Analysis of Factors Affecting the Loan Growth of Banks with a Focus on Non-Performing Loans
Notice bibliographique
Résumé
The purpose of this paper is to investigate the intertemporal relationship between the non-performing loan ratio and bank lending and to analyze factors affecting loan growth using data from Mongolian commercial banks. There has been a lack of research on Mongolian banks’ lending behavior due to their short history. Thus, this paper investigates the effect of the non-performing loan ratio on total loan growth using an ordinary least squares (OLS) regression model with panel data. We used bank-related variables such as the loan-to-deposit ratio, provision-to-gross loan portfolio ratio, equity-to-asset ratio, and liquidity ratio, and economic variables such as the real gross domestic product (GDP) growth rate, interest rate, and inflation rate. The results of this paper show that non-performing loans have a significant negative impact on total loan growth. The implication of this result is that non-performing loans affect banking efficiency, which, in turn, affects financial stability and the real economy. Moreover, high non-performing loans reduce banks’ profits. Also, this paper found that loss reserve and the liquidity ratio have a positive effect on total loan growth, while the effects of the loan-to-deposit ratio and the equity capital ratio were not found to be significant. Additionally, from a macro perspective, the inflation rate has a positive effect on the total loan growth rate, while the interest rate has a positive effect on total loan growth rather than a negative effect. And real gross domestic product (GDP) growth does not affect the total loan growth rate.
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 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».