Financial Sustainability of Non-Governmental Microfinance Institutions (MFIs): A Cost-Efficiency Analysis of BRAC, ASA, and PROSHIKA from Bangladesh
Notice bibliographique
Résumé
Microcredit for poverty alleviation program got huge success in many parts of the world in reducing income-poverty and human-poverty. The progress on human poverty reduction was faster than the income-poverty. There are insignificant researches of financial efficiency of microcredit delivery programs undertaken by the Microfinance Institutions (MFI). The objective of this paper is to measure the cost-efficiency of three leading micro-finance providers: BRAC, ASA, and PROSHIKA from Bangladesh. The paper intends to achieve five years X-efficiency scores for the above-mentioned micro-finance providers. In the light of this main objective, the specific two objectives of this study are: (i) To find efficiency score of these three NGOs for the study years to identify the best and poor practices; and, (ii) To analyse the potential improvement. We investigate financial efficiency of the group-based lending institutions by using data envelopment analysis (DEA), which is a frontier approach. The study finds that the credit program of BRAC-1998, BRAC-2000, and PROSHIKA-1998 were 100% efficient in output maximization and that PROSHIKA-1998, BRAC-1998, and PROSHIKA-2000 were 100% efficient in input minimization. However, the micro credit program of BRAC, ASA, and PROSHIKA were not efficient for the year 1999. The other study period for the three micro-finance providers were less than 100% efficient in both input minimisation and output maximization problem. Our findings imply that the improvement of micro-finance programs in poverty alleviation requires changes both at program & providers levels as well as at the policy level of donors and/or other organizations who provide funds to these microfinance providers.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».