Financial Management Practices Among Micro Enterprises and their Implications for Loan Repayment: A Case of Solidarity Group Lending of DCB Commercial Bank in Dar es Salaam
Notice bibliographique
Résumé
The aim of this study was to determine the implications of financial management practices among micro enterprises for loan repayment. The study was confined to Solidarity Group Lending (SGL) customers of DCB Commercial Bank Plc (DCB). Specific objectives included: to identify common practices of managing finances among SGL customers; to determine the extent to which the commonly identified financial management practices influence loan repayment; and to find out challenges facing SGL customers during loan repayment in DCB. A case study research design and cluster sampling were used while data were collected using questionnaires from 80 respondents. Data were analyzed using multiple regressions, and simple descriptive statistics of frequencies, percentages, mean, and range. Results indicate that the common practices of managing finances among the respondents were cash holding 73.8% (n= 59) and short term investments 38.8% (n=31). Regression results revealed that about 70% of variations in ease of loan repayment is influenced by cash holding and short term investment techniques at p=0.000 level of significance (i.e. R = 0.841, R2 = 0.707 and p < 0.05). Key challenges of loan repayment among the respondents were: losses from business (82.6%), payment delays from debtors (67.5%), and difficulty in managing group members to attend their respective loan centers (72.6%). The study recommends that SGL customers need to be educated and sensitized on various financial management techniques and their implications so that they select appropriate techniques in managing profitability and liquidity in their businesses to enhance smooth loan repayment.
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 | 0,000 | 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 ».