Farmers Characteristics and Its Influencing on Loans Resettlement Decision in Sri Lanka
Notice bibliographique
Résumé
This study investigates the impact of socio-economic characteristics of the farmers and its impact on their loans resettlement behavior in the People’s Bank, Puttalam branch in Sri Lanka. Secondary data were collected from the bank officials and the data were analyzed with 100 applicants who are cultivating paddy as a major crop and other field crops during the Maha and Yala season 2011/2012. This study was analyzed using descriptive statistics, Tobit model and in addition to that elasticity of the loan repayment ratio also measured. The estimated Tobit regression model indicated that family members and secondary education were significantly positive influence on the farmers’ repayment behavior while loan disbursement has negative influence on their behavior in Sri Lanka. Other independent variables namely gender, age, civil status, major crops, income and higher level of education of the beneficiaries were not statistically significant influence on the farmers’ behavior in the above bank branch in Sri Lanka. The elasticity of the loan repayment performance for the variables also were calculated at the mean values and according to that number of family members, size of loans and secondary education were statistically significant. The overall results revealed that, the bank managers should considered the above characters of the borrowers to increase the probability of repayment ratio and thus it will help them to improve the efficiency of lending decision of the bank loans in future.
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 | 0,000 | 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 ».