Impact of Mobile Money on Resilience to Health Shocks in Sub-Saharan Africa: Evidence from Togo
Notice bibliographique
Résumé
Mobile money has transformed access to financial services in many countries in sub-Saharan Africa and has helped to reduce gaps in the financial inclusion of the unbanked poor. This paper analyzes the impact of the use of mobile money on household resilience to health shocks. Using the propensity score matching method and the probit model with instrumental variables, the results show that the use of mobile money reduces the vulnerability of households to health shocks. We also find that women use mobile money more frequently to alleviate the adverse effects of a health shock. Moreover, we find that mobile money has a greater impact on health shock in rural areas than in non-rural areas. The results also show that the use of mobile money’s impact magnitude on health shock resilience increases with age and education level up to a threshold. Based on the paper’s findings, we have highlighted some economic policies to improve household resilience to shocks. First, the expansion of mobile network coverage, particularly in rural areas, is essential to ensure widespread access to mobile money services. Second, reducing mobile money transaction and service costs is necessary to make these services accessible to low-income households. Third, training and awareness-raising programs on responsible financial management and the effective use of mobile money must be implemented to ensure that all population segments benefit fully from these services, particularly women and older people. Fourth, tax incentives could be offered to mobile operators expanding into rural areas and offering reduced rates for emergency transactions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».