Impact of Bank Lending on Economic Growth – An Empirical Study in the Indian Context
Notice bibliographique
Résumé
Background:In any country's growing economy, its banking system would play a crucial role in boosting GDP.The present study analyzed the effect of Indian banking borrowing on Indian economic growth.Purpose: The present study analyzed the effect of Indian banking borrowing on Indian economic growth.The study framed the exploratory research with secondary data from 2005 to 2020.The growth of any country's economy will depend on its banking system.The banking growth will depend on the lending system; the more robust the lending, the higher the country's economic growth. Research Design and Methodology:The study framed the exploratory research with secondary data from 2005 to 2020.The study classified it into two segments; food and non-food credits of the Indian banking lending.In the study, food and non-food credit are bank loans.The vector error correction model calculates the analysis of the relationship of banking borrowing to economic growth.The result showed that food credit and non-food credit had a short-term relationship with Indian GDP.The ordinary least square method was applied, and the result showed that food credit had a negative impact, but non-food credit had a negative impact.Findings: The result showed that food credit and non-food credit had a short-term relationship with Indian GDP.The ordinary least square method was applied, and the result showed that food credit had a negative impact, but nonfood credit had a negative impact.This study is helpful for bankers, regulators, and various government stakeholders.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».