Identifying Financially Remote First Nations Reserves
Notice bibliographique
Résumé
Chen et al. (2021) show that almost one-third of First Nations band offices in Canada are within 1 kilometre (km) of an automated banking machine (ABM) or financial institution (FI) branch and more than half are within 5 km. Further, over three-quarters of band offices are within 20 km of an ABM or FI branch and almost 90% are within 50 km. We focus on 49 First Nations locations that are more than 100 km away from an ABM or FI branch or do not have an identifiable travel route (by road or boat) to an ABM or FI branch. We refer to these First Nations as financially remote. We show that these locations have small populations and limited access to internet and mobile services. As a result, these First Nations have poor access to cash sources and physical delivery of financial services as well as limited access to digital payments and electronic banking. We also assess the remoteness of these locations according to an alternative method based on measures of agglomeration (community population) and proximity to other communities. We find that, according to this measure, these 49 financially remote First Nations are generally among the most geographically remote communities in Canada. Further, we show that these First Nations are also among the lowest scoring communities in Canada according to a measure of community well-being based on indicators of educational attainment, labour force activity, income and housing. The geographical remoteness of these 49 First Nations, their small populations, limited infrastructure and digital services, and relatively low community well-being all likely contribute to their poor access to cash and financial services.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».