Factors Influencing the Lending Behavior of Commercial Banks in Nepal
Notice bibliographique
Résumé
This study examines the major factors affecting the lending behavior of commercial banks in Nepal. It is based on analysis of the data from five investing banks encompassing the ten-year period from 2014/15 to 2023/24. The research employed both descriptive and causal-comparative research designs. The study is based on the secondary data extracted from annual reports and financial statements. Statistical analysis was carried out using SPSS version 27. The sampled banks are Prabhu Bank, Nepal Investment Mega Bank, NMB Bank, NIC Asia Bank, and Kumari Bank Limited. The analysis is concerned with how several independent variables Cash Reserve Ratio (CRR), Capital Adequacy Ratio (CAR), Interest Rate Spread (IRS), Total Deposits (TD), and Inflation Rate (INF) are related to the dependent variable, Loans and Advances (LA). The results disclose a moderate negative association between CRR and LA, implythat higher reserves reduce investing activity. In counterpoint, CAR shows a strong positive connection with investing, involving that well-capitalized banks are more capable of amplifying credit. IRS displays only a poor relationship, while TD has a strong positive influence, meaning banks with larger deposit bases attend to issue more loans. Similarly, inflation (INF) is moderately negatively related to investing, indicating that higher inflation can diminish credit growth. Overall, the findings show that CAR significantly enhances investing, whereas IRS has a negative effect. Total deposits have a strong positive impact, while CRR and inflation are not statistically significant predictors. The study concludes that CRR, IRS, TD, and INF play major roles in creating the investment behavior of Nepalese commercial banks.
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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».