Determinants of Access to Financial Services among Adults in Tanzania: The Evidence from FinScope Tanzania Survey (2017)
Notice bibliographique
Résumé
There is low financial inclusion across developing countries, especially those in Sub-Saharan Africa (SSA) including Tanzania. Almost three quarter of the SSA citizens don’t hold any form of account with a formal financial institution. East African countries have poor access to financial services especially the highly populated rural areas. The study examined the determinants of access to financial inclusion among adults in Tanzania. The study used a longitudinal research design to access data collected from 9459 respondents who were selected from the FinScope Tanzania 2017 which were weighted by NBS. Data were analyzed using both descriptive and Binary Logistic Model as inferential statistics with aid of STATA version 16. The study was able to find out that individual savings as a key determinant to financial inclusion was relatively low this being due to income gap, education and access to technology. Most of the respondents were willing to save but many-faced constraints to save. finally, the determinants of access to financial services in Tanzania among adults was identified to be age, education level and income. The study concluded that financial inclusion (access to financial services) among adults in Tanzania was mainly determined by age, education and income. Therefore, the effort should be made by the government to stimulate technological adoption so as to enhance variety of service delivery mechanism and provide financial knowledge to the society to inform people to make proper decisions regarding their financial well-being.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».