The Impacts of Non-Performing Loan on Profitability: An Empirical Study on Banking Sector of Dhaka Stock Exchange
Notice bibliographique
Résumé
The Banking sector of Bangladesh is trapped in a gridlock of non-performing loans (NPLs) so much so that NPL accounts for 11.60 percent of the total volume of classified loans. This problem has started to be widening with an evil trend of loan embezzlement among the industrial borrowers in our country. Frequent scam series in banking industry is surely a red light and unfortunately the commercial banks are highly surrounded by it. The goal of the study is to analyze the impact of non-performing loan (NPL) on profitability where in this study considered net interest margin (NIM). This paper attempts to find out the time series scenario of non-performing loans (NPLs), its growth, provisions and relation with banks profitability by using some ratios and a linear regression model of econometric technique. The empirical results represent that non-performing loan (NPL) as percentage of total loans on listed banks in Dhaka Stock Exchange (DSE) is very high and they holds more than 50 % of total non-performing loans (NPLs) of the listed 30 banks in Dhaka Stock Exchange (DSE) for year 2008 to 2013. Moreover it is one of the major factors of influencing banks profitability and it has statistically significant negative impact on net profit margin (NPM) of listed banks for the study periods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».