Analyzing the geographic influence of financial inclusion on illicit drug use in Nigeria
Notice bibliographique
Résumé
• The national prevalence of illicit drug use is 14.4 %. • The Southwest region is the hotspot of illicit drug use in Nigeria. • Financial inclusion, income, unemployment, and the proportion of young population are significant predictors of illicit drug use. • There is a spatially varying relationship between illicit drug use and the predictors. Nigeria grapples with a formidable public health concern, as approximately 14 million individuals partake in illicit drug use (IDU). This predicament significantly impacts psychiatric disorders, suicides, disability, and mortality rates. Despite previous investigations into predictors and remedies, the role of financial inclusion (FI) remains inadequately explored. Leveraging existing literature on FI and population health, this study asserts that bolstering FI could be instrumental in mitigating IDU prevalence in Nigeria. We employ spatial analysis to scrutinize the influence of FI and other social factors on IDU, revealing a 14.4 % national prevalence with spatial variations ranging from 7 % in Jigawa state to 33 % in Lagos state. Significant IDU hotspots were identified in the southwest states, while cold spots were observed in the Federal Capital Territory and Nassarawa. Multivariate spatial analysis indicates that FI, income, unemployment, and the proportion of the young population are pivotal predictors of IDU nationwide, explaining approximately 67 % of the spatial variance. Given these findings, the study advocates heightened levels of FI and underscores the need for intensified government initiatives to prevent and address illicit drug use.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».