Is microfinance better compared to other financial institutions? Analyzing the impact of various financial ac-cess on household welfare in Indonesia
Notice bibliographique
Résumé
This study examines how access to different types of financial services influences household welfare in Indonesia. Using data from a large sample of 331,068 households, the research applies Ordinary Least Squares (OLS) regression to evaluate the impact of financial institutions on household income, which serves as a proxy for welfare. The findings reveal that access to microfinance and commercial banks significantly improves household income, highlighting the critical role these institutions play in enhancing welfare. Conversely, households relying on informal financial institutions tend to have lower incomes, indicating a negative effect on welfare. Further analysis reveals important variations based on gender and geographic location. Microfinance and cooperatives are particularly beneficial for female-headed households and those in rural areas, underscoring their importance in supporting underserved populations. On the other hand, access to commercial banks benefits both male and female headed households but has a stronger impact in urban areas where formal banking services are more readily available. While informal financial institutions negatively affect urban households, they provide modest advantages for female-headed and rural households, serving as an alternative in areas lacking formal financial services. These findings underscore the need for targeted financial inclusion policies that address gender and regional disparities. Such policies should prioritize expanding access to microfinance and cooperatives for rural and female-headed households while also improving access to formal banking services in urban areas to enhance overall welfare.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».