Impact of Microcredit on Poverty Reduction in Bangladesh: a cross-sectional study
Notice bibliographique
Résumé
Purpose: Usually, microcredit is known as the providing of “small loans” to the poorer group of the population although it differs from country to country. Many poor and hardcore poor people have been taken the microcredit to reduce their poverty. This study aimed to detect the impact of microcredit on poverty reduction among different levels of poor people. Methodology: Primary data were collected using cluster sampling from the 14 different slum areas from Sylhet city in Bangladesh (n= 408) based on a semi-structured questionnaire during October 2023 to December 2023. Descriptive statistical analysis and Generalized Estimating Equations (GEE) were used to analyze the data. Findings: It was observed that among the participants 76% are male and 24% are female. Around 84.1% individuals were taking microcredit from the different NGOs and among them 91.6% got benefit from their loan and their income was increasing 14.6% as well. It was also observed that 54.4% people are anxious about their food and 15.9% people are sleeping with hunger. Results also revealed that after taking microcredit the average percentage of hardcore poor people are significantly decreased compared with non-poor. It may indicate that after taking microcredit hardcore poor people invest their loan more appropriately compare to poor and non-poor groups of people. Conclusions: Taken together, we conclude that microcredit might play better role for hardcore poor people. To get more success of microcredit and hence for sustainable development- government and non-government organizations should pay more attention to reduce the interest rate of loans.
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 | 0,000 |
| 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 ».