disparities in financial inclusion in Kenya. This paper considers whether the five generational cohort groups in Kenya differ on the financial inclusion determinants and behaviour as predicted by common generational stereotypes. Design/methodology/approach The authors applied a multinomial logistic regression approach to nationally representative household survey data from Kenya to estimate the effect that key financial inclusion indicators have on belonging to one of the five generations: Z, Y, X, baby boomers and traditionalists. Findings The authors found significant links between all tested variables and financial inclusion. The authors found an access gap between Generations X and Y, with the latter being more prone to access and use financial services and products. These differences are compounded by gender and rurality. People in rural locations and women generally were found to have less access to financial services and products, thus causing significant exclusion of a large proportion of the population. Practical implications The research has important implications for governments, financial institutions and educational providers, notably on targeted policies and programmes that strategically aim to eliminate disparities and promote greater financial inclusion, denoting the value of such variables as generational differences and gender inclusivity. Originality/value This paper deepens the understanding of differences that can divide generations on financial inclusion.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».