UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2013 – 2014
Financiële en sociale evolutie van microfinancieringsinstellingen
Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen
Sanne Vanderstichele onder leiding van Prof. (Koen Schoors) (Xavier Walthoff Borm)
UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2013 – 2014
Financiële en sociale evolutie van microfinancieringsinstellingen
Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen
Sanne Vanderstichele onder leiding van Prof. (Koen Schoors) (Xavier Walthoff Borm)
PERMISSION
Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Sanne Vanderstichele
Woord vooraf Ondertussen sta ik vier jaar verder en sluit ik met deze masterproef mijn academische carrière af. Het schrijven van deze masterproef is een interessante, leerrijke ervaring geweest die mij heeft geholpen om te ontdekken welke richting ik zou willen uitgaan met mijn toekomstige professionele carrière. Mijn ouders werkten voor de NGO ‘PROTOS’ in Benin, waardoor ik daar opgroeide. Hierdoor ben ik al sinds kleins af bekend met het NGO-wereldje. In mijn zoektocht naar een onderwerp voor mijn masterproef, gaf mijn moeder een hint in de richting van microfinanciering. Na een gesprek met een vriend van mijn ouders, Lode Delbare (algemeen directeur van de NGO Trias, specialist op vlak van microfinanciering), kwam ik tot het onderwerp van mijn masterproef.
Ik wil graag alle mensen bedanken die hebben bijgedragen tot de verwezenlijking van mijn masterproef.
Eerst en vooral wil ik mijn promotor Koen Schoors bedanken voor zijn advies en begeleiding tijdens het hele thesistraject. Zijn enthousiasme over het onderwerp gaf me extra motivatie en zin me steeds verder te verdiepen in het onderwerp.
Ook wil ik Xavier Walthoff Borm (assistent aan de universiteit van Gent) bedanken voor zijn assistentie.
Daarnaast wil ik John Bliek bedanken voor alle hulp die ik van hem gekregen heb sinds de start van mijn thesis. Ook de twee experts Januario Ntungwa (uit Oeganda) en Ebenezer Matey (uit Ghana) waar hij me mee in contact bracht wil ik bedanken voor hun inbreng.
Ook wil ik Lode Delbare bedanken om het onderwerp te helpen afbakenen, mij toegang te geven tot bepaalde gegevens en mij in contact te brengen met de juiste mensen.
Graag wil ik ook Kurt Moors (programmacoördinator bij BRS) bedanken voor het verstrekken van de benodigde onderzoeksgegevens.
i
Tot slot wil ik mijn ouders bedanken omdat ze mij tijdens de zoektocht naar een onderwerp voor mijn masterproef op het onderwerp ‘microfinanciering’ hebben gewezen en mij sinds kleins af aan in contact hebben gebracht met deze sector.
Het studentenleven zit er op, het werkende leven is in het vooruitzicht en ik ben benieuwd wat de toekomst zal brengen!
ii
Inhoudsopgave Gebruikte afkortingen ...................................................................................................... vii Lijst van tebellen en figuren ............................................................................................. ix Inleiding .............................................................................................................................. x DEEL 1: Literatuur en Hypothesen .................................................................................. 1 Hoofdstuk 1. Evolutie van de financieringsbronnen ......................................................................... 1 1.1. Beschrijving van de financieringsbronnen ............................................................................... 1 1.2. Diversificatie van de financieringsbronnen in functie van de levenscyclus waarin de MFI zich bevindt............................................................................................................................................. 1 1.3. Een stijgende interesse van investeerders in de microfinancieringssector ............................. 2 1.4. Groei ......................................................................................................................................... 3 1.5. Commercialisering en competitie ............................................................................................ 5 1.5.1. Een verhoogde focus op financiële performantie ................................................................ 6 1.5.2. Nadelige gevolgen van de toegenomen focus op financiële performantie.......................... 9 1.5.2.1. Stijging van de defaults door een verzwakking van de ontleningsvoorwaarden en klantenrelaties ......................................................................................................................... 9 1.5.2.2. ‘Mission drift’ en de trade-off tussen outreach en sustainability ............................ 10 1.5.3. Multiple loan taking en over-indebtedness ........................................................................ 13 1.6. Druk door donors en investeerders om de afhankelijkheid van subsidies te verminderen .. 14 Hoofdstuk 2. Outreach ..................................................................................................................... 17 2.1. Percentage vrouwen in het totale klantenbestand................................................................ 18 2.2. Percentage van de kredietportefeuille dat bestemd is voor landbouwactiviteiten .............. 19 DEEL 2: Onderzoek ..........................................................................................................22 1. Data ............................................................................................................................................... 22 2. Variabelen ..................................................................................................................................... 23 2.1. Sustainability .......................................................................................................................... 23 2.2. Interestpercentage ................................................................................................................. 24 2.3. Diepte van de outreach .......................................................................................................... 24 2.4. Breedte van de outreach ........................................................................................................ 24 2.5. Groei ....................................................................................................................................... 25 2.6. PAR30 ..................................................................................................................................... 25 2.7. Write-off ratio (WOR) ............................................................................................................. 25 2.8. Commercialisatie .................................................................................................................... 25 2.9. Efficiëntie ................................................................................................................................ 27 iii
2.10. Afhankelijkheid van subsidies .............................................................................................. 27 2.11. Percentage vrouwen ............................................................................................................ 27 3. Regressie-analyse ......................................................................................................................... 28 3.1. Methode ................................................................................................................................. 28 3.2. Correlaties .............................................................................................................................. 29 3.3. (H1A) Groei van de MFI leidt tot een stijging van de PAR30 .................................................. 29 3.4. (H1B) Groei van de MFI leidt tot een stijging van de WOR .................................................... 30 3.5. (H2) Commercialisering leidt tot een stijging van de ratio ‘deposito’s/vreemd vermogen’.. 31 3.6. (H3) Commercialisering leidt tot een toename van de efficiëntie ......................................... 31 3.7. (H5) Een grotere sustainability leidt tot een minder diepe outreach .................................... 32 3.8. (H6A) Een grotere afhankelijkheid van subsidies leidt tot een lagere efficiëntie .................. 34 3.9. (H6B) Een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability ............. 34 3.10. (H6C) Een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies .............. 35 3.11. (H8A) Een hoger percentage vrouwen leidt tot een lagere PAR30 ...................................... 35 3.12. (H8B) Een hoger percentage vrouwen leidt tot een lagere WOR ........................................ 36 4. Descriptief onderzoek.................................................................................................................. 36 4.1. Beschrijving van de financieringsbronnen ............................................................................. 36 4.1.1. Evolutie deposito’s/vreemd vermogen ............................................................................... 37 4.1.2. Evolutie geleende middelen/vreemd vermogen ................................................................ 38 4.1.3. Evolutie donaties ................................................................................................................. 40 4.1.4. Evolutie gestort maatschappelijk kapitaal/eigen vermogen ............................................ 41 4.2. Evolutie van de ‘sustainability’ ............................................................................................... 43 4.3. De trade-off tussen outreach en sustainability ...................................................................... 44 4.4. Evolutie van de diepte van de outreach ................................................................................. 46 4.5. Evolutie van de breedte van de outreach .............................................................................. 49 DEEL 3: Algemeen besluit ...............................................................................................51 1. Algemeen besluit .......................................................................................................................... 51 2. Beperkingen van het onderzoek .................................................................................................. 55 3. Suggesties voor verder onderzoek ............................................................................................... 56 Geraadpleegde literatuur .................................................................................................... i Bijlagen ............................................................................................................................ xvi Bijlage 1: Doelmarkt ......................................................................................................................... xvi Bijlage 2: Correlaties ........................................................................................................................ xvii Bijlage 3: Betekenis van de gebruikte variabelen.......................................................................... xviii iv
Bijlage 4: H1A: Groei van de MFI leidt tot een stijging van de PAR30 .......................................... xxix Bijlage 5: H1B: Groei van de MFI leidt tot een stijging van de WOR ............................................ xxix Bijlage 6: H2: Commercialisering leidt tot een stijging van deposito’s/vreemd vermogen ......... xxix Bijlage 7: H3: Commercialisering leidt tot een toename van de efficiëntie ................................. xxix Bijlage 8: H5: Een grotere sustainability leidt tot een minder diepe outreach ............................ xxix Bijlage 8.1. Diepte van de outreach gemeten aan de hand van gemiddelde leningsgrootte ......... xxix Bijlage 8.2. Diepte van de outreach gemeten aan de hand van percentage vrouwelijke ontleners ......................................................................................................................................................... xxxi Bijlage 8.3. Diepte van de outreach gemeten aan de hand van het aantal uitstaande leningen aan vrouwen......................................................................................................................................... xxxiii Bijlage 8.4. Diepte van de outreach gemeten aan de hand van het aantal actieve ontleners in plattelandsgebieden ....................................................................................................................... xxxv Bijlage 8.5. Diepte van de outreach gemeten aan de hand van de bruto kredietportefeuille in plattelandsgebieden ......................................................................................................................xxxvii Bijlage 9: H6A: Een grotere afhankelijkheid van subsidies leidt tot een lagere efficiëntie .......xxxvii Bijlage 10: H6B: Een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability xxxvii Bijlage 10.1. Sustainability gemeten aan de hand van ROA ............................................................... xli Bijlage 10.2. Sustainability gemeten aan de hand van OSS.............................................................. xliv Bijlage 10.3. Sustainability gemeten aan de hand van eigen vermogen/activa.............................. xlvii Bijlage 11: H6C: Een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies .......... l Bijlage 11.1. Afhankelijkheid van subsidies gemeten aan de hand van geschonken eigen vermogen/eigen vermogen .................................................................................................................. l Bijlage 11.2. Afhankelijkheid van subsidies gemeten aan de hand van donaties(obrengst)/activa .. liii Bijlage 12: H8A: Een hoger percentage vrouwen leidt tot een lagere PAR30 .................................. lv Bijlage 13: H8B: Een hoger percentage vrouwen leidt tot een lagere WOR.................................. lviii Bijlage 14: Descriptief onderzoek...................................................................................................... lix Deposito's/vreemd vermogen............................................................................................................ lix Geleende middelen/vreemd vermogen .............................................................................................. lx Gedoneerd eigen vermogen/eigen vermogen ................................................................................... lxi donaties/activa .................................................................................................................................. lxii Gestort maatschappelijk kapitaal/eigen vermogen ......................................................................... lxiii OSS dummy ...................................................................................................................................... lxiv FSS dummy ........................................................................................................................................ lxv Gemiddelde leningsgrootte .............................................................................................................. lxvi Interestpercentage .......................................................................................................................... lxvii
v
Percentage vrouwelijke ontleners.................................................................................................. lxviii Aantal uitstaande leningen aan vrouwen ........................................................................................ lxix Aantal actieve ontleners in plattelandsgebieden.............................................................................. lxx Bruto kredietportefeuille in plattelandsgebieden ........................................................................... lxxi Aantal actieve ontleners.................................................................................................................. lxxii Aantal uitstaande leningen ............................................................................................................ lxxiii
vi
Gebruikte afkortingen BRS
Belgische Raiffeisenstichting
CEO
Chief executive officer
FSS
Financial self-sufficiency
MFI
Microfinancieringsinstelling
MIS
Management information system
MIXMARKET
Microfinance Information Exchange, Inc
NBFI
Non-bank Financial institution
NGO
Niet-gouvernementele organisatie
OSS
Operational self-sufficiency
PAR30
Portfolio at risk > 30 days
PPI
Progress out of poverty index
RFI
Regulated Financial Institution
ROA
Return on assets
WOR
Write-off ratio
vii
Lijst van tabellen en figuren Tabel 1: Definitie commerciële rechtsvorm ............................................................................. .............................................................................................................................................25 Figuur 1: Evolutie van de deposito’s als percentage van het vreemd vermogen .................... ...........................................................................................................................................37 Figuur 2: Evolutie van de geleende middelen als percentage van het vreemd vermogen ...... ...........................................................................................................................................39 Figuur 3: Evolutie van het gedoneerd eigen vermogen als percentage van het eigen vermogen .............................................................................................................................. ...........................................................................................................................................40 Figuur 4: Evolutie van de donaties als percentage van de activa .......................................... ...........................................................................................................................................41 Figuur 5: Evolutie van het gestort maatschappelijk kapitaal als percentage van het eigen vermogen .............................................................................................................................. ...........................................................................................................................................42 Figuur 6: Evolutie van het percentage MFI’s die operationeel sustainable zijn ...................... ...........................................................................................................................................43 Figuur 7: Evolutie van het percentage MFI’s die financieel sustainable zijn ........................... ...........................................................................................................................................44 Figuur 8: Evolutie van de gemiddelde leningsgrootte ............................................................ ...........................................................................................................................................45 Figuur 9: Evolutie van het interestpercentage ....................................................................... ...........................................................................................................................................46 Figuur 10: Evolutie van het percentage vrouwelijke ontleners ............................................... ...........................................................................................................................................47 Figuur 11: Evolutie van het aantal uitstaande leningen aan vrouwen .................................... ...........................................................................................................................................47 Figuur 12: Evolutie van het aantal actieve ontleners in plattelandsgebieden ......................... ...........................................................................................................................................48 Figuur 13: Evolutie van de bruto kredietportefeuille aan klanten in plattelandsgebieden ....... ...........................................................................................................................................49 Figuur 14: Evolutie van het aantal actieve ontleners ............................................................. ...........................................................................................................................................49 Figuur 15: Evolutie van het aantal uitstaande leningen ......................................................... ...........................................................................................................................................50
viii
Inleiding Volgens de definitie van de Verenigde Naties (Gordon, 2005) is iemand arm wanneer hij of zij niet kan voorzien in zijn of haar eerste levensbehoeften. Deze levensbehoeften zijn bijvoorbeeld toegang tot drinkbaar water, voedsel, kleding, huisvesting en gezondheidszorg. Zij gelden als noodzakelijk om een menswaardig leven te kunnen leiden. Deze categorie mensen hebben vaak geen toegang tot commerciële banken en andere financiële instellingen (Ferro-Luzzi, Weber, 2006; Hermes, Lensink, 2007). De redenen hiervoor zijn de volgende. Ten eerste worden arme mensen als veel risicovollere klanten beschouwd doordat: o Ze meestal geen geschikt onderpand kunnen geven voor leningen (Bogan, 2012; Ferro-Luzzi, Weber, 2006; Hartarska, Caudill, Gropper, 2006; Hermes, Lensink, 2007; Harker, 2006; FAQs on Microfinance, 2010). Bovendien wordt bij het openen van een spaarrekening bij een traditionele bank vaak vereist dat een bepaald bedrag wordt gestort. Behoeftige mensen beschikken echter meestal niet over deze bedragen (FAQs on Microfinance, 2010). o Ze vaak geen kredietgeschiedenis hebben (Hartarska et al., 2006; Harker, 2006; FAQs on Microfinance, 2010). o Ze vaak niet tewerkgesteld zijn in de formele sector, waardoor ze geen tewerkstellingsgeschiedenis hebben (FAQs on Microfinance, 2010). o Het
risico
op
zowel
vrijwillige
als
onvrijwillige
default
op
leningen
in
ontwikkelingslanden groter is. Vrijwillige default wordt mogelijk gemaakt door het ontbreken van een goed functionerend rechtsstelsel om terugbetaling af te dwingen. De onvrijwillige default daarentegen ontstaat door factoren die buiten de controle van de klant liggen. Bijvoorbeeld: inkomens in ontwikkelingslanden worden voornamelijk in de landbouw verdiend. Als gevolg van droogte, ziektes of andere onvoorzienbare omstandigheden kan een oogst mislukken en beschikt de landbouwer bijgevolg over onvoldoende middelen om de lening terug te betalen (Harker, 2006). Ten tweede beschouwen traditionele banken microkredieten als onvoldoende winstgevend omwille van de volgende redenen: o Het ontbreken van schaalvoordelen (Ferro-Luzzi, Weber, 2006). o Microfinanciering is een kostelijke activiteit. Ten eerste is microfinanciering arbeidsintensief en bijgevolg liggen de personeelskosten relatief hoog. Ten tweede zijn ook de transactiekosten en voornamelijk de controle- en nalevingskosten hoger dan bij traditionele banken. De kosten voor het screenen en opvolgen van de activiteiten van arme mensen en het opvolgen van hun contracten zijn te hoog om ix
deze leningen winstgevend te maken voor traditionele banken (Hermes, Lensink, 2007). Het terugvorderen van leningen wordt bijvoorbeeld uitgevoerd door personeel dat de klanten thuis bezoekt. Dit betekent dat per individuele lening transportkosten gedragen moeten worden en relatief veel tijd geïnvesteerd moet worden. Bovendien beschikken ontwikkelingslanden vaak over een slechte fysieke infrastructuur waardoor de administratieve kosten nog verhogen (Fernando, 2006). Tot slot bestaan microleningen meestal uit hele kleine bedragen, waardoor de interestopbrengsten per lening beperkt zijn. Nochtans moeten per lening een aantal vaste kosten gedragen worden zoals administratiekosten (Harker, 2006) of boven vermelde kosten. Microkredieten worden dus als riskant beschouwd en de opbrengsten van het nemen van zo’n hoge risico’s worden als relatief beperkt beschouwd (Harker, 2006). Bijgevolg waren de traditionele banken hier vroeger niet in geïnteresseerd. Omwille van de volgende socio-economische redenen is het van belang om arme mensen toegang tot financiële diensten aan te bieden: o Arme gezinnen met toegang tot financiële diensten eten beter, houden hun kinderen langer op school, ontvangen betere medische zorg en leven in betere woningen (Harker, 2006) o Het ontbreken van toegang tot kredieten wordt over het algemeen gezien als één van de voornaamste redenen waarom velen in ontwikkelingslanden arm blijven (Hermes, Lensink, 2007). Microfinanciering is dus een middel tot armoedebestrijding. o Microkredieten zorgen voor economische stabiliteit via ‘consumption smoothing’. Wanneer bijvoorbeeld het inkomen van een landbouwer voor een bepaalde periode lager ligt als gevolg van een mislukte oogst, zal hij mogelijks zijn consumptie tijdens deze periode moeten terugschroeven. Hierdoor worden ook de producenten (waarbij de boer nu niet meer aankoopt) met een daling van hun verkopen geconfronteerd. De hele economie in het betreffende gebied wordt bijgevolg beïnvloed (Harker, 2006). Indien die boer op het moment van de inkomensdaling toegang had gehad tot een microkrediet, dan had hij zijn consumptie niet moeten verminderen. Op deze manier zorgen
microkredieten
voor
economische
stabiliteit.
Gelukkig kunnen arme mensen terecht bij microfinancieringsinstellingen (voortaan genoteerd als ‘MFI’s’). Deze instellingen verstrekken financiële diensten aan arme mensen, voornamelijk in ontwikkelingslanden (Bogan, Johnson, Mhlanga, 2007). Ontwikkelingslanden worden door de Wereldbank gedefinieerd als landen (Developing Countries,) met een bruto nationaal inkomen per capita per jaar die lager of gelijk is aan $11.905.
x
De leningen die door MFI’s verleend worden zijn op korte termijn, betreffen kleine bedragen en onderpand wordt zelden vereist (Bogan, 2012; Bogan et al., 2007; Armendariz, Morduch, 2005). Zoals eerder vermeld gelden per lening een aantal vaste kosten. Bijgevolg zijn kleinere leningen relatief duurder (Tucker, 2001; Brau, Woller, 2004; Hermes, Lensink, Meesters, 2009; Cull, Morduch, 2007; Fernando, 2006; Gonzalez, 2010). Om zichzelf in te dekken tegen de hoge risico’s die verbonden zijn aan microfinanciering en de hoge kosten van deze kleine leningen te vergoeden, rekenen MFI’s hoge interestpercentages aan van soms nominaal 30%-60% (Dehejia, Montgomery, Morduch, 2012; FAQs on Microfinance, 2010). Omwille van het ontbreken van zowel een kredietgeschiedenis als de vereiste van onderpand, heeft de MFI eigenlijk onvoldoende informatie van de ontlener. Er ontstaat een zogenaamde ‘information asymmetry’ tussen de MFI en potentiële klanten. Eén van de manieren waarop MFI’s hiermee omgaan is via een sociaal onderpand in plaats van een fysiek onderpand. Dit gebeurt aan de hand van de kredietverleningsmethode ‘group lending’ (Hartarska et al., 2006; Brau, Woller, 2004; Dieckmann et al., 2007; Assefa et al., 2013). Bij deze methode is elk groepslid verantwoordelijk voor de leningen van de andere groepsleden. Wanneer één van de leden in gebreke is, dan moeten de andere groepsleden de lening terugbetalen met hun eigen middelen. Indien ze dit niet doen, dan verliezen ze hun toegang tot kredieten in de toekomst. Het is dus in het belang van elk groepslid om te verzekeren dat andere groepsleden hun verplichtingen nakomen. Bovendien spelen hierbij ook andere factoren een rol zoals het reputatieverlies wanneer iemand niet terugbetaalt. Dit laatste heeft een invloed op de sociale positie van de klant in de gemeenschap en vormt daarom een motivatie om terug te betalen (Brau, Woller, 2004; Dieckmann et al., 2007). Het systeem zorgt er dus voor dat de groep een aantal taken zoals het intekenen op, het opvolgen en de handhaving van de leningovereenkomsten overneemt van de MFI (Wenner, 1995). MFI’s bieden naast kredieten ook andere financiële diensten aan zoals spaarrekeningen en soms ook microverzekeringen (Bogan et al., 2007; Brau, Woller, 2004). Daarnaast bieden ze ook extra diensten aan zoals consumptie leningen, noodkredieten en vorming over bedrijfsvoering en financiën (Brau, Woller, 2004). Sommige MFI’s bieden ook sociale diensten aan, gericht op de gezondheid en de kinderen (FAQs on Microfinance, 2010). MFI’s kunnen volgende rechtsvormen aannemen: Niet Gouvernementele Organisatie (NGO), coöperatieve kredietinstelling, bank, NBFI (non-bank Financial institution) en rural bank (Bogan et al., 2007). Initieel waren MFI’s voornamelijk coöperatieven en non-profit organisaties met een focus op armoedebestrijding. Ook werden MFI’s aanvankelijk voornamelijk gefinancierd met subsidies en donaties (Dieckmann et al., 2007; Frank, Lynch, xi
Schneider-Moretto, 2008). Dit is echter al een hele tijd in evolutie. MFI’s over de hele wereld zijn namelijk aan het professionaliseren en transformeren tot gereguleerde financiële instellingen (Frank et al., 2008; Harker, 2006). Hiermee ging een toename van commerciële financieringsbronnen gepaard die bovendien ook geleid heeft tot een toegenomen concurrentie in de sector (Harker, 2006).
Vanaf de oprichting van de Grameen Bank in Bangladesh in 1976 en de lancering ervan in 1983 nam de populariteit van microfinanciering pijlsnel toe en werd het concept door vele andere landen toegepast (King, 2012). Geïnspireerd door het succes van de Grameen Bank en mogelijk gemaakt door de globalisering (Geschiedenis) nam het aantal nieuwe MFI’s over de wereld snel toe tijdens de jaren ‘70 en ‘80. (A Brief History Of Microfinance). Het is dan ook ongeveer vanaf 1990 dat de literatuur over microfinanciering echt begint.’
In de bestaande literatuur zijn tal van papers te vinden omtrent de financiële en sociale evolutie van microfinancieringsinstellingen. Elke paper bespreekt doorgaans slechts één specifiek fenomeen of problematiek. De eerste bijdrage van dit onderzoek is dat deze verschillende elementen, hun verbanden en evoluties in de zelfde studie samengebracht worden. Bovendien zijn de meeste onderzoeken die in de literatuur verschenen zijn, uitgevoerd op verschillende datasets. Elk onderzoek (dat één bepaald fenomeen bestudeert) wordt namelijk telkens op een specifieke dataset van dat onderzoek uitgevoerd. Een tweede bijdrage van deze studie wordt geleverd door het onderzoeken van al deze fenomenen op één en dezelfde dataset. Ook werden de meeste onderzoeken uitgevoerd op data van MIXmarket1 die beschikbaar is voor het algemene publiek. In dit onderzoek werden deze gegevens aangevuld met data van BRS (Belgische Raiffeisenstichting). Dit zijn data over MFI’s die voornamelijk actief zijn in niet competitieve regio’s en zo gekozen zijn dat ze een sterk sociale missie hebben. Deze gegevens zijn niet vrij verkrijgbaar zoals die van MIXmarket
waardoor
dit
de
rijkheid
van
de
database
vergroot.
De derde toegevoegde waarde van het onderzoek betreft de tijdsperiode. De grote meerderheid van de onderzoeken die in de bestaande literatuur te vinden zijn, gaan tot uiterlijk 2010. Er is echter weinig te vinden over hoe deze evoluties zich verder hebben gezet na 2010. In deze studie zullen daarentegen gegevens van de jaren tot en met 2013 opgenomen worden. Bijgevolg kan worden nagaan hoe de besproken evoluties zich de voorbije
jaren
hebben
verder
gezet.
1
MIX staat voor ‘Microfinance Information Exchange, Inc.’. Dit is een non-profit organisatie die bedrijfsinformatie levert/bezorgt in de microfinancieringssector. Ze verzamelen zelf financiële en sociale performantie data van MFI’s en verstrekken deze aan het publiek via MIX Market. MIX market is het platform van MIX voor het leveren van microfinancierings informatie (http://en.wikipedia.org/wiki/Microfinance_Information_Exchange)
xii
Ten vierde zullen in deze studie dezelfde fenomenen onderzocht worden op een dataset die bestaat uit gegevens van MFI’s uit de werelddelen Afrika, Amerika, Europa en Azië. Dit is een substantieel verschil met de meeste onderzoeken die zo goed als altijd betrekking hebben op slechts één regio. Bovendien zijn er bijna geen onderzoeken te vinden die ook Europese MFI’s in hun steekproef opnemen. Dit is een bijkomende bijdrage van deze studie. Tot slot zijn de conclusies van meerdere onderzoeken soms in strijd met elkaar.
De
bedoeling van dit onderzoek is bijgevolg om na te gaan welke van deze conclusies ‘juist zijn’ wanneer ze op een grotere database toegepast worden, over recentere jaren en over meerdere
regio’s.
Tot slot wordt in dit onderzoek gebruik gemaakt van zowel kwalitatief als kwantitatief onderzoek. Op basis van de literatuur worden hypothesen opgebouwd en zullen deze kwalitatief worden getoetst. Vervolgens zullen de waargenomen resultaten aangevuld worden met een ondervraging van een beperkt aantal experts uit Afrika. Het eerste deel van de studie bestaat uit een bespreking van de literatuur en de hypothesen
en
is
in
twee
hoofdstukken
onderverdeeld.
In het eerste hoofdstuk wordt de evolutie van de financieringsbronnen van MFI’s verklaard en komen een aantal actuele thema’s aan bod die ook mede een verklaring vormen voor deze evolutie. Achtereenvolgens worden de volgende thema’s besproken: evolutie van de financieringsbronnen in functie van de levenscyclus waarin de MFI zich bevindt, een stijgende interesse van investeerders in de microfinancieringssector, de groei van MFI’s, commercialisering en competitie en de druk door donors en investeerders om de afhankelijkheid
van
subsidies
te
verminderen.
Het tweede hoofdstuk behandelt de outreach, namelijk het aantal klanten en het aandeel arme mensen dat de MFI bereikt. Daarbij wordt besproken hoe de outreach gemeten zal worden en waarom het percentage vrouwen in het klantenbestand en het percentage van de kredietportefeuille die naar landbouw gaat maatstaven zijn voor het aandeel armen dat de MFI bereikt. In het tweede deel wordt het onderzoek verder toegelicht. Eerst wordt de dataset besproken. Vervolgens wordt uitgelegd hoe de verschillende variabelen gemeten zullen worden. Daarna komt het onderzoek zelf aan bod. Eerst beschrijft het descriptief onderzoek de evolutie van een aantal variabelen. Daarbij worden een aantal hypothesen geformuleerd over de evolutie van bepaalde variabelen. Daarna worden de hypothesen nagegaan via regressie-analyse. Tot slot worden de resultaten besproken en geïnterpreteerd. In het derde en laatste deel wordt een algemeen besluit getrokken en komen zowel de beperkingen
als
de
suggesties
voor
verder
onderzoek
aan
bod.
xiii
DEEL 1: Literatuur en Hypothesen Hoofdstuk 1. Evolutie van de financieringsbronnen 1.1. Beschrijving van de financieringsbronnen Een descriptief onderzoek van de uiteenlopende financieringsbronnen van MFI’s zal een beeld geven van hun evolutie gedurende de voorbije 10 jaar (Infra p.37, sectie 4.1.). Zoals aangegeven door Hoque, Chishty en Halloway (2011) vormen deposito’s, kapitaal en leningen de drie voornaamste financieringsbronnen van MFI’s. Het zijn dan ook deze 3 bronnen, aangevuld met donaties, die in dit onderzoek beschreven zullen worden. Een eerste verklaring voor de waargenomen evoluties wordt besproken in de volgende paragrafen.
1.2. Diversificatie van de financieringsbronnen in functie van de levenscyclus waarin de MFI zich bevindt De evolutie van de financieringsbronnen van MFI’s kan verklaard worden aan de hand van de fase van de levenscyclus waarin de MFI zich bevindt (Hoque et al., 2011; Bogan et al., 2007; de Sousa-Shields, 2004). MFI’s worden meestal opgericht als NGO met een nobele visie en als doel om (kans)arme mensen te helpen. In deze eerste fase worden ze voornamelijk gefinancierd met schenkingen van privé donors, subsidies van overheden en zogenaamde ‘soft loans’ (leningen tegen een heel lage rente) (Mersland, Urgeghe, 2013; Bogan et al., 2007; Dieckmann et al., 2007; Hoque et al., 2011; Callaghan, Gonzalez, Maurice, Novak, 2007). Deze NGO-MFI’s zijn echter nog onvoldoende winstgevend om commerciële financiering aan te trekken en kunnen niet functioneren zonder het risicotolerante kapitaal van donors (Jansson, 2003; Mersland, Urgeghe, 2013; Kooi, 2001; De
Sousa-Shields,
Frankiewicz,
2004;
Van
Maanen,
2005;
Bogan,
2008).
Vervolgens evolueert in een tweede fase de financieringsmix naar een groter percentage schuldfinanciering, voornamelijk onder de vorm van commerciële leningen en obligaties (Callaghan et al., 2007; Mersland, Urgeghe, 2013; Dieckmann et al., 2007; Hoque et al., 2011; Bogan et al., 2007). Ook het belang van deposito’s neemt in deze fase toe (Mersland, Urgeghe,
2013;
Dieckmann
et
al.,
2007).
Tot slot neemt in een latere fase van de levenscyclus het belang van eigen vermogen als financieringsbron toe (Fehr, Hishigsuren, 2006). Aanvankelijk is dit onder de vorm van ingehouden winsten en gedoneerd eigen vermogen. In een verdere fase betreft dit ook de uitgifte van aandelen. Sommigen gaan hierbij zelfs naar de beurs (Dieckmann et al., 2007). In deze fase zijn MFI’s vaak formeel gereguleerde financiële instellingen met 1
kapitaalstructuren die gelijkaardig zijn aan die van commerciële banken (Bogan, 2008). Tegenwoordig worden echter ook MFI’s opgericht die deze verschillende fases niet meer doorlopen en rechtstreeks worden opgericht als gereguleerde instelling (Dieckmann et al., 2007). De evolutie van de financieringsbronnen wordt niet enkel door de levenscyclus verklaard. Ook andere factoren spelen een rol. Zo is de regelgeving van het land waar de MFI gevestigd is van belang. Ook de maturiteit van de kapitaalmarkten van het land waar de MFI in
gevestigd
is
heeft
een
invloed
(Bogan,
2012).
Naast deze landspecifieke factoren wordt de evolutie van de financieringsbronnen ook verklaard door een aantal algemene evoluties. Deze komen in de volgende paragrafen aan bod.
1.3. Een stijgende interesse van investeerders in de microfinancieringssector De interesse van privé investeerders in de microfinancieringssector is de voorbije jaren aanzienlijk toegenomen (Hermes, Lensink, Meesters, 2011). Ze merkten immers dat de MFI's een hoge terugbetalingsgraad vertoonden en hoge winsten haalden. Deze investeerders zagen hierdoor microfinanciering als een aantrekkelijke investering. Enerzijds kunnen
zij
met
deze
investering
een
sociale
investeringsstrategie
gericht
op
armoedebestrijding nastreven (Dieckmann et al., 2007; Frank et al., 2008; Hermes et al., 2011). Anderzijds biedt de investering een aantrekkelijk risico-rendementsprofiel (Swanson, 2007) gekenmerkt door stabiele rendementen, een laag kredietrisico en een lage correlatie met zowel de algemene financiële activa als met de algemene binnenlandse economie (Dieckmann et al., 2007; Frank et al., 2008; Hermes et al., 2011; Krauss, Walter, 2009; Oehri, Fausch, Liechtenstein, 2008). Uit bepaalde onderzoeken (Dieckmann et al., 2007; Mersland, Urgeghe, 2013) blijkt zelfs dat investeringen in microfinanciering bevorderlijk kunnen zijn voor een efficiënte portfolio diversificatie. Ook Byström (2008) stelt dat een microkrediet portfolio kan dienen als een natuurlijke hefboom voor een typische investeringsbank, verzekeringsmaatschappij of pensioenfonds in bijvoorbeeld Europa, Japan of
de
VS.
Het is wel nodig om op te merken dat de correlatie tussen investeringen in de microfinancieringssector en de algemene financiële activa enerzijds en de algemene binnenlandse economie anderzijds, tegenwoordig niet meer zo laag is. Wagner en Winkler (2011a) vermelden dat microfinanciering nu sterker geïntegreerd is in de wereldwijde financiële markten. Een onderzoek uit datzelfde jaar door Szafarz en Brière (2011) toonde eveneens aan dat het risico-rendementsprofiel van de microfinancieringssector veranderd is. 2
Microfinancieringsaandelen zijn nu minder risicovol dan vroeger, maar de correlatie met de financiële
sector
is
verhoogd
en
investeren
in
microfinanciering
levert
minder
diversificatievoordelen op. Het is evenwel onduidelijk in hoeverre investeerders hiervan op de hoogte zijn en of dit hun investeringsbeslissing beïnvloedt.
1.4. Groei MFI’s kenden sinds het jaar 2000 een groei in termen van aantal klanten, aantal leningen, aantal filialen, aantal activa etc. (Wagner, Winkler, 2011b; Nair, 2010; Sengupta, Aubuchon, 2008). Deze groei werd geïnitieerd door sociaal gemotiveerde instellingen die als doel hadden zoveel mogelijk arme mensen te bereiken met de beperkte budgetten die ze ter beschikking hadden (McIntosh, Wydick, 2005). Bovendien vloeiden financiering, nationale invloed en internationale erkenning vooral naar de grootste spelers in de markt. Dit vormde een
bijkomende
motivatie
om
te
groeien
(Chen,
Rasmussen,
Reille,
2010).
Deze groei kon onmogelijk bereikt worden met uitsluitend subsidies (Bogan, 2012; Callaghan et al., 2007; Burritt, 2003) of ingehouden winsten (Soros, 2003; Gibbons, Meehan, 2002) als financierinsbronnen. Daarom zochten MFI’s toegang tot kapitaalmarkten en gingen ze transformeren tot gereguleerde financiële instelling (verder Regulated Financial Institution, afgekort ‘RFI’ genoemd) (Infra p.5, sectie 1.5.) (Hoque et al., 2011; Callaghan et al., 2007). Deze groei werd mogelijk gemaakt door de stijgende interesse van investeerders, maar werd ook deels gepusht (Chen et al., 2010) door de verwachtingen van commerciële investeerders (Assefa et al., 2013; Dieckmann et al., 2007). Het gaat hierbij bovendien niet enkel over een toename van financiering door investeerders, maar ook door overheden, organisaties voor ontwikkelingssamenwerking en NGO’s die deze MFI’s subsidiëren (Assefa et al., 2013). Deze groei, in combinatie met de aanwezigheid van overvloedige financiering, de vrij grote winsten die door MFI’s gehaald werden en de heel hoge terugbetalingsgraad in de sector, trok bovendien ook commerciële financiële instellingen aan (McIntosh, Wydick, 2005; Assefa et al., 2013; Jansson, 2001; Gonzalez, 2010). Deze groei en commercialisering resulteerden in een toename van de concurrentie (Christen, 2001; Chen et al., 2010; McIntosh, Wydick, 2005; Harker, 2006). Hierover meer in de volgende paragraaf.
De groei van MFI's brengt een aantal voordelen met zich mee. Zo dalen de operationele kosten ten gevolge van schaalvoordelen (Schneider, 1997; De Crombrugghe, Tenikue, Sureda, 2008) en bereiken grotere MFI's een groter aantal mensen (de zogenaamde breedte van de ‘outreach’) (Chen et al., 2010). Deze groei heeft echter ook een keerzijde, namelijk het verhogen van het aantal achterstallige leningen en daarmee gepaard gaande verliezen.
3
De redenen hiervoor zijn velerlei: o Bepaalde markten zijn reeds verzadigd (Christen, 2001; McIntosh, De Janvry, Sadoulet, 2005; Assefa et al., 2013; Gonzalez, 2010). Indien MFI’s in deze markten willen groeien, zullen ze genoodzaakt zijn minder kredietwaardige klanten aan te trekken (Schneider, 1997). o De groei van de MFI zal vaak de capaciteit van de MFI in termen van informatiesystemen overtreffen (Schicks, 2013). MFI’s staan hierbij voor de keuze: het aantal klanten per werknemer opdrijven of bijkomende werknemers aanwerven. Wanneer hetzelfde aantal werknemers een groter aantal klanten moet screenen en opvolgen, zal dit vaak tot een minder nauwkeurige screening en opvolging leiden. Nieuwe werknemers daarentegen, zijn vaak onervaren waardoor de kans op slechtere leningsbeslissingen toeneemt (Chen et al., 2010). o Het is mogelijk dat de MFI klanten gaat aantrekken die verder verwijderd zijn van de MFI. Aangezien de opvolging van deze klanten meer geld kost (bijvoorbeeld door de langere afstand), zal dit meestal leiden tot een verminderd toezicht en opvolging van deze klanten met als gevolg een minder effectieve preventie van default (Schneider, 1997). o Wanneer een MFI snel wil groeien, zal de focus op operationele efficiëntie verhogen. Managers zoeken dan naar kostbesparingen en verminderen bijvoorbeeld de frequentie van groepsbijeenkomsten in geval van group lending (Chen et al., 2010). Dit is belangrijk aangezien opvolging door de groep - gemeten aan de hand van onder andere de frequentie van de groepsbijeenkomsten per maand - een positieve invloed heeft op de terugbetaling (Roslan, Karim, 2009).
Dit onderzoek gebruikt dezelfde maatstaven als Gonzalez (2010) voor het meten van de kwaliteit van een kredietportefeuille. Hij gebruikte namelijk de ‘write-off ratio’ (WOR) en de ‘portfolio at risk over 30 days’ (PAR30). De PAR30 is het microfinancieringsequivalent van de ‘non-performing loan ratio’ die gebruikt wordt in de traditionele banksector (Wagner, Winkler, 2011a).
Deze paragraaf leidt tot de eerste hypothese die bestaat uit twee deelhypothesen: o H1A: Groei van de MFI leidt tot een stijging van de portfolio at risk > 30 days (PAR30) o H1B: Groei van de MFI leidt tot een stijging van de write-off ratio (WOR) Deze hypothese werd reeds nagegaan door Gonzalez (2010) die tot de conclusie kwam dat er een U-vormige relatie bestaat tussen groei en de kwaliteit van een kredietportefeuille. In de eerste fases leidt groei tot een betere portfolio kwaliteit. Slechts vanaf heel extreme 4
situaties zoals een groei van 250% per jaar is er sprake van een dalende portfolio kwaliteit. Dergelijke groeipercentages worden echter zelden bereikt.
1.5. Commercialisering en competitie Zoals vermeld in de inleiding (Supra vii) werden MFI’s oorspronkelijk voornamelijk gefinancierd met donorfondsen en subsidies (Morduch, 1999; Callaghan et al., 2007) en bestond de sector voornamelijk uit non-profit organisaties en officiële organisaties voor ontwikkelingssamenwerking (Goodman, 2009). Om voldoende groei mogelijk te maken (Supra p.3, sectie 1.4.) en om sustainable te worden (Infra p.6, sectie 1.5.1) gingen MFI’s andere financieringsmogelijkheden verkennen en zochten ze toegang tot kapitaalmarkten, zowel in het binnenlands als internationaal (Swanson, 2008; Mersland, Urgeghe, 2013). Hierdoor kregen ze toegang tot commerciële financieringsbronnen. Om toegang te krijgen tot kapitaalmarkten moesten ze echter transformeren naar een commerciële gereguleerde financiële instelling (Mersland, Urgeghe, 2013; Bogan, 2008; Dieckmann et al., 2007; Frank et al., 2008). Bijgevolg zijn vele MFI’s getransformeerd en momenteel midden in hun transformatieproces (Hishigsuren, 2006; Wagner, Winkler, 2011a; Hoque et al., 2011; Christen, 2001).
Naast een toegang tot kapitaalmarkten biedt de transformatie naar een RFI bovendien nog andere voordelen: o De transformatie tot RFI geeft de mogelijkheid om een aantal diensten aan te bieden die niet toegelaten zijn voor NGO-MFI’s, zoals bijvoorbeeld het beheer van spaarrekeningen (Hishigsuren, 2006; Mersland, Urgeghe, 2013; Dieckmann et al., 2007; Frank, Lynch, Schneider-Moretto, 2008; Atiase, 2008). Bijgevolg vergroot het aanbod aan financiële diensten van de MFI en kan deze meer klanten aantrekken. Hiermee
vergroot
de
breedte
van
de
outreach
(Hishigsuren,
2006).
Bovendien beschikt de RFI via deze deposito's over een relatief stabiele en lokale financieringsbron (Hishigsuren, 2006). De financieringsbron is bovendien goedkoop aangezien de interestpercentages die op deposito’s gelden heel laag zijn, zeker in vergelijking met deze die op leningen gelden (Bogan, 2012; Frank et al., 2008). Daar komt ook nog bij dat MFI’s die deposito’s ontvangen minder kwetsbaar zijn bij negatieve marktomstandigheden die de kost van externe leningen significant zouden kunnen doen toenemen of ervoor zouden kunnen zorgen dat liquiditeiten opdrogen. Indien dit scenario zich zou voordoen, heeft de MFI namelijk nog altijd toegang tot de deposito’s van haar klanten en wordt ze niet/slechts in beperkte mate geconfronteerd met
liquiditeitsproblemen
(Frank
et
al.,
2008).
Bovenstaande paragraaf geeft al aan dat door de commercialisatie de deposito’s van 5
MFI’s zijn toegenomen. Ook Farrington en Abrams (2002) stellen dat één van de kernevoluties in de sector een toename van deposito’s van het publiek is. Hieruit kan een tweede hypothese worden afgeleid: -
H2: Commercialisering leidt tot een stijging van de ratio ‘deposito’s/vreemd vermogen’
o Tot slot leidt een transformatie tot RFI doorgaans tot groei van de instelling (Hishigsuren, 2006). Deze groei leidt tot een stijging van de opbrengsten en een daling van de kosten door onder meer schaalvoordelen (Schneider, 1997; De Crombrugghe et al., 2008; Tucker,2001; Frank et al., 2008) en dus tot een hogere efficiëntie. Zowel Hoque et al. (2011) als Hermes et al. (2009) toonden reeds aan dat commercialisering leidt tot een hogere efficiëntie. Ook Bogan (2012) concludeerde dat ondersteuning van MFI’s door commerciële financieringsbronnen bevorderlijk is voor de efficiëntie van de MFI. De verklaring hiervoor is dat ten einde te overleven in een steeds competitievere markt, MFI’s zich genoodzaakt zien kostelijke transacties te verminderen en hun efficiëntie te verhogen. Dit wordt onder meer verwezenlijkt door
verbeterde
systemen
en
het
gebruik
van
efficiëntere
technologieën
(Hishigsuren, 2006; Motta, 2004). Bijgevolg kan men volgende hypothese formuleren als: -
H3: Commercialisering leidt tot een toename van de efficiëntie
De transformatie tot RFI is echter niet de enige vorm van commercialisering in de sector. Ook de intrede van traditionele, gereguleerde financiële instellingen zoals commerciële banken
en
de
oprichting
van
commerciële
MFI’s
leiden
tot
een
toegenomen
commercialisering en competitie in de sector (Hishigsuren, 2006; Assefa et al., 2013; Tucker, 2001; Baydas, Graham, Valenzuela, 1997; Jansson, 2001). Deze instellingen concurreren met elkaar om klanten en om financiering (Assefa et al., 2013; Tucker, 2001). Bovendien concurreren ze meestal in dezelfde regio’s, waardoor dit de concurrentie versterkt (Chen et al., 2010). 1.5.1. Een verhoogde focus op financiële performantie Een eerste belangrijk gevolg van deze commercialisering en competitie is dat investeerders steeds meer nadruk leggen op financiële en operationele duurzaamheid, de zogenaamde ‘sustainability’ (Assefa et al., 2013; Hudon, 2007; Hoque et al., 2011). Investeerders verhogen de druk op MFI’s om minder afhankelijk te worden van subsidies en donaties en om genoeg opbrengsten te genereren om hun operationele kosten te dekken (McIntosh, Wydick, 2005; Hartarska et al., 2006; De Crombrugghe et al., 2008; Ferro-Luzzi, Weber, 2006; Robinson, 2001). MFI’s proberen hier aan te voldoen en winsten te behalen om
6
investeerders aan te trekken en te behouden (Assefa et al., 2013; Burritt, 2003). Maar niet enkel investeerders verwachten ‘sustainability’. Ook de wetgeving speelt hier een rol. Een belangrijke vereiste voor een RFI is vaak namelijk om winst te maken. MFI’s moeten dus sustainable worden om te voldoen aan bepaalde wettelijke eisen als zij willen transformeren tot een RFI (Tucker, 2001). MFI’s zijn dan ook steeds minder subsidies aan het gebruiken en steeds meer commerciële financiering (Farrington, Abrams, 2002; Burritt, 2003) (Infra p.14, sectie 1.6). Eén van de manieren om ‘sustainability’ te bereiken is het marktaandeel te vergroten en dus te groeien (Tucker, 2001; Schneider, 1997; Lont, Hospes, 2004). Een groter klantenbestand biedt immers schaalvoordelen (Schneider, 1997; De Crombrugghe et al., 2008) en een hogere opbrengst. De MFI kan onder andere meer klanten aantrekken door het verlagen van haar interestpercentages (McIntosh, Wydick, 2005; Assefa et al., 2013; Tucker, 2001). Een tweede manier om financiële duurzaamheid te bereiken is de opbrengst verhogen. Dit kan onder meer bereikt worden door het interestpercentage te verhogen (Hoque et al., 2011; Brau,
Woller,
2004;
Ayayi,
Sene,
2010;
Hudon,
2007;
Lont,
Hospes,
2004).
De invloed van een verhoogde focus op financiële performantie met betrekking tot het interestpercentage is bijgevolg niet eenduidig want kan zowel tot een verhoging als een verlaging
van
het
interestpercentage
leiden.
Een derde mogelijkheid is een kostenverlaging, bijvoorbeeld door een efficiëntieverhoging en productiviteitsverhoging.
De onderzoeken van de voorbije 10 jaar in verband met het percentage financieel en operationeel
zelfvoorzienende
MFI’s
leverde
gemengde
resultaten
op.
Sommige
onderzoekers kwamen tot de conclusie dat in hun onderzoeksperiode de meerderheid van de MFI’s in hun dataset niet zelfvoorzienend waren. Hulme en Mosley (2006) vonden bijvoorbeeld dat bijna alle MFI’s in hun steekproef nog altijd afhankelijk waren van subsidies. Ook Morduch (1999) kwam tot een gelijkaardige conclusie voor de Grameen Bank. Volgens Constantinou en Ashta (2011) waren er in 2003 naar schatting wereldwijd meer dan 10.000 MFI’s waarvan slechts 5% (zo’n 500 instellingen) winstgevend waren. Ook Burritt (2003) zei dat van de 147 toonaangevende MFI’s die rapporteren
aan
het
MicroBanking
Bulletin2,
er
maar
62
instellingen
financieel
zelfvoorzienend waren. Dit komt neer op 42% en is een relatief laag percentage aangezien het gaat over de toonaangevende MFI’s. In 2004 kwamen Hudon en Traca (2006) tot de conclusie dat slechts 30% van de toen 1000 MFI’s uit de MIXmarket database erin slaagden 2
De MicroBanking Bulletin (MBB) is de belangrijkste bron van benchmarkinggegevens voor de microfinancieringsindustrie en publiceert financiële en portfolio gegevens.
7
om hun kosten te dekken met hun inkomsten en dus operationeel sustainable waren. Ook Brau en Woller (2004) concludeerden dat de grote meerderheid van de MFI’s onderzoek
niet
sustainable
waren
in
uit hun 2004.
Anderen onderzoekers vonden dan weer hogere percentages en gaven aan dat deze percentages toenemen over de tijd heen. De analyse van Constantinou en Ashta (2011) op basis van 1400 MFI’s gedurende de periode van 2003 tot 2008, andermaal gebaseerd op MIXmarket data, toonde bijvoorbeeld aan dat in de periode tussen 2003 en 2008 steeds meer MFI’s sustainable waren of sustainability naderden. Ook Bogan (2008) vond dat in 2003 gemiddeld 60% (75%) van de MFI’s uit haar onderzoek financieel (operationeel) sustainable waren en dat deze percentages in 2006 reeds 70% (90%) bedroegen. Het is opmerkelijk dat Bogan reeds in 2003 zo’n hoog percentage sustainable MFI’s in haar dataset telde. Dit is hoogstwaarschijnlijk te wijten aan het feit dat ze enkel MFI’s in haar onderzoek opnam met activa ter waarde van meer dan $1.3 miljoen, met minstens een ‘level 3 diamond disclosure rating’3 en met een jaarrekening die gecontroleerd was door een auditor en bovendien
Engels-,
Frans-
of
Spaanstalig
was.
Ook Hudon (2007) beweert dat meer dan 90% van de MFI’s niet in staat zijn onafhankelijk te zijn van donors. In datzelfde jaar meldden ook Hermes en Lensink (2007) dat een groot aantal microfinancieringsprogramma’s nog altijd afhankelijk waren van subsidies en dus niet financieel sustainable waren. Ook Sengupta en Aubuchon (2008) schreven dat minder dan de helft van de MFI’s winst maken en de meesten nog altijd hulp van donors en subsidies nodig hebben. Tot slot beweerden Armendariz en Labie (2011) dat het bereiken van selfsustainability niet de grootste uitdaging meer blijkt te zijn. Microfinanciering heeft volgens hen aangetoond dat het niet enkel self-sustainable kan zijn, maar ook mooie rendementen kan opleveren.
Aan de hand van een descriptief onderzoek zal duidelijk worden hoe het zit met de ‘sustainability’ van MFI’s sinds 2004 tot en met 2013 (Infra p.43, sectie 4.2).
Er bestaan twee vormen van sustainability. Een MFI die operationeel sustainable is, heeft genoeg opbrengsten om haar operationele kosten te dekken. Subsidies kunnen in dat geval nog altijd gebruikt worden om leningen te geven of om achterstallige leningen te dekken. Deze vorm van sustainability wordt gemeten aan de hand van de ‘operational selfsufficiency’
3
(OSS)
ratio.
MIX gebruikt een ‘diamanten systeem’ om het niveau/de graad van transparantie en ondersteunende informatie voor alle data op MIX
Market aan te geven. Een groter aantal diamanten betekent een transparantere MFI en betrouwbaardere data. (http://mixmarket.org/about/faqs#ixzz2vNaARttm)
8
Een MFI die financieel sustainable is daarentegen, verkrijgt via haar kredietverlening voldoende middelen en heeft bijgevolg geen subsidies of externe fondsen nodig om autonoom te functioneren (Sengupta, Aubuchon, 2008). Deze wordt gemeten aan de hand van de financial self-suffuciency (FSS) ratio en kan beschouwd worden als het non-profit equivalent van winstgevendheid. In microfinanciering wordt een MFI als financieel zelfvoorzienend operationele
beschouwd
inkomsten
-
indien
subsidies
>
voor operationele
deze kosten
MFI +
geldt
dat:
financieringskosten
(Woller, Schreiner, 2002).
Sustainability wordt in dit onderzoek gemeten aan de hand van volgende 3 variabelen: o 1 – leverage = 1 -
=
o Return on assets (ROA) o Operational self sufficiency (OSS) Hierover meer in sectie 2 van deel 2 (infra p.23) waar besproken wordt hoe de variabelen uit dit onderzoek gemeten zijn.
Zoals eerder vermeld, leidt de commercialisering van de sector (Supra p.5, sectie 1.5) tot een toename van commerciële financiering en een afname van subsidies. De stijgende interesse van investeerders in de microfinancieringssector (Supra p.2, sectie 1.3.) in combinatie met deze commercialisering
zou een toename van de ratio’s ‘geleende
middelen/vreemd vermogen’ en ‘kapitaal/eigen vermogen’ kunnen verklaren. Hieruit volgen de volgende hypotheses: o H4A: De ratio ‘geleende middelen/vreemd vermogen’ is de voorbije 10 jaar toegenomen o H4B: De ratio ‘gestort maatschappelijk kapitaal/eigen vermogen’ is de voorbije 10 jaar toegenomen 1.5.2. Nadelige gevolgen van de toegenomen focus op financiële performantie In de volgende twee paragrafen worden twee belangrijke nadelige gevolgen van de toegenomen focus op financiële performantie besproken. 1.5.2.1. Stijging van de defaults door een verzwakking van de ontleningsvoorwaarden en klantenrelaties Net zoals de groei van de financieringsbronnen, heeft de toenemende focus op kostenverlaging en efficiëntieverhoging tot gevolg dat MFI’s de neiging hebben om minder tijd en geld te besteden aan de analyse en screening van de kredietwaardigheid van 9
bestaande en nieuwe klanten. Dit zijn immers kostelijke activiteiten (Chen et al., 2010; Vogelgesang, 2003; Assefa et al., 2013). Bovendien heeft de toegenomen competitie de druk op MFI’s verhoogd om zoveel mogelijk klanten aan te trekken om hun marktaandeel te vergroten (Assefa et al., 2013). Deze concurrentiedruk kan een agressief leningsaanvraag beleid aanmoedigen (Viada, Gaul, 2012). Bijgevolg ging deze snelle groei vaak gepaard met een verzwakking van de selectiestandaarden en ontleningsvoorwaarden van de MFI (McIntosh, Wydick, 2005; Chen et al., 2010). Hierdoor steeg het risico op het toekennen van leningen aan minder kredietwaardige leners en leidde dit tot een daling van de kwaliteit van de kredietportefeuille (Vogelgesang, 2003; Assefa et al., 2013; Viada, Gaul, 2012; Chen et al., 2010). Dit werd ook aangetoond door Assefa et al. (2013) die een negatief verband vonden tussen toegenomen competitie en de terugbetalingsgraad (en bijgevolg de kwaliteit van
de
kredietportefeuille).
Bovenvermelde elementen impliceren een verzwakking van de klantenrelaties (McIntosh, Wydick, 2005). Dit vormt een probleem aangezien deze relaties net zo belangrijk zijn in microfinanciering. Eén van de onderscheidende kenmerken van microfinanciering is namelijk dat MFI’s dikwijls geen onderpand vragen. Daarom zijn de transacties gebaseerd op het gebruik van ‘soft information’ en zijn ze afhankelijk van sterke relaties tussen de MFI en de klant (Assefa et al., 2013). Een snelle groei verhoogt het risico op verwaarlozing van klantendiensten en -relaties door de MFI en zelfs op verlies van face-to-face relaties, terwijl deze net zo belangrijk zijn voor de kwaliteit van de portfolio (Chen et al., 2010). 1.5.2.2. ‘Mission drift’ en de trade-off tussen outreach en sustainability Zoals reeds vermeld is er een toenemende nadruk op ‘sustainability’. Sustainability kan bereikt worden door een toename van de opbrengsten en/of een daling van de kosten. Twee mogelijke manieren om deze te bereiken vormen een bedreiging voor de sociale missie van de MFI. Ten eerste kan de MFI haar opbrengsten vermeerderen door haar interestpercentage te verhogen (Brau, Woller, 2004; Ayayi, Sene, 2010; Hudon, 2007; Lont, Hospes, 2004; Hoque et al., 2011). Hierdoor zal ze zich op rijkere klanten richten aangezien zij degenen zijn die zich zo’n hoge rente kunnen veroorloven. Uitsluitend de klanten die een rendement op hun investering realiseren die groter is dan de rente die geldt op de lening, kunnen deze hoge interesten
betalen.
Echter,
voor
de
meerderheid
van
de
arme
bevolking
in
ontwikkelingslanden zijn de best beschikbare investeringsmogelijkheden net deze die relatief lage rendementen opleveren (Fernando, 2006). Bijgevolg vermindert de zogenaamde ‘diepte’ van de outreach wanneer het interestpercentage verhoogd wordt. Hier valt wel op te merken dat arme mensen vaak met de rug tegen de muur staan en geen andere keuze zien 10
dan deze hoge percentages te betalen en desnoods een lening aangaan bij een andere MFI om deze interest te kunnen betalen. Ten tweede kan de MFI haar kosten verlagen door het aanbieden van grotere leningen, aangezien deze goedkoper zijn (Tucker, 2001; Armendariz, Labie, 2011; Frank et al., 2008; Gonzalez, 2010). Men kan hierbij veronderstellen dat hiermee een rijker segment van de bevolking wordt bereikt (Schreiner, 2001; Armendáriz, Szafarz, 2011). Mersland en Strøm (2010) tonen bijvoorbeeld aan dat er een positief verband bestaat tussen de gemiddelde leningsgrootte en de gemiddelde winst. Hieruit kan men afleiden dat een grotere winst bereikt kan worden door het geven van grotere leningen. Ook Cull, Demirgüç-Kunt en Morduch (2009) tonen aan dat er een negatieve correlatie bestaan tussen de leningsgrootte en de operationele kosten, waaruit men kan afleiden dat grotere leningen samenhangen met lagere
operationele
kosten.
Een aantal auteurs beweren echter dat de gemiddelde leningsgrootte geen goede maatstaf is voor de graad van armoede van het klantenbestand van de MFI. Frank et al. (2008) vonden bijvoorbeeld dat er vaak een zwakke correlatie is tussen de lening die aan een klant wordt gegeven - en bij uitbreiding de gemiddelde leningsgrootte van de MFI – en het werkelijke niveau van armoede van die klant. Andere auteurs brengen dan weer andere argumenten die gebaseerd zijn op het feit dat er ook alternatieve verklaringen bestaan voor de stijging van de gemiddelde leningsgrootte. Ten eerste kan dit een gevolg zijn van een natuurlijke evolutie van de doelgroep (Frank et al., 2008; Christen, 2001). Klanten van de MFI kunnen namelijk over de tijd heen rijker worden omdat ze bijvoorbeeld succes ervaren met hun onderneming die gefinancierd werd door de MFI. Hierdoor zijn ze dus in staat om grotere
bedragen
te
lenen
(Mersland,
Strøm,
2010).
Ten
tweede
kan
de
kredietverleningsmethode ook een invloed hebben op de gemiddelde leningsgrootte indien gebruik wordt gemaakt van progressief lenen. Hierbij kan de klant aanvankelijk slechts een klein bedrag lenen. Indien hij of zij een goede terugbetaling vertoont, dan wordt het bedrag van de lening vergroot. Dit is bijgevolg een manier om de terugbetalingsgraad te verhogen.
Samengevat betekent dit dat een grotere sustainability leidt tot een lagere outreach in termen van diepte. Dit betekent dat men een afweging moet maken tussen een diepe outreach en een grote sustainability (Olivares-Polanco, 2005; Assefa et al., 2013; Hermes et al., 2011; Von Pischke, 1996; Olivares-Polanco, 2005; Baklouti, 2013; Paxton, Graham, Thraen,
2000;
Lont,
Hospes,
2004).
Tussen de breedte en de sustainability bestaat echter een positief verband, bijvoorbeeld door de schaalvoordelen die ontstaan bij een groter klantenbestand (Kyereboah-Coleman, 2007). 11
Het verband tussen sustainability en outreach werd onder meer geïllustreerd door Cull et al. (2009) die aantoonden dat competitie leidt tot een lagere outreach. Aangezien competitie leidt tot een toegenomen druk op MFI’s om financieel sustainable te worden ten einde te kunnen concurreren met andere MFI’s, kan dit wijzen op een mogelijke trade-off. Het verband werd ook reeds aangetoond door Hermes et al. (2011) die vonden dat kostendalingen (en dus een hogere efficiëntie) de diepte van de outreach verlaagt. Tot slot toonden Hoque et al (2011) aan dat leverage (één van de variabelen waarmee sustainability gemeten wordt) het relatieve niveau van de diepte van de outreach verlaagt.
Een aantal auteurs gaan niet akkoord met het feit dat er een trade-off bestaat tussen sustainability en outreach in termen van diepte. Sommige auteurs (Robinson, 2001; Woller, 2007; Rhyne, 1998; Christen, Drake, 2002; Fernando, 2004) beweren bijvoorbeeld dat een meer gecommercialiseerde microfinancieringssector (waar ook een grotere nadruk ligt op sustainability) net beter in staat is om de allerarmsten te bedienen. Andere auteurs (De Crombrugghe et al., 2008; Bédécarrats, Baur, Lapenu, 2012; Dewez, Neisa, 2009) stellen dat een MFI sustainability kan bereiken op manieren die niet ten koste gaat van de outreach. Tot slot geloven ook de CEO van de Grameen stichting (Counts, 2008) en Woller en Schreiner (2002) dat beiden hand in hand kunnen gaan.
Ten gevolge van de toegenomen eis voor sustainability is er een veranderende focus van arme naar rijkere klanten (Nair, 2010; Tucker, 2001; Frank et al., 2008; Hermes et al., 2011). Dit laatste fenomeen wordt ‘mission drift’ genoemd. Ook de sociaal gemotiveerde non-profit organisaties worden hierdoor gedwongen hun strategie in verband met het bereiken van arme mensen te herdenken aangezien zij nu concurrentie ondervinden van winst-gedreven instellingen (Mwangi, 2013; McIntosh, Wydick, 2005).
Uit deze paragraaf kan volgende hypothese worden afgeleid: o H5: Een grotere sustainability leidt tot een minder diepe outreach Deze hypothese zal op twee manieren worden benaderd. In een eerste stap zal deze hypothese aan de hand van een regressie-analyse worden nagegaan. Vervolgens zal in een tweede stap een descriptief onderzoek uitwijzen of de leningen met de tijd daadwerkelijk groter zijn geworden en of de interestpercentages inderdaad gestegen zijn. Deze evoluties zouden een indicatie kunnen zijn van ‘mission drift’.
12
1.5.3. Multiple loan taking en over-indebtedness Uit de voorgaande paragrafen blijkt dat MFI’s door de focus op financiële performantie en concurrentie steeds meer onder druk gezet werden om een zo groot mogelijk klantenbestand op te bouwen. Bovendien concurreren vele MFI’s vaak in dezelfde regio’s. Dit had onder meer tot gevolg dat meer en meer klanten leningen aangingen bij meerdere MFI’s tegelijk (McIntosh, De Janvry, Sadoulet, 2005; Chen et al., 2010; Hermes et al., 2011; Tucker, 2001; Gonzalez, 2010). Dit fenomeen wordt omschreven als ‘multiple loan taking’. De verklaring hiervoor is het volgende: o Door een toename van de concurrentie neemt de asymmetrische informatie tussen de MFI’s toe. Met meer MFI’s in een markt wordt informatiedeling moeilijker. Bijgevolg hebben MFI’s geen adequate informatie over de schuldgraad van potentiële klanten (Viada, Gaul, 2012). ). Dit zorgt ervoor dat sommige mensen meerdere leningen kunnen aangaan bij meerdere MFI’s tegelijk (McIntosh, Wydick, 2005; Vogelgesang, 2003) . o Wanneer een MFI groeit in markten met een hoge penetratie, wordt het moeilijker om nog goede klanten te vinden, aangezien de meerderheid reeds klant is bij een andere MFI. De MFI staat dan voor de keuze: ofwel krediet verlenen aan minder kredietwaardige mensen, ofwel krediet verlenen aan mensen die reeds een lening hebben bij een andere MFI. Door te kiezen voor deze laatste optie, verhogen ze de schuldlast van klanten tot het punt waar ze niet meer in staat zijn hun schulden af te betalen (Gonzalez, 2010). o Zoals eerder vermeld (Supra p.9, sectie 1.5.2.1.), verzwakten MFI’s hun ontleningsvoorwaarden. Dit moedigde mensen ook aan om meer te lenen dan dat ze terug konden betalen (Gonzalez, 2010). ‘ Multiple loan taking’ heeft een aantal negatieve gevolgen: o Zo kan een ontlener bij de ene MFI in gebreke zijn en nog altijd een relatie behouden met een andere MFI (McIntosh et al., 2005; Chen et al., 2010). Hierdoor stijgt de PAR30 van de MFI aan wie niet correct wordt terugbetaald (McIntosh, Wydick, 2005; McIntosh et al., 2005; Vogelgesang, 2003; Mwangi, 2013). Doordat meerdere klanten dit doen, leidt dit tot een terugbetalingscrisis (Chen et al., 2010; McIntosh et al., 2005). o Mensen die klant zijn bij meerdere MFI’s, zullen hun deposito’s over deze instellingen moeten spreiden. Bijgevolg zullen de deposito’s per MFI dalen. Dit zou een daling van de deposito’s kunnen verklaren (McIntosh et al., 2005). o Bovendien kan ‘multiple loan taking’ ook leiden tot ‘over-indebtedness’. Hierbij komen de ontleners in een chronische situatie terecht waarbij ze gedurende een 13
bepaalde tijd, ongewild, niet in staat zijn al hun financiële verplichtingen na te komen gezien ze over onvoldoende cash geld beschikken (Kappel, Krauss, Lontzek, 2011). Deze over-indebtedness vormt eveneens een belangrijke evolutie in de sector.
1.6. Druk door donors en investeerders om de afhankelijkheid van subsidies te verminderen In sectie 1.5.1. (Supra p.6) werd dieper ingegaan op de verhoogde focus op financiële performantie en de verhoogde druk op MFI’s om minder afhankelijk te worden van subsidies en donaties. Subsidies zijn immers een onzekere bron van financiering aangezien ze in de toekomst kunnen wegvallen (Assefa et al., 2013; Fernando, 2006). Bovendien is ook hun bedrag beperkt (Bogan, 2012) en worden ze steeds moeilijker te verkrijgen aangezien het aantal MFI’s wereldwijd groeit (Gibbons, Meehan, 2002). Dit was één van de redenen die MFI’s ertoe heeft geleid om hun focus te verleggen naar het ophalen van kapitaal op kapitaalmarkten
(Assefa
et
al.,
2013).
Tot slot kan afhankelijkheid van subsidies ook leiden tot een verminderde motivatie om efficiënt te werken (Bogan, 2012). Dit kan verklaard worden door de competitieve druk die commercieel gefinancierde MFI’s voelen en die hen ertoe aanzet om inspanningen te leveren om hun opbrengsten te verhogen en kosten te verlagen. MFI’s die afhankelijk zijn van subsidies daarentegen, voelen deze druk om efficiënt te werken niet of minder (De Aghion,
Morduch,
2004;
Morduch,
2005;
Bogan,
2008).
Dit verband tussen het gebruik van subsidies en de efficiëntie van de MFI wordt echter niet door alle auteurs ondersteund. Hudon en Traca (2011) vonden bijvoorbeeld dat gebruik van subsidies (gemeten aan de hand van de subsidie-intensiteit die gelijk is aan het geschonken eigen vermogen gedeeld door het totaal eigen vermogen) een positieve impact heeft op efficiëntie, maar dat dit slechts het geval is tot aan een bepaald punt. Uit hun onderzoek blijkt dat er een U-vormige relatie bestaat tussen beide variabelen en dat de efficiëntie begint te verlagen vanaf een bepaalde subsidie-intensiteit. In hun steekproef bevonden er wel slechts 26% van de MFI’s zich in het dalende gedeelte van de curve. Het verband tussen afhankelijkheid van subsidies en efficiëntie werd reeds aangetoond door Bogan in twee van haar onderzoeken. In 2008 toonde ze aan dat er een positief verband bestaat tussen het percentage susbidies/activa en de kost per ontlener (Bogan, 2008). In 2012 toonde ze vervolgens aan dat een grotere afhankelijkheid van subsidies voor grote MFI’s de operational self-sufficiency (OSS) verlaagt (Bogan, 2012). Cull en Morduch (2007) concludeerden ook dat subsidies gecorreleerd zijn met een lagere winstgevendheid. Ook Hartarska et al. (2006) kwamen tot de conclusie dat de aanwezigheid van subsidies geassocieerd is met hogere MFI kosten. Tot slot vonden ook Cull et al. (2009) dit verband, hoewel het niet significant was. 14
Volgende hypotheses zal dan ook worden onderzocht: o H6A: Een grotere afhankelijkheid van subsidies leidt tot een lagere efficiëntie Uit het bovenstaande zou men kunnen afleiden dat een grotere afhankelijkheid van subsidies tot een lagere sustainability leidt. Dit is dan ook een hypothese die in dit onderzoek zal worden onderzocht. o H6B: Een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability Deze hypothese werd reeds empirisch bewezen door Hudon en Traca (2006). Men kan echter
ook
alternatieve
verklaringen
formuleren
voor
deze
hypothese.
Ten eerste is het mogelijk dat MFI’s die afhankelijk zijn van subsidies net degenen zijn die de armsten (en duursten) bedienen. Hierdoor hebben zij niet alleen een ‘diepere outreach’, maar ook hogere werkingskosten (De Aghion, Morduch, 2004). De kans bestaat dat dergelijke MFI's subsidies nodig hebben om financieel te overleven, en dus een lagere sustainability hebben. Dit verband werd eveneens aangetoond door Hudon en Traca (2006). Ze vonden dat gesubsidieerde MFI’s hogere administratieve kosten per geleende dollar hebben als gevolg van een kleinere gemiddelde leningsgrootte. Ten tweede kan het zijn dat donors net die MFI’s financieren die diensten verlenen aan de allerarmsten. Hudon en Traca (2006) vertrokken bijvoorbeeld van het vermoeden dat minder ‘sustainable’ MFI’s de aandacht van donors trekken aangezien deze willen voorkomen dat de MFI failliet gaat. Bijgevolg verhoogt de subsidie-intensiteit van deze MFI’s. Aan de hand van een regressie-analyse toonden ze vervolgens aan dat subsidie-intensiteit negatief gecorreleerd is met leningsgrootte. Dit suggereert dat MFI’s die armere klanten bedienen, een grotere kans hebben om donorfinanciering aan te trekken. Ook Mersland en Urgeghe (2013) zeggen dat commerciële financiering aan MFI’s de ‘negative screening approach’ volgt en voornamelijk gedreven is door financiële performantie en professionalisering van de MFI, terwijl gesubsidieerde financiering een ‘positive approach’ volgt en vooral gedreven is door armoedebestrijding en sociale inclusie. Dit wordt echter tegengesproken door Hudon (2007)
die
zegt
dat
donors
vaak
focussen
op
de
meest
‘sustainable’
MFI’s.
Om het effect van bovenstaande 2 alternatieve verklaringen weg te zuiveren zullen de diepte van de outreach van de MFI en haar doelmarkt (zie bijlage 1 voor meer uitleg over deze variabele) opgenomen worden als controlevariabelen bij het testen van hypothese 6B.
Sommige auteurs (Hudon, 2007; Zeller, Meyer, 2002) beweren dat de nood aan subsidies inherent is aan de microfinancieringssector en dus noodzakelijk is om de sociale missie van MFI’s te kunnen realiseren. Hudon en Traca (2006) tonen bijvoorbeeld aan dat MFI’s met een hogere subsidie-intensiteit, lagere interest percentages vragen. Dit wijst aan dat 15
subsidies MFI’s in staat stellen om de armsten te bedienen en de hoge kosten die gepaard gaan met kleine leningen te dragen. Zeller en Meyer (2002) zeggen ook dat subsidies de financieringskost van MFI’s verlaagt waardoor ze beter in staat zijn om hun administratieve kosten te dekken en dus de diepte van de outreach van de MFI vergroot. Wel opmerkelijk is dat Bogan (2008) een negatief verband vindt tussen subsidies als percentage van activa (X) en het percentage klanten onder de armoedegrens (Y). Deze laatste (Y) is een maatstaf voor de diepte van de outreach. Dit verband was echter niet significant. Het bovenstaande leidt tot de volgende hypothese: o H6C: Een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies Volgens sommige auteurs is het bovendien niet noodzakelijk om volledig zonder subsidies of financiering van buitenaf te kunnen functioneren. Subsidies zijn voornamelijk in de vroege fases zeer belangrijk en moeten volgens sommige auteurs (Harker, 2006) ook tot deze fase beperkt blijven. In deze vroege fases zou de MFI moeilijk een financiële basis kunnen opbouwen zonder deze financieringsbronnen en zou ze slechts een beperkt aantal klanten kunnen bedienen door een tekort aan financiële middelen (Harker, 2006). De Aghion en Morduch (2004) zeggen dan ook dat subsidies enkel gebruikt mogen worden voor start-up uitgaven en dat de MFI daarna onafhankelijk en winstgevend moet worden. Hudon (2007) beaamt dit door te stellen dat nog maar heel weinig MFI’s openlijk subsidies overwegen in hun lange termijn financiële projecties. Tot slot zegt Harker (2006) dat succesvolle MFI’s een evenwicht moeten proberen vinden tussen enerzijds het gebruik van subsidies voor initiële capaciteitsopbouw en anderzijds het overmatig gebruik en de afhankelijkheid van die hulp. Sinds het ontstaan van microfinanciering zijn donors de belangrijkste financieringsbron geweest voor MFI’s. De rol van donors zou nu echter moeten veranderen van kapitaalverschaffer in alle fases van de levenscyclus van de MFI naar de verschaffer van startkapitaal (Callaghan et al., 2007).
Uit deze en voorgaande paragrafen kunnen bovendien nog twee hypothesen worden afgeleid: o H7A: de ratio ‘gedoneerd eigen vermogen/totaal eigen vermogen’ is de voorbije 10 jaar afgenomen o H7B: de ratio ‘donaties(opbrengst)/activa’ is de voorbije 10 jaar afgenomen
16
Hoofdstuk 2. Outreach In het vorige hoofdstuk werden reeds een aantal factoren besproken die een invloed hebben op de outreach, zowel in de breedte als in de diepte. In deze paragraaf worden de beïnvloedende factoren meer in detail besproken. Zo leidt een groter aantal klanten, filialen en leningen tot een zogenaamde bredere outreach. Vele MFI's verlenen krediet aan mensen die geen toegang hebben tot commerciële leningen. Het gaat hierbij meestal om arme mensen die behoefte hebben aan kleine (en dus dure) leningen. MFI's hebben een ‘diepe outreach’ indien zij veel dergelijke leners bedienen. De diepte van de outreach wordt gemeten aan de hand van volgende variabelen: o Gemiddelde
leningsgrootte
(Schreiner,
2002;
Cull,
Morduch,
2007)
Hoewel in sectie 1.5.2.2 (Supra p.10) uitgelegd werd dat bepaalde auteurs stellen dat deze variabele geen goede maatstaf is voor de diepte van de outreach, werd deze in vele onderzoeken toch gebruikt. Bijgevolg zal deze in dit onderzoek ook worden toegepast (ondanks zijn beperkingen). o De kredietverleningsmethodologie, namelijk ‘group lending’ (Ferro-Luzzi, Weber, 2006;
Mersland,
Strøm,
2010).
Hermes en Lensink (2007) tonen bijvoorbeeld aan dat MFI’s die gebruik maken van ‘group lending’ een groter percentage arme klanten bedienen. Ook Cull et al. (2009) zeggen dat ‘group lending’ gericht is op armere gezinnen en dat ‘individual lending’ methoden eerder bedoeld zijn voor rijkere klanten. Tot slot zeggen Thorp, Stewart en Heyer (2005) dat een verschuiving van ‘group lending’ naar ‘individual lending’ MFI’s weg leidt van leningen zonder onderpand die net nodig zijn om de armste klanten te bereiken. De kredietverleningsmethodologie is bijgevolg een goede maatstaf voor de diepte van de outreach. Deze informatie was echter niet beschikbaar, waardoor deze variabele niet gebruikt kon worden. o Percentage vrouwelijke leners (Schreiner, 2002; Frank et al., 2008; Mersland, Strøm, 2010), gemeten aan de hand van: -
Percentage vrouwelijke leners
-
Aantal uitstaande leningen aan vrouwen
-
Percentage vrouwelijke actieve klanten
o Een groter aandeel kredieten bestemd voor de landbouw (Schreiner, 2002; FerroLuzzi, Weber, 2006; Mersland, Urgeghe, 2013; Mersland, Strøm, 2010), wordt benaderd door de volgende variabelen: -
Aantal actieve leners in plattelandsgebieden 17
-
Bruto kredietportefeuille in plattelandsgebieden
-
Percentage van de bruto kredietportefeuille dat naar agrarische activiteiten gaat
In de volgende secties wordt toegelicht waarom ook een groter aandeel vrouwelijke leners en een groter aandeel kredieten bestemd voor de landbouw de sociale impact van de kredietinstelling (en dus de diepte van de outreach) verhogen.
2.1. Percentage vrouwen in het totale klantenbestand Vrouwen zijn meestal aanzienlijk armer dan mannen (Ledgerwood, 1999; Bajaj, 2014; Puri, Taneja, Raj, 2013; De Aghion, Morduch, 2004). Bijgevolg is het richten op vrouwen een geschikte manier om de armoede te bestrijden (Weighton, 2005; Bajaj, 2014). Bovendien bevinden vrouwen zich vaak in een meer kwetsbare positie: o het werkloosheidspercentage onder de vrouwelijke bevolking ligt beduidend hoger dan bij de mannen (Frank et al., 2008; Ledgerwood, 1999; Puri et al., 2013), o ze vormen de meerderheid van de lager betaalden (Puri et al., 2013), o ze zijn voornamelijk tewerkgesteld in de niet georganiseerde informele sector (Puri et al., 2013), o ze hebben beperktere toegang tot productiemiddelen, vorming, informatie en technologie (Harker, 2006), o ze hebben minder autonomie (Frank et al., 2008). Hierdoor hebben vrouwen vaak geen toegang tot commerciële kredieten (Berger, 1990; Godquin, 2004; Lycette and White, 1989; Zohir et al, 2001; Bajaj, 2014). Deze toegang voor vrouwen is belangrijk vanuit een economisch oogpunt. Economische groei is namelijk slechts mogelijk indien de armoede in een samenleving geëlimineerd wordt. Een essentieel element van deze strategie is het creëren van gelijke kansen. Dit kan bijvoorbeeld bereikt worden via het ‘empoweren’ van vrouwen. Door vrouwen toegang te verlenen tot financiële middelen, helpen MFI’s om gendergelijkheid te promoten (Puri et al., 2013). Een recent rapport van de Wereldbank bevestigt dat samenlevingen die discrimineren op basis van geslacht armer zijn, tragere economische groei ervaren, een slechter bestuur en een lagere levenstandaard hebben (Puri et al., 2013). De sociale impact van leningen aan vrouwen is ook groter dan deze aan mannen. Vrouwen zijn namelijk meer geneigd om te sparen dan mannen, zullen een groter deel van hun inkomsten investeren in hun gezin en zullen bij hun uitgaven voorrang geven aan de noden van de kinderen. Hierdoor verhoogt de welvaart van het hele gezin (Frank et al., 2008;
18
Ledgerwood, 1999; Puri et al., 2013; Brau, Woller, 2004; Harker, 2006; De Aghion, Morduch, 2004). Afgezien van deze sociale overwegingen, stellen meerdere studies dat vrouwen vaak betere klanten zijn dan mannen in termen van terugbetaling (Dinh, Kleimeier, 2007; Roslan, Mohd Zaini, 2009; Salazar, 2008; Schreiner, 2004; Viganò, 1993; Reinke, 1998; D’espallier, Guérin, Mersland, 2011; De Crombrugghe et al., 2008; Hossain, 1988; Khandker, Khalily, Khan, 1995; Hulme, 1991; Gibbons, Kasim, 1990). Hierdoor kan een groter percentage vrouwen niet alleen sociaal maar ook financieel aantrekkelijk zijn voor de MFI. Vrouwen realiseren bovendien meestal een hoger rendement op het geïnvesteerd vermogen, hebben een beperktere arbeidsmobiliteit wat leidt tot lagere kosten voor de MFI (Hartarska et al., 2006), investeren in weinig risicovolle projecten (Sharma, Zeller, 1997; Harker, 2006) en investeren bovendien voornamelijk in productieve activiteiten (Brau, Woller, 2004). Mannen daarentegen zijn eerder geneigd hun geld te besteden aan consumptiegoederen
(Brau,
Woller,
2004).
Het bovenstaande leidt tot de volgende hypothesen: o H8A: Een hoger percentage vrouwen leidt tot een lagere PAR30 o H8B: Een hoger percentage vrouwen leidt tot een lagere write-off ratio
2.2. Percentage van de kredietportefeuille dat bestemd is voor landbouwactiviteiten De meerderheid van de armere bevolking is tewerkgesteld in de landbouw (Sharma, 2000; United Nations, 2006). Bovenzien zijn veel landbouwers ongeletterd (Sharma, 2000) en hebben geen onderpand omdat ze te arm zijn en/of door het ontbreken van eigendomsrechten (Llanto, 2007). Hierdoor hebben zij geen toegang tot commerciële kredieten. In armere landen vormt de landbouw vaak de drijvende kracht achter economische groei. Daarom is het vanuit sociaal oogpunt belangrijk dat MFI’s zich ook op deze klanten richten. Er zijn echter een aantal redenen die MFI’s tegenhouden om diensten aan te bieden aan landbouwers: o Plattelandsgebieden kennen een lage bevolkingsdichtheid (Sharma, 2000; GonzalezVega, Graham, 1995; Moll, 2005) en een zwakke infrastructuur (Harker, 2006). Deze grote geografische spreiding heeft hoge transactiekosten per klant tot gevolg en mogelijks lage volumes van diensten per microfinancieringslocatie (Moll, 2005). Hierdoor is het in rurale zones moeilijker en duurder om diensten te leveren (Gonzalez-Vega, Graham, 1995; Mersland, Urgeghe, 2013).
19
o De kenmerken van de kredieten die aangepast zijn voor landbouwproductie vormen een probleem voor de MFI. De start van het productieseizoen vraagt namelijk een investering in de nodige productiemiddelen (bijvoorbeeld zaaigoed, meststoffen, etc.). Hierdoor hebben boeren op dat moment behoefte aan relatief grote leningen. Daarna duurt het een tijdje voordat ze inkomsten hebben door de verkoop van de oogst of van vee. Hierbij moet wel worden opgemerkt dat dit laatste niet voor alle soorten landbouwproductie geldt. Bij veeteelt wordt bijvoorbeeld niet één groot bedrag op een bepaald moment (bijvoorbeeld wanneer de oogst verkocht wordt) ontvangen, maar wel
een
aantal
kleine
inkomsten
gespreid
over
de
tijd.
MFI's lenen echter meestal kleinere bedragen, die met regelmatige afbetalingen moeten worden terugbetaald. Die terugbetaling moet bovendien op korte termijn gebeuren, en start daarom snel na het ontvangen van de lening. Omwille van het cyclisch karakter van landbouwproductie (Sharma, 2000; Gonzalez-Vega, Graham, 1995; Moll, 2005), vragen boeren echter grotere leningen die ze pas later kunnen terug betalen (Llanto, 2007). Dit houdt een groter risico in voor de MFI en maakt het moeilijk voor hen om dit type leningen te managen. o De kenmerken van de productie verhogen zelf ook de risico’s voor de MFI. De risico’s die gepaard gaan met landbouwproductie zijn namelijk hoger dan bij andere vormen van productie aangezien hier prijs-, klimaat- en gezondheidsrisico’s een rol spelen (Llanto, 2007; Sharma, 2000; Gonzalez-Vega, Graham, 1995; Moll, 2005). Bovendien zijn deze risico’s sterk gecorreleerd (Llanto, 2007; Moll, 2005; GonzalezVega, Graham, 1995): indien door weersomstandigheden de oogst voor één boer tegenvalt, zal dit ook het geval zijn voor alle andere boeren die met ditzelfde klimaat geconfronteerd worden. Dit risico zou kunnen verminderd worden door krediet te verlenen aan andere soorten producenten of kleine ondernemingen in die landbouwgebieden, zoals bijvoorbeeld de lokale winkel. De economieën in plattelandsgebieden zijn echter vaak zeer weinig gediversifieerd. Hierdoor brengt lenen aan mensen op het plattelandsgebied grotere risico’s met zich mee (Llanto, 2007;
Gonzalez-Vega,
Graham,
1995).
MFI’s zijn vaak niet in staat om deze gecorreleerde risico’s te managen aangezien ze meestal
geen
mechanismen
effectieve hebben
risico-management-strategieën om
hier
mee
om
te
of
gaan
risicobeperkende (Llanto,
2007;
Skees, 2003; Ibarra, 2003; Bryla, 2003). o Als gevolg van de grote geografische spreiding van de productie en de exogene schokken (zoals bijvoorbeeld het klimaat) die een invloed kunnen hebben op de opbrengsten, ontstaat opnieuw ‘information assymetry’. Het is namelijk moeilijk voor een MFI om te bepalen in hoeverre gebeurlijke negatieve gebeurtenissen 20
veroorzaakt zijn door handelingen van de klant zelf of door omstandigheden buiten zijn of haar controle. MFI’s voelen zich bedreigd door de beperkte kennis die ze hebben over de risico’s van de activiteiten van hun klanten en door de mogelijkheid van de klant om zijn of haar risico’s zelf te bepalen om hiermee winst te halen die slecht is voor de MFI. Een descriptief onderzoek zal aantonen hoe de outreach de voorbije 10 jaar is geëvolueerd, zowel in de breedte (Infra p.49, sectie 4.5) als in de diepte (Infra p.43, sectie 4.4.).
21
DEEL 2: Onderzoek 1. Data De dataset van het onderzoek werd bekomen door een samenvoeging van twee databanken. De eerste databank bestaat uit de MFI’s waar de Belgische Raiffeisenstichting (BRS4), een organisatie gericht op microfinancieren en microverzekeren in het Zuiden, mee in contact staat. De databank van BRS bevat gegevens van zo’n 100 MFI’s in Afrika en Zuid-, Centraal- en Noord-Amerika. In deze database zitten bovendien ook alle MFI’s waar de NGO Trias (die ook werkt rond microfinanciering) mee samenwerkt. Omwille van een aantal redenen volstond deze eerste databank niet voor dit onderzoek. Ten eerste is 100 MFI’s vrij weinig, zeker wanneer men rekening houdt met de kans op het wegvallen van een aantal gegevens door bijvoorbeeld ontbrekende waarden of extreme waarden. Ten tweede zijn voor deze MFI’s slechts gegevens beschikbaar van een beperkt aantal jaren. Gemiddeld zijn slechts gegevens van 5 jaar beschikbaar, terwijl het onderzoek 10 jaren
bestrijkt.
Tot slot zijn de MFI’s waar BRS en Trias mee werken voornamelijk actief in niet competitieve regio’s en zijn ze zo gekozen dat ze een sterke sociale missie hebben. Indien het onderzoek enkel op deze gegevensset zou gebaseerd zijn, zou dit de validiteit ervan in gevaar brengen. Bijgevolg werd deze databank aangevuld met de gegevens van zo’n 2000 MFI’s die verkrijgbaar zijn via MIXmarket. Deze databank biedt als voordeel dat zij gegevens van MFI’s in meerdere regio’s bevat (waaronder ook Europa en Azië), wat niet het geval is bij de databank van BRS. Bovendien zijn de gegevens beschikbaar over een groter aantal jaren. Deze kwantitatieve gegevens werden aangevuld met kwalitatieve gegevens die verkregen werden via interviews bij 2 experts uit de sector, namelijk de ‘microfinanciering coördinator’ van Trias in Oeganda en bij de ‘microfinanciering adviseur’ van Trias in Ghana.
4
http://www.brs.coop/
22
2. Variabelen 2.1. Sustainability Sustainability wordt in dit onderzoek gemeten aan de hand van de volgende 3 variabelen:
1 – leverage = 1 –
=
‘Leverage’ is het gebruik van geleend geld (vreemd vermogen) om het verwachte rendement van het eigen vermogen te verhogen. Dit wordt ook wel het ‘hefboomeffect’ genoemd. Met het hefboomeffect kan men door het lenen van geld de winsten als bedrijf sterk verhogen. Het geleende geld wordt geïnvesteerd in activa waardoor het bedrijf sneller groeit dan dat met eigen vermogen zou kunnen (Hefboomeffect (leverage), 2013). Er bestaat een negatief verband tussen ‘leverage’ en sustainability. MFI’s met een lagere ‘leverage’ hebben namelijk een betere sustainability (Hartarska, Nadolnyak, 2007). Uit het negatief verband tussen ‘leverage’ en sustainability volgt een positief verband tussen (1-‘leverage’)
en
sustainability.
ROA is een maatstaf voor de winstgevendheid van een instelling. Bijgevolg bestaat er een positief verband tussen ROA en sustainability.
OSS staat voor ‘operational self-sufficiency’. Een OSS van ≥ 100% impliceert dat de MFI in staat is om al haar kosten te dekken met haar activiteiten zonder afhankelijk te zijn van subsidies of donaties. In dat geval wordt ze beschouwd als ’operationeel sustainable’ (Churchill, Frankiewicz, 2006). Een MFI die financieel sustainable is, daarentegen, heeft een OSS van ≥ 110% (Bogan, 2008).
23
Een dummy variabele werd gecreëerd die de waarde 1 aanneemt indien de MFI een OSS van ≥ 100% heeft en de waarde 0 aanneemt indien de MFI een OSS van minder dan 100% heeft. Ook voor de FSS werd een gelijkaardige dummy variabele gecreëerd. Deze dummy variabelen werden echter enkel gebruikt voor een descriptieve beschrijving van de sustainability. Voor de regressie-analyses werd de gewone OSS gebruikt die bekomen wordt via bovenstaande formule.
2.2. Interestpercentage Het interestpercentage was niet expliciet beschikbaar in de dataset. Bijgevolg werd een schatting verkregen aan de hand van volgende formules. In de BRS database:
In de MIXmarket database:
De tellers uit beide breuken zijn niet gelijk. De BRS database maakt echter slechts 3% uit van de uiteindelijke database, waardoor de invloed hiervan verwaarloosbaar is.
2.3. Diepte van de outreach De diepte van de outreach werd gemeten aan de hand van volgende variabelen: o Gemiddelde leningsgrootte o Percentage vrouwelijke ontleners o Aantal uitstaande leningen aan vrouwen o Aantal actieve ontleners in plattelandsgebieden o Bruto kredietportefeuille aan klanten in plattelandsgebieden5
2.4. Breedte van de outreach De breedte van de outreach werd gemeten aan de hand van volgende variabelen: o Aantal actieve ontleners o Aantal uitstaande leningen 5
Voor 3% van de gegevens werd deze variabele gemeten aan de hand van het deel van de bruto kredietportefeuille dat naar landbouwactiviteiten gaat in plaats van naar klanten in plattelandsgebieden.
24
2.5. Groei De variabele ‘groei van de MFI’ werd gemeten aan de hand van volgende variabelen: o Procentuele toename van de activa o Procentuele toename van het aantal actieve leners o Procentuele toename van het aantal uitstaande leningen o Procentuele toename van het aantal filialen De procentuele toename is de procentuele verandering ten opzichte van het vorige jaar. Deze werd als volgt berekend:
2.6. PAR30 PAR30 staat voor de ‘portfolio at risk > 30 days’. Deze werd als volgt berekend:
2.7. Write-off ratio (WOR) Deze
ratio
werd
berekend
aan
de
hand
van
volgende
formule:
In deze formule staan ‘write-offs’ voor de bedragen op leningen die niet terugbetaald zijn en ook nooit terugbetaald zullen worden. Deze worden van de balans gehaald door een verlies, namelijk een ‘write-off’ te boeken (Mitzsheva).
2.8. Commercialisatie Zoals eerder vermeld (Supra ix) kan een MFI de volgende rechtsvormen aannemen: NGO, NBFI, rural bank, coöperatieve kredietinstelling en bank. In de dataset is nog een zesde categorie aanwezig, namelijk ‘andere’. Deze laatste categorie wordt aan MFI’s toegekend die een andere rechtsvorm hebben zoals bijvoorbeeld een MFI die geen echte MFI is en die slechts gecreëerd is voor vorming. Tot nu toe werd commercialisering gemeten door ex ante te bepalen welke rechtsvormen commercieel zijn en welke niet. In de tabel hieronder werd gepoogd dit te doen door te
25
stellen dat een commerciële gereguleerde financiële instelling toegang heeft tot deposito’s, een ‘for profit’ status heeft, commercieel georiënteerd is en bovendien gereguleerd is (Glossary, 2010; Daher, Le saout, 2012; MIXmarket database).
Coöperatieve
Rural
NGO
NBFI
Bank
Other
kredietinstelling
bank
Deposito’s
Soms
Soms
Soms
Soms
Soms
Soms
For-profit/Non -profit
Non-profit
Beide
Non-
Beide
Beide
Beide
mogelijk
profit
mogelijk
mogelijk
mogelijk
Regulated
Soms
Soms
Soms
Soms
Soms
Soms
Commercieel
Nee
Ja
Nee
Ja
Ja
Nee
georiënteerd Tabel 1: Definitie commerciële rechtsvorm
Hier kon echter geen eenduidige conclusie uit getrokken worden omwille van onderstaande redenen. MFI’s mogen gewoonlijk geen deposito’s aanvaarden indien ze hier niet de gepaste rechtsvorm voor hebben (Lützenkirchen, Weistroffer, Speyer, AG, 2012; Gallardo, 2002). Een aantal landen komen echter tot het besef dat hun wetgeving er voor zorgt dat vele MFI’s geen deposito’s mogen aanvaarden en dat dit een negatieve invloed heeft op de ‘outreach’ van de MFI. Als gevolg hiervan hebben bepaalde landen hun wetgeving aangepast zodat ook andere rechtsvormen (zoals bijvoorbeeld NBFI’s) deposito’s mogen aanvaarden. De MFI moet hiervoor aan bepaalde voorwaarden voldoen en krijgt dan een ‘depository microfinance license’ (Lützenkirchen et al., 2012; Christen, Lauer, Lyman, Rosenberg, 2012). Hierdoor kunnen tegenwoordig ook al NGO’s deposito’s aanvaarden en is het dus niet mogelijk om ex ante te bepalen welke rechtsvormen deposito’s mogen aanvaarden en welke niet. Aangezien in de dataset per MFI gegevens over deposito’s beschikbaar zijn, kan per MFI (in tegenstelling tot per rechtsvorm) nagegaan worden of de MFI deposito’s heeft staan of niet.
Een andere manier om te bepalen of een MFI commercieel is, is door na te gaan of ze al dan niet toegang heeft tot commerciële financieringsbronnen. Deze toegang is echter niet alleen afhankelijk van de rechtsvorm, maar wordt ook bepaald door het beleid en de wetgeving (Gallardo, 2002).
26
Ook de profit status (for-profit vs. non-profit) hangt niet altijd vast aan de rechtsvorm. Dit probleem valt echter makkelijk op te lossen aangezien per MFI in de dataset de profit status beschikbaar is. Wat de regulering betreft is er ook een variabele aanwezig in de database die per MFI aangeeft of ze gereguleerd is of niet.
In dit onderzoek werd een dummy variabele gecreëerd die de waarde 1 aanneemt indien de MFI o deposito’s ontvangt en o gereguleerd is en o een for-profit status heeft en de waarde 0 aanneemt in het andere geval.
2.9. Efficiëntie De efficiëntie werd gemeten aan de hand van de ‘cost/income ratio’ die gemeten werd als:
2.10. Afhankelijkheid van subsidies Er bestaan verschillende vormen van subsidies. Een eerste vorm wordt geboekt als eigen vermogen op de balans en is een permanente kapitaalsubsidie. Een tweede vorm staat als opbrengst geboekt in de resultatenrekening en dient om operationele verliezen te compenseren. Beide vormen worden in dit onderzoek opgenomen onder de vorm van de volgende ratio’s:
2.11. Percentage vrouwen Het percentage vrouwen werd gemeten aan de hand van volgende twee variabelen: o Percentage vrouwelijke leners o Aantal uitstaande leningen aan vrouwen 27
3. Regressie-analyse 3.1. Methode Voor het aanvangen van de statistische analyses werden alle numerieke variabelen (behalve de dummy variabelen) gewinsorized op 5%. Dit betekent dat zowel de 5% grootste als de 5% kleinste waarden uit het onderzoek werden weggelaten. Ook werd voor het aanvangen van elke afzonderlijke regressie-analyse de hausman test uitgevoerd om na te gaan of het fixed effects - of het random effects model het meest geschikt was. De resultaten van deze test, samen met de resultaten van de regressie-analyses zijn terug te vinden in bijlagen 4 tot en met 13. Tot slot geeft bijlage 3 de betekenis van de variabelen die in deze analyses gebruikt werden.
Het fixed effects model controleert voor alle variabelen die constant zijn over de tijd heen. Bijgevolg werden bepaalde variabelen soms automatisch weggelaten indien deze niet veranderen over de tijd heen. Ook werden variabelen soms weggelaten ten gevolge van perfecte collineariteit met een andere variabele in het regressie-model. In alle gevallen waarin dit gebeurde was de weggelaten variabele onbelangrijk en zou de weglating ervan geen invloed hebben op het uiteindelijke resultaat. Omwille van dezelfde reden, namelijk dat het fixed effects model controleert voor alle variabelen die constant zijn over de tijd heen, werden de country dummy variabelen niet opgenomen in de fixed effects regressies. Het land waarin de MFI gevestigd is wijzigt immers niet over de tijd heen. In alle regressiemodellen werd de optie ‘vce(robust)’ toegevoegd zodat de standaard fouten van het regressie-model robuust zijn voor misspecificaties en zodat het model rekening houdt met mogelijke correlaties van de residuen over MFI’s heen. Indien deze optie niet wordt opgenomen, worden de standaardfouten onderschat. Dit heeft een invloed op de conclusies
die
werden
getrokken
op
basis
van
de
regressie-analyses.
Ook werden de modellen aangepast voor clustering om de standaardfouten te corrigeren voor heteroscedasticiteit.
28
3.2. Correlaties In bijlage 2 geeft een tabel de correlaties tussen de verschillende onafhankelijke variabelen weer. Een aantal correlaties zijn opvallend hoog: o Er is een sterke correlatie (0,9151) te zien tussen de variabelen ‘toename van het aantal actieve ontleners’ en ‘toename van het aantal uitstaande leningen’. Deze correlatie is niet verrassend aangezien beide variabelen min of meer hetzelfde meten. o Ook de OSS en ROA zijn sterk gecorreleerd (0,8793). o De correlatie tussen het ‘aantal actieve ontleners in plattelandsgebieden’ en de ‘bruto kredietportefeuille aan klanten in plattelandsgebieden’ bedraagt 0,6696. Ook hier meten beide variabelen min of meer hetzelfde. o Zowel tussen de ‘toename van de activa’ en de ‘toename van het aantal actieve ontleners’ (0,6529) als tussen de ‘toename van de activa’ en de ‘toename van het aantal uitstaande leningen’ (0,6363) is de correlatie relatief hoog. Aangezien het grootste deel van de activa bestaat uit de kredietportefeuille, is het logisch dat er een sterk verband is tussen deze variabelen. Deze sterke correlaties kunnen een invloed hebben op de regressie-coëfficiënten waardoor de interpretatie van deze coëfficiënten niet altijd 100% correct is. De ene coëfficiënt kan immers een deel van de invloed van een andere onafhankelijke variabele op de afhankelijke variabele bevatten.
3.3. (H1A) Groei van de MFI leidt tot een stijging van de PAR30 Zie bijlage 4 voor de resultaten van de statistische analyse.
Kwantitatief De groei van een MFI werd gemeten aan de hand van een toename in activa, aantal actieve ontleners, aantal uitstaande leningen en aantal filialen. Van deze vier variabelen had enkel de toename in activa een significante invloed op de portfolio at risk > 30 dagen (PAR30). In de andere 3 gevallen was de invloed op de PAR30 niet significant. Echter, in tegenstelling tot wat verwacht werd, is het verband negatief. Een toename in de activa leidt namelijk tot een daling van de PAR30, meer bepaald: een groei in activa met 1% leidt tot een daling van de PAR30 met 1,8%. Hypothese 1A wordt op basis van dit resultaat verworpen.
29
Kwalitatief Een stijging van de activa betekent een verbetering van de rentabiliteit van de MFI. Dit stelt de MFI in staat om te investeren in de verbetering van de vaardigheden van haar personeel. Dit doet ze onder meer door haar personeel op te leiden. Hierdoor wordt het personeel beter in het verwerken van leningen en verbetert de opvolging van de leningen. Ook zal de MFI vaak nieuw personeel in dienst nemen. Bij de oprichting van de MFI heeft ze vooral werknemers van NGO’s. Naarmate ze groeit, zal ze professionaliseren en meer gespecialiseerde werknemers in dienst nemen, voornamelijk in kredietverleningsfuncties maar ook in management functies (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Ebenezer voegde hier aan toe dat grotere MFI’s winstgevender zijn en in staat zijn hogere lonen te betalen en zo beter en meer ervaren personeel kunnen aantrekken. Bovendien hebben grotere MFI’s ook meer ervaring in portfolio management en zijn ze dus beter in staat om hun kredietportefeuille te managen (Gesprek met Ebenezer Matey, 30/04/2014, Ghana). Tot slot speelt hier ook het managen van de kredieten een rol. Ten gevolge van de verbeterde rentabiliteit kan de MFI investeren in technologieën die haar instaat stelt om de kredietportefeuille beter te managen, waardoor de kwaliteit van de kredietportefeuille verbetert (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Ook het MIS (management information system) speelt een belangrijke rol in portfolio management. De grotere MFI’s zetten goede MIS systemen op die hen in staat stellen om de kredietportefeuille goed op te volgen en te managen (Gesprek met Ebenezer Matey, 30/04/2014, Ghana).
3.4. (H1B) Groei van de MFI leidt tot een stijging van de WOR Zie bijlage 5 voor de resultaten van de statistische analyse.
Kwantitatief Net als bij de vorige hypothese (H1A) heeft een toename in activa een significante invloed op de write-off ratio (WOR). Het verschil bij deze hypothese is dat naast een toename in de activa, ook een toename in het aantal uitstaande leningen een significante invloed heeft op de WOR. Het verband tussen beide groei variabelen en de WOR is ook hier – in tegenstelling tot wat verwacht werd - negatief: zowel een toename in activa als een toename in het aantal uitstaande leningen leidt tot een daling van de WOR met respectievelijk 0,5% en
0,8%.
Hypothese
1B
wordt
op
basis
van
dit
resultaat
verworpen.
Kwalitatief Hier geldt dezelfde uitleg als in sectie 3.2. 30
3.5. (H2) Commercialisering leidt tot een stijging van de ratio ‘deposito’s/vreemd vermogen’ Zie bijlage 6 voor de resultaten van de statistische analyse.
Kwantitatief Een commerciële MFI heeft deposito’s staan op haar balans, heeft een for-profit status en is gereguleerd. Volgens de regressie-analyse heeft een commerciële MFI gemiddeld 21,28% meer deposito’s/vreemd vermogen dan een niet-commerciële MFI. Dit is consistent met hypothese 2. Een toename van gemiddeld 21,28% is bovendien aanzienlijk.
3.6. (H3) Commercialisering leidt tot een toename van de efficiëntie Zie bijlage 7 voor de resultaten van de statistische analyse
Kwantitatief Zoals vermeld in vorige paragraaf heeft een commerciële MFI deposito’s staan op haar balans, een for-profit status en is ze gereguleerd. De
efficiëntie
werd
gemeten
aan
de
hand
van
de
cost/income
ratio.
Volgens de regressie-analyse heeft een commerciële MFI een cost/income ratio die 6,37% hoger ligt dan die van een niet-commerciële MFI. Een hogere cost/income ratio impliceert echter een lagere efficiëntie. Dit resultaat is tegengesteld aan de hypothese die gesteld werd.
Hypothese
3
wordt
bijgevolg
op
basis
van
dit
resultaat
verworpen.
Kwalitatief Omwille van een aantal redenen heeft een commerciële MFI hogere kosten dan een nietcommerciële MFI. Om te beginnen zijn er regelgevingskosten. Een commerciële MFI mag meer diensten aanbieden zoals bijvoorbeeld spaarrekeningen en met deze diensten gaan een aantal extra kosten gepaard. Bij spaarrekeningen komen bijvoorbeeld de kosten van loketbeambten, telmachines, geld detectoren, kassa’s, grotere loketruimtes, kosten voor briefpapier, etc. er bij. Bovendien vereisen deze nieuwe diensten ook andere manieren om klanten te bereiken. Bijgevolg zal een MFI indien ze meer diensten gaat aanbieden moeten investeren in nieuwe distributiekanalen Ook zal ze moeten investeren in nieuwe infrastructuur en in extra ondersteunende diensten. Tot slot liggen ook de personeelskosten hoger voor een commerciële MFI aangezien deze meer personeel zal nodig hebben in bijvoorbeeld spaarbankactiviteiten maar ook in ‘back office’ activiteiten (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda).
31
3.7. (H5) Een grotere sustainability leidt tot een minder diepe outreach Zie bijlage 8 voor de resultaten van de statistische analyse. Deze bijlage bestaat uit 5 afzonderlijke delen, in functie van de manier waarop de diepte van de outreach gemeten werd.
Kwantitatief De sustainability werd gemeten aan de hand van da ratio eigen vermogen/activa (=1leverage), ROA en OSS. Merk op dat deze OSS variabele hier een percentage is en geen dummy variabele. De diepte van de outreach werd gemeten aan de hand van de gemiddelde leningsgrootte, het percentage vrouwelijke ontleners, het aantal uitstaande leningen aan vrouwen, het aantal actieve ontleners in plattelandsgebieden en de bruto kredietportefeuille voor klanten in plattelandsgebieden. Uit de regressie-analyse blijkt dat indien de diepte van de outreach gemeten werd aan de hand van de gemiddelde leningsgrootte, het percentage vrouwelijke ontleners of het aantal uitstaande leningen aan vrouwen, geen enkele van de sustainability variabelen een significante invloed heeft op deze outreach variabelen. Slechts in het geval dat de diepte van de outreach gemeten werd aan de hand van de plattelandsvariabelen (namelijk het aantal actieve ontleners in plattelandsgebieden en de bruto kredietportefeuille voor klanten in plattelandsgebieden) bleek er een significant verband te zijn. Twee van de drie sustainability variabelen, namelijk de ROA en de OSS, hadden een significante invloed op deze plattelandsvariabelen. Echter, beide sustainability variabelen duidden een ander verband aan. Uit de regressie tussen de ROA en de landbouwvariabelen volgde namelijk een negatief verband terwijl uit de regressie tussen de OSS en de landbouwvariabelen een positief verband volgde. De verbanden zijn als volgt: o Een toename van de ROA met 1% leidt tot een afname van het aantal actieve ontleners in plattelandsgebieden met 28.345,63 eenheden. o Een toename van de ROA met 1% leidt tot een afname van de bruto kredietportefeuille voor klanten in plattelandsgebieden met $17.600.000. o Een toename van de OSS met 1% leidt tot een toename van het aantal actieve ontleners in plattelandsgebieden met 7275,857 eenheden. o Een toename van de OSS met 1% leidt tot een toename van de bruto kredietportefeuille voor klanten in plattelandsgebieden met $3.604.462. Een stijging van het netto inkomen ten opzichte van de activa (ROA) leidt tot een daling van de diepte van de outreach terwijl een stijging van de financiële inkomsten ten opzichte van 32
de som van de operationele uitgaven, financiële uitgaven en voorziening voor kredietverliezen (OSS) leidt tot een stijging van de diepte van de outreach. Hier kan dus geen eenduidig verband uit worden afgeleid.
Kwalitatief Het enige significante verband was dat tussen de plattelandsvariabelen en twee van de sustainability variabelen. Beide deskundigen gingen echter niet akkoord met dit verband. Volgens Ebenezer kan een MFI een diepte outreach hebben in termen van de plattelandsvariabelen en ondertussen haar sustainability verhogen. Hij gaf hierbij het voorbeeld van rural banks en community banks die wettelijk verplicht zijn om zich in het begin uitsluitend op het platteland te richten. Klanten van het platteland vragen om kleinere leningen dan klanten uit de stedelijke gebieden. Bijgevolg zullen deze MFI’s de eerste jaren na oprichting een groot aantal klanten van het platteland hebben maar zal de totale kredietportefeuille van de MFI relatief klein blijven ten opzichte van het aantal klanten. Indien de MFI wil groeien, zal ze zich ook op klanten in de steden beginnen richten. Op een bepaald moment zal het grootste deel van haar kredietportefeuille bestaan uit leningen aan klanten in de steden terwijl het grootste percentage van haar klanten gevestigd is op het platteland. Deze MFI heeft een diepe outreach omwille van het grote percentage klanten uit het platteland en vergroot bovendien haar sustainability door zich ook op de steden te richten. Hij voegde hier wel aan toe dat het veel winstgevender is voor een MFI om zich op klanten uit de steden te richten, maar dat er dan wel kosten bij komen bij oprichting. In de steden is er namelijk veel concurrentie tussen MFI’s waardoor een nieuwe MFI eerst enorm moet
investeren
in
marketing.
Een andere reden om zich op stadsbewoners te richten - naast een grotere winstgevendheid – is dat het hebben van zowel klanten in het platteland als in de steden nodig is voor de diversificatie
van
de
kredietportefeuille.
Het
gaat
hier
dus
om
risicospreiding
(Gesprek met Ebenezer Matey, 30/04/2014, Ghana).
Ook volgens Januario bestaat er niet noodzakelijk een verband tussen de diepte van de outreach in termen van de landbouwvariabelen en de sustainability. Indien een MFI gebruik maakt van de kredietverleningsmethode ‘group lending’ zal ze automatisch de diepte van haar outreach verhogen en zal ze tegelijkertijd ook haar sustainability verhogen aangezien via deze methode meer klanten bereikt kunnen worden met dezelfde middelen (dezelfde microkrediet agent kan nu meer klanten op hetzelfde moment bedienen). Bijgevolg heeft in het geval van group lending de locatie van de klanten (platteland vs. stad) maar weinig invloed op de sustainability. In het geval van ‘individual lending’ is er daarentegen wel een
33
verschil en zal een groter percentage klanten uit het platteland de operationele kosten verhogen (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda).
3.8. (H6A) Een grotere afhankelijkheid van subsidies leidt tot een lagere efficiëntie Zie bijlage 9 voor de resultaten van de statistische analyse. Kwantitatief De afhankelijkheid van subsidies werd gemeten aan de hand van de ratio’s ‘geschonken eigen
vermogen/eigen
vermogen’
en
‘donaties/activa’.
De efficiëntie werd gemeten aan de hand van de cost/income ratio. Enkel wanneer de afhankelijkheid van subsidies gemeten werd aan de hand van de ratio ‘donaties/activa’ was er een significant verband met de efficiëntie. Bovendien is dit verband ook in de verwachte richting: een toename in de donaties/activa leidt tot een toename in de cost/income ratio, wat een daling van de efficiëntie betekent. Dit resultaat is dus in overeenstemming met hypothese 6A.
3.9. (H6B) Een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability Zie bijlage 10 voor de resultaten van de statistische analyse. Deze bijlage bestaat uit 3 delen in
functie
van
de
manier
waarop
de
sustainability
gemeten
werd.
Kwantitatief De afhankelijkheid van subsidies werd gemeten aan de hand van de ratio’s ‘geschonken eigen
vermogen/eigen
vermogen’
en
‘donaties/activa’.
De sustainability werd gemeten aan de hand van de ratio eigen vermogen/activa (=1leverage), ROA en OSS. Per regressie-analyse werd een model opgenomen met alle controlevariabelen behalve de ‘doelmarkt’ en de 5 controlevariabelen voor het meten van de diepte van de outreach en een model inclusief deze controlevariabelen. In het model zonder deze outreach variabelen werd het verwachte verband (een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability) voor alle mogelijke combinaties van onafhankelijke en afhankelijke variabelen (dit zijn er 6) teruggevonden. Bovendien waren deze verbanden in de verwachte richting. Zodra de outreach controlevariabelen aan het model werden toegevoegd was er enkel nog een significante invloed van ‘donaties/activa’ op zowel de ROA als de OSS. Vier van de zes verbanden werden bijgevolg niet significant door het toevoegen van de outreach controlevariabelen. Ook in dit model was het verband in de verwachte richting: een toename 34
van de donaties/activa leidt tot een afname van de ROA en de OSS. Hypothese 6B wordt dus bevestigd.
3.10. (H6C) Een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies Zie bijlage 11 voor de resultaten van de statistische analyse. Deze bijlage bestaat uit 2 delen in functie van de manier waarop de afhankelijkheid van subsidies gemeten werd.
Kwantitatief De diepte van de outreach werd gemeten aan de hand van de gemiddelde leningsgrootte, het percentage vrouwelijke ontleners, het aantal uitstaande leningen aan vrouwen, het aantal actieve ontleners in plattelandsgebieden en de bruto kredietportefeuille voor klanten in plattelandsgebieden. De afhankelijkheid van subsidies werd gemeten aan de hand van de ratio’s ‘geschonken eigen vermogen/eigen vermogen’ en ‘donaties/activa’. Er waren slechts 2 significante verbanden, namelijk: o Tussen de gemiddelde leningsgrootte en het gedoneerd eigen vermogen/eigen vermogen. Indien de leningsgrootte toeneemt met $1 (waardoor de diepte van de outreach vermindert) zal het gedoneerd eigen vermogen/totaal eigen vermogen afnemen met 0,0016%. o Tussen de bruto kredietportefeuille voor klanten in plattelandsgebieden en de donaties/activa.
Indien
de
bruto
kredietportefeuille
voor
klanten
in
plattelandsgebieden met $1.000 toeneemt (waardoor de diepte van de outreach toeneemt) zal de donaties/activa met 0,0000303% toenemen. Beide verbanden komen dus overeen met de hypothese die gesteld werd. Hypothese H6C wordt dus bevestigd.
3.11. (H8A) Een hoger percentage vrouwen leidt tot een lagere PAR30 Zie
bijlage
12
voor
de
resultaten
van
de
statistische
analyse.
Kwantitatief Het percentage vrouwen werd gemeten aan de hand van het percentage vrouwelijke ontleners
en
het
aantal
uitstaande
leningen
aan
vrouwen.
Enkel het percentage vrouwelijke ontleners heeft een significante invloed op de PAR30. Het verband is hier in de verwachte richting: een toename in het percentage vrouwelijke
35
ontleners met 1% leidt tot een afname van de PAR30 met 3,73%. Dit is een aanzienlijke daling. Kwalitatief Ebenezer bevestigt deze hypothese. Hij zegt dat het algemeen bekend is dat vrouwen een betere terugbetalingsgraad vertonen dan mannen en dat MFI’s zich daarom meer op vrouwen richten dan op mannen. Enkel indien de MFI haar klantbestand uitbreidt naar de steden zal ze zich op zowel mannen als vrouwen beginnen richten (Gesprek met Ebenezer Matey, 30/04/2014, Ghana).
3.12. (H8B) Een hoger percentage vrouwen leidt tot een lagere WOR Zie bijlage 13 voor de resultaten van de statistische analyse
Kwantitatief Het percentage vrouwen werd gemeten aan de hand van het percentage vrouwelijke ontleners en het aantal uitstaande leningen aan vrouwen. Dit verband was echter in geen enkel geval statistisch significant. De hypothese dat een hoger percentage vrouwen tot een lagere WOR leidt kan niet bevestigd worden aan de hand van dit onderzoek.
4. Descriptief onderzoek In het descriptief onderzoek werd het jaar 2013 weggelaten wegens een onvoldoende aantal waarnemingen voor dat jaar. De resultaten van het descriptief onderzoek zijn terug te vinden in bijlage 14.
4.1. Beschrijving van de financieringsbronnen In deel 1 (literatuur en hypothesen) werden de evoluties reeds gedeeltelijk besproken aan de hand van de bestaande literatuur. In deze paragraaf wordt de literatuurstudie aangevuld met een descriptief onderzoek en de interpretatie van twee deskundigen. Op de figuren in deze paragraaf staat telkens het gemiddelde van alle MFI’s uit de dataset voor een bepaalde variabele per jaar. De variabelen worden in percentages of in dollars weergegeven.
36
4.1.1. Evolutie deposito’s/vreemd vermogen Kwantitatief Op onderstaande figuur is een stijging van het percentage deposito’s in het totaal vreemd vermogen te zien. Deze ging van 25,36% in 2003 naar 36,3% in 2012. In 2009 is er echter tijdelijk een daling te zien die te wijten is aan de financiële crisis. MFI’s beschikken hiermee in toenemende mate over een relatief stabiele en goedkopere financieringsbron en zijn bovendien minder kwetsbaar voor negatieve marktomstandigheden die de kost van externe leningen significant zouden kunnen doen toenemen of ervoor zouden kunnen zorgen dat liquiditeiten opdrogen. De bevindingen van Farrington en Abrams (2002), namelijk dat één van de kernevoluties in de sector een toename van deposito’s van het publiek is, wordt hier dus bevestigd. Of de oorzaak van deze stijging een toename van de commercialisering is, werd in paragraaf 3.5. (supra p.31) onderzocht. Deze regressie-analyse toonde aan dat een commerciële MFI gemiddeld 21,28% meer deposito’s/vreemd vermogen heeft dan een niet-commerciële MFI, wat aanzienlijk is. Een eerste oorzaak van de evolutie van de deposito’s is bijgevolg de commercialisering van de sector.
Figuur 1: Evolutie van de deposito’s als percentage van het vreemd vermogen
Kwalitatief Ten eerste vereisen de meeste MFI’s dat hun klanten deposito’s neerleggen als onderpand voor de leningen. Deze verplichte deposito’s zijn meestal een vast percentage van de lening. Indien de MFI groeit en het aantal leningen toeneemt, zullen ook deze vereiste deposito’s toenemen (Gesprek met Ebenezer Matey, 30/04/2014, Ghana). Naast de verplichte
37
deposito’s nemen ook de vrijwillige deposito’s toe. De oorzaak hiervan is een toename in het vertrouwen van de mensen in MFI’s en een daling van de armoedegraad van de klanten waardoor ze meer geld hebben om bij de MFI te deponeren (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Ook de economische situatie speelt hier een rol. Wanneer het slecht gaat, worden de financiële instellingen van het land geconfronteerd met liquiditeitsbeperkingen en zullen ook de deposito’s afnemen. Dit heeft ook te maken met het feit dat de klanten van de MFI dan minder geld hebben om te deponeren. Bovendien bestaat er een positief verband tussen een toename van het aantal klanten van de MFI en de toename van zowel de vrijwillige- als onvrijwillige deposito’s. Op figuur 14 en 15 (infra p.49 en p.50) is een stijging van het aantal actieve ontleners en aantal leningen te zien. Bijgevolg zou dit een reden kunnen zijn van de toename van de deposito’s. Tot slot is ook de wetgeving van belang. Een toenemend aantal MFI’s krijgen de wettelijke toestemming om deposito’s te aanvaarden. Dit heeft tot gevolg dat de deposito’s globaal gezien stijgen (Gesprek met Ebenezer Matey, 30/04/2014, Ghana). 4.1.2. Evolutie geleende middelen/vreemd vermogen Kwantitatief In verband met deze variabele werd volgende hypothese gesteld: H4A: De ratio ‘geleende middelen/vreemd vermogen’ is de voorbije 10 jaar toegenomen Op onderstaande figuur is – zoals voorspeld - een stijging van het percentage geleende middelen in het vreemd vermogen te zien, hoewel deze evolutie niet in een rechte lijn gaat. Tussen 2003 en 2012 zijn de geleende middelen ten opzichte van het vreemd vermogen gestegen
van
49,31%
in
2003
tot
54,91%
in
2012.
38
Figuur 2: Evolutie van de geleende middelen als percentage van het vreemd vermogen
Kwalitatief Een eerste reden van de stijging van de geleende middelen is de plotselinge verschuiving van donaties en subsidies naar schuldfinanciering. Ten tweede is er in de sector een toename van de kredietportefeuilles van MFI’s waar te nemen. Door deze schaalvergroting hebben de MFI’s meer middelen nodig en zullen ze bijgevolg
ook
meer
schuldfinanciering
nodig
hebben.
Deze
toename
van
de
schuldfinanciering werd mogelijk gemaakt door de opkomst van sociale investeerders. Door de vaststelling dat microfinanciering geld opbrengt hebben deze investeerders tal van investeringsfondsen opgericht die leningen geven aan MFI’s (Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Ebenezer vermeldt twee bijkomende factoren die een invloed kunnen hebben op de evolutie van
de
geleende
middelen.
Ten eerste is de toegang tot schuldfinanciering afhankelijk van de economische situatie van het land waarin de MFI gevestigd is. Indien het slecht gaat in de economie, zullen de interestpercentages verhogen. De centrale bank zal namelijk een hoge rente vragen op de leningen aan financiële instellingen in het land. Wanneer een MFI zo’n hoge rente betaalt om geld te lenen, zal ze ook een hoge rente moeten vragen aan haar klanten vooraleer ze winst maakt. Dit gaat bovendien niet enkel over lenen van de centrale bank: als het slecht gaat in de economie, heeft dit een invloed op alle soorten leningen. MFI’s lenen ook van sociale investeerders en deze nemen een vaste marge op de interestpercentages die ze aanrekenen aan MFI’s. Dit percentage hangt af van de inflatie in het land: indien de economische situatie in een land slecht is, stijgt de inflatie en zullen deze investeerders hogere interestpercentages vragen aan MFI’s. Bovendien hedgen deze investeerders hun 39
leningen soms aan MFI’s en indien de inflatie hoog is zal dit ook de kost van hedging doen stijgen en zullen de investeerders deze hogere kosten doorrekenen aan MFI’s. Indien MFI’s zulke hoge percentages moeten betalen op hun schuldfinanciering, zullen ze deze financiering minder aantrekkelijk vinden. Ten tweede speelt de financiële performantie van de MFI een rol. Instellingen zullen geld lenen aan MFI’s met een goede kwaliteit van de kredietportefeuille. Deze met een slechte kwaliteit zullen daarentegen moeilijk aan geld geraken (Gesprek met Ebenezer Matey, 30/04/2014, Ghana). 4.1.3. Evolutie donaties De evolutie van de donaties wordt nagegaan aan de hand van 2 variabelen die elk in een afzonderlijke hypothese onderzocht worden. In verband met de eerste variabele werd volgende hypothese gesteld: H7A: de ratio ‘gedoneerd eigen vermogen/totaal eigen vermogen’ is de voorbije 10 jaar afgenomen. Het gedoneerd eigen vermogen is een permanente kapitaalsubsidie. De evolutie van deze variabele wordt weergegeven op onderstaande figuur. Hierop is duidelijk – zoals voorspeld een daling van het gedoneerd eigen vermogen ten opzichte van het eigen vermogen waar te nemen. Deze ratio is namelijk gedaald van 42,7% in 2003 tot 12,04% in 2012. Dit is een daling van zo’n 72%.
Figuur 3: Evolutie van het gedoneerd eigen vermogen als percentage van het eigen vermogen
40
In verband met de tweede variabele werd volgende hypothese gesteld: H7B: de ratio ‘donaties(opbrengst)/activa’ is de voorbije 10 jaar afgenomen De donaties die geboekt worden als opbrengst dienen om operationele verliezen te compenseren. De evolutie van deze variabele wordt weergegeven op onderstaande figuur. Op deze figuur valt opnieuw duidelijk – zoals voorspeld - een daling te zien. De ratio daalde van
4,06%
in
2003
tot
0,97%
in
2012.
Dit
is
een
daling
van
zo’n
76%.
Figuur 4: Evolutie van de donaties als percentage van de activa Hieruit kan afgeleid worden dat de donaties sterk gedaald zijn de voorbije 10 jaar. 4.1.4. Evolutie gestort maatschappelijk kapitaal/eigen vermogen Kwantitatief In verband met de evolutie van het gestort maatschappelijk kapitaal in verhouding tot het eigen vermogen werd volgende hypothese gesteld: H4B: De ratio ‘gestort maatschappelijk kapitaal/eigen vermogen’ is de voorbije 10 jaar toegenomen De evolutie van deze variabele wordt weergegeven op onderstaande figuur. Tussen 2003 en 2005 is er een lichte daling van zo’n 1% te zien. Wanneer deze daling bekeken wordt als percentage ten opzichte van 2003 is dit echter wel een daling van 10%, wat veel is. Vanaf 2005 is de ratio beginnen stijgen. De daling in de jaren 2011 en 2012 is verwaarloosbaar klein maar betekent misschien wel dat de ratio aan het dalen is en verder zal dalen in de toekomst. Uiteindelijk nam de ratio toe van 13,72% in 2003 tot 22,3% in 2012, was
een
toename
van
62,7%
betekent.
De hypothese werd enkel bevestigd gedurende 5 jaar (namelijk tussen 2005 en 2010). Op figuur 3 (supra p.40) was duidelijk een daling van de subsidies in het eigen vermogen te 41
zien terwijl op figuur 5 een stijging van het gestort maatschappelijk kapitaal in het eigen vermogen te zien is. De ene eigen vermogen component (subsidies) werd blijkbaar vervangen door de andere (gestort maatschappelijk kapitaal).
Figuur 5: Evolutie van het gestort maatschappelijk kapitaal als percentage van het eigen vermogen
Kwalitatief Ten eerste heeft de stijging van het gestort maatschappelijk kapitaal te maken met de evolutie van MFI’s naar de derde fase in hun levenscyclus (supra p.1, sectie 1.2), waarin er een toenemend gebruik van eigen vermogen financiering is. Deze toename werd mede mogelijk gemaakt door de toenemende interesse van investeerders, hoewel deze investeerders voornamelijk investeren in aandelen van sustainable MFI’s (Gesprek met Ebenezer Matey, 30/04/2014, Ghana; Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Ten tweede speelt de wetgeving hier een belangrijke rol. Vele landen verhogen de laatste jaren het wettelijke verplicht minimum kapitaal voor MFI’s. Hierdoor worden de MFI’s van deze landen verplicht om op korte tijd een bepaalde hoeveelheid kapitaal binnen te halen tot het minimum kapitaal bereikt is (Gesprek met Ebenezer Matey, 30/04/2014, Ghana; Gesprek met Januario Ntungwa, 30/04/2014, Oeganda). Indien ze hier niet in slagen moeten ze bijvoorbeeld samensmelten met een andere MFI (Gesprek met Ebenezer Matey, 30/04/2014, Ghana).
42
4.2. Evolutie van de ‘sustainability’ Op onderstaande figuren is de evolutie te zien van het percentage MFI’s die operationeel sustainable zijn (figuur 6) en het percentage MFI’s die financieel sustainable zijn (figuur 7). Het percentage MFI’s die operationeel sustainable zijn nam de eerste 3 jaar sterk toe, waarna het gedurende 4 jaar weinig tot niet toenam, enorm daalde in het jaar na de financiële crisis en een jaar later alweer aanzienlijk toenam tot een percentage dat hoger was dan in de voorgaande jaren. Het percentage steeg van 64,9% in 2003 tot 76,9% in 2012. Uit de evolutie van de laatste jaren kan vermoed worden dat dit percentage de komende
jaren
zal
blijven
toenemen.
Figuur 6: Evolutie van het percentage MFI’s die operationeel sustainable zijn Op de grafiek van het percentage MFI’s die financieel sustainable zijn, is een gelijkaardige evolutie te zien. Dit percentage steeg namelijk gedurende de eerste 4 jaar. Daarna trad een lichte daling in, gevolgd door een periode van sterke daling in het jaar na de financiële crisis. Vanaf 2009 begon het percentage opnieuw te stijgen tot en met 2012. Het percentage steeg van 50,5% in 2003 tot 52,6% in 2012. Ook hier kan uit de evolutie van de laatste jaren vermoed
worden
dat
dit
percentage
de
komende
jaren
zal
blijven
toenemen.
43
Figuur 7: Evolutie van het percentage MFI’s die financieel sustainable zijn
Deze resultaten vormen een middenweg tussen wat in de literatuur werd gevonden. Dit onderzoek levert bijvoorbeeld een hoger percentage financieel zelfvoorzienende MFI’s op dan Burritt in 2003. Het percentage operationeel zelfvoorzienende MFI’s uit dit onderzoek is meer dan dubbel zo hoog als wat Hudon en Traca vonden voor 2004 maar is wel lager dan wat Bogan vond voor 2003 en 2006 en wat Hudon vond in 2007.
4.3. De trade-off tussen outreach en sustainability Kwantitatief Zoals beschreven in paragraaf 1.5.2.2.(supra p.10) zal een descriptief onderzoek uitwijzen of de leningen daadwerkelijk groter zijn geworden en de interestpercentages inderdaad gestegen zijn.
De evolutie van de leningsgrootte wordt in onderstaande figuur weergegeven. Hieruit blijkt dat de leningsgrootte continu gestegen is tussen 2003 en 2012, namelijk van gemiddeld $674,39 in 2003 tot $1.271,84 in 2012, wat een verdubbeling is. Een stijging van de gemiddelde leningsgrootte wordt door vele auteurs gezien als een indicatie voor ‘mission drift’ (supra p.10, sectie 1.5.2.2.) en betekent een verschuiving van het klantenbestand van MFI’s van armere naar rijkere klanten.
44
Figuur 8: Evolutie van de gemiddelde leningsgrootte
De evolutie van het interestpercentage wordt in volgende figuur weergegeven. Deze evolutie kan worden opgesplitst in twee periodes van daling. De eerste periode gaat van 2003 tot 2007 (daling van 27,5% tot 23,7%) en de tweede periode gaat van 2008 tot 2012 (daling van 27,2% tot 25,9%). Deze twee periodes worden van elkaar gescheiden door een plotselinge stijging van het interestpercentage in 2008. Bovendien is op deze figuur duidelijk te zien dat MFI’s aanzienlijke interestpercentages vragen op hun leningen. Dit percentage varieert namelijk tussen gemiddeld 23,7% en 27,5%. Dit is veel hoger dan bij gewone banken. Zoals eerder vermeld is dit om de hoge kosten van microfinanciering te dekken. Over het algemeen valt dus een daling waar te nemen die in twee fases gebeurde. Een daling van het interest percentage is een indicatie voor het bereiken van armere mensen aangezien rijke mensen de enigen zijn die zich hoge rente percentages kunnen veroorloven. Dit is echter tegengesteld aan wat geconcludeerd kon worden uit de grafiek van de gemiddelde leningsgrootte.
45
Figuur 9: Evolutie van het interestpercentage
4.4. Evolutie van de diepte van de outreach Gemiddelde leningsgrootte Een eerste variabele die gebruikt wordt om de diepte van de outreach te meten is de gemiddelde leningsgrootte. Deze werd reeds in paragraaf 4.3. (supra p.44) besproken.
Vrouwen Een tweede manier om de diepte van de outreach te meten is aan de hand van de focus van de MFI op vrouwen. Deze wordt gemeten aan de hand van volgende 2 variabelen: o Percentage vrouwelijke ontleners Het percentage vrouwelijke ontleners is gedurende de eerste 6 jaren sterk gedaald, wat een minder diepe outreach impliceert. Vanaf 2009 is het percentage beginnen toenemen maar in 2011 daalde het opnieuw. Wanneer deze evolutie bekeken wordt van 2003 tot 2012 is het percentage gedaald van 66,6% naar 64,1%, wat een daling van 5% is ten opzichte van 2003. Dit betekent een daling van de diepte van de outreach.
46
Figuur 10: Evolutie van het percentage vrouwelijke ontleners o Aantal uitstaande leningen aan vrouwen Het aantal uitstaande leningen aan vrouwen ging op en neer. Tussen 2006 en 2009 treedt een permanente stijging van het aantal uitstaande leningen aan vrouwen op. In die zelfde periode daalde het percentage vrouwelijke ontleners (zie figuur 10). Bijgevolg nam het aantal leningen per vrouwelijke klant in deze periode toe. Dit is niet per se een positief teken, zoals vermeld wanneer ‘multiple loan taking’ besproken werd (supra p.13, sectie 1.5.3). Het aantal leningen nam toe van 13.314,57 in 2003 tot 26.094,65 in 2012, wat een stijging van 96% is ten opzichte van 2003.
Figuur 11: Evolutie van het aantal uitstaande leningen aan vrouwen
47
Landbouw/het platteland De derde manier om de diepte van de outreach te meten is aan de hand van de gerichtheid op landbouw/het platteland. Deze wordt gemeten aan de hand van volgende twee variabelen: o Aantal actieve ontleners in plattelandsgebieden Op onderstaande figuur werden de jaren 2003 tot en met 2006 weggelaten wegens onvoldoende observaties voor deze jaren. Met ‘onvoldoende observaties’ wordt minder dan 11 observaties bedoeld. De eerste 3 jaren steeg het aantal actieve ontleners in plattelandsgebieden, waarna het de volgende 2 jaar daalde om in 2012 nog eens opnieuw met 10% (ten opzichte van 2011) toe te nemen. In 4 van de 6 jaren op onderstaande figuur steeg het aantal actieve ontleners in plattelandsgebieden. Het aantal nam toe van 15.398,27 in 2007 tot 19.345,95 in 2012, wat een stijging van 25,6% is. Dit betekent een diepere outreach.
Figuur
12:
Evolutie
van
het
aantal
actieve
ontleners
in
plattelandsgebieden
o Bruto kredietportefeuille in plattelandsgebieden Op onderstaande figuur werden de jaren 2003 tot en met 2006 weggelaten wegens onvoldoende observaties voor deze jaren. Met ‘onvoldoende observaties’ wordt minder dan 11 observaties bedoeld. Deze variabele ging op en neer met een enorme piek in 2008. De kredietportefeuille aan klanten in plattelandsgebieden steeg echter wel van $50.915,61 in 2006 tot $17.300.000 in 2012. Dit is een enorme stijging.
48
Figuur 13: Evolutie van de bruto kredietportefeuille aan klanten in plattelandsgebieden
4.5. Evolutie van de breedte van de outreach Deze evolutie wordt bestudeerd door volgende twee variabelen: Aantal actieve ontleners Het aantal actieve ontleners is permanent gestegen tussen 2003 en 2012. Het gemiddeld aantal mensen die terecht konden bij MFI’s voor een lening is gestegen van 15.512,65 in 2003 tot 30.031,94 in 2012, wat een verdubbeling is. Dit betekent dat MFI’s steeds meer mensen
bereiken
en
dit
is
bevorderlijk
voor
de
breedte
van
de
outreach.
Figuur 14: Evolutie van het aantal actieve ontleners
49
Aantal uitstaande leningen Ook het aantal uitstaande leningen is toegenomen tussen 2003 en 2012, hoewel het niet zo’n stabiele en permanente stijging is als bij het aantal actieve ontleners. Deze variabele ging eerder op en neer. Over de 10 jaar bekeken nam het aantal uitstaande leningen toe van 24.190,15 in 2003 tot 33.823,68 in 2012. Dit is een toename van 39,8% ten opzichte
van
2003.
Ook
dit
betekent
een
bredere
outreach.
Figuur 15: Evolutie van het aantal uitstaande leningen
50
DEEL 3: Algemeen besluit 1. Algemeen besluit De doelstelling van het onderzoek was om de sociale en financiële evolutie van microfinancieringsinstellingen na te gaan door de analyse van o
een aantal hypothesen,
o
de evolutie van de financieringsbronnen
o
de evolutie van de outreach, zowel in de diepte als in de breedte.
Hypothesen Groei van de MFI leidt tot een daling van zowel de PAR30 als de write-off ratio (WOR). Dit is tegengesteld aan wat verwacht werd. H1A en H1B werden bijgevolg niet bevestigd. Een mogelijke verklaring voor deze bevinding is volgens de deskundigen een toename van de rentabiliteit (ten gevolge van de groei). Deze stelt de MFI in staat om te investeren in personeel en technologieën die de opvolging en het beheer van de leningen verbetert.
Wat betreft de commercialisering, werd vastgesteld dat een commerciële MFI gemiddeld 21,28% meer deposito’s/vreemd vermogen heeft dan een niet-commerciële MFI. Hypothese 2 werd hiermee bevestigd. Daarnaast leidt commercialisering tot een daling van de efficiëntie. Dit is tegengesteld aan hypothese 3. De verklaring hiervoor kan volgens de deskundigen gezocht worden in de extra kosten die gedragen moeten worden door een commerciële MFI zoals regelgevingskosten, kassa’s, telmachines, geld detectoren, etc.
Vervolgens werd onderzocht of een grotere sustainability al dan niet tegenstrijdig is met een diepere outreach. Dit thema werd op twee manieren benaderd. Ten eerste werd een regressie-analyse uitgevoerd. Het verband tussen sustainability en de diepte van de outreach was slechts significant indien deze laatste gemeten werd aan de hand van het aantal actieve ontleners in plattelandsgebieden en de bruto kredietportefeuille voor klanten van plattelandsgebieden. Het verband tussen deze variabelen en de ROA is negatief terwijl het verband met de OSS positief is. Hier kan geen eenduidig verband uit worden afgeleid, waardoor hypothese 5 onbeantwoord blijft. Ten tweede werd deze hypothese descriptief geanalyseerd aan de hand van de gemiddelde leningsgrootte en het interestpercentage. Tussen 2003 en 2012 steeg de gemiddelde leningsgrootte permanent en verdubbelde ze. Dit is volgens vele auteurs een indicatie voor 'mission drift' en betekent een verschuiving van het klantenbestand van MFI’s van armere 51
naar rijkere klanten. De evolutie van het interestpercentage geeft echter een tegengesteld beeld. Het percentage daalde van 27,5% in 2003 naar 25,9% in 2012, hoewel deze evolutie in 2 periodes verliep die van elkaar gescheiden werden door een plotselinge stijging van het interestpercentage in 2008. Een daling van het interest percentage is een indicatie voor het bereiken van armere mensen en levert dus het tegenovergestelde resultaat/conclusie op als uit de evolutie van de leningsgrootte kon worden afgeleid. Zowel uit de regressie-analyse als het descriptief onderzoek kan niet bevestigd worden dat een grotere sustainability tegenstrijdig is met een diepere outreach. In de context van deze hypothese werd ook de evolutie van de sustainability nagegaan. Zowel de operationele als de financiële sustainability nam toe, respectievelijk van 64,9% in 2003 tot 76,9% in 2012 en van 50,5% in 2003 tot 52,6% in 2012. Uit de evolutie van de laatste jaren van beide soorten sustainability kan vermoed worden dat dit percentage de komende jaren zal blijven toenemen. Ook werden er een aantal hypothesen geformuleerd in verband met de afhankelijkheid van subsidies. Een grotere afhankelijkheid van subsidies, gemeten aan de hand van de donaties/activa, leidt tot een lagere efficiëntie. Hypothese 6A werd hiermee bevestigd. Daarnaast leidt een grotere afhankelijkheid van subsidies, gemeten aan de hand van de donaties/activa, tot een lagere sustainability gemeten met de ROA en OSS. Dit verband is in overeenstemming met hypothese 6B. Tot slot werd in verband met subsidies nagegaan wat het verband is tussen een diepere outreach en de afhankelijkheid van subsidies. De analyse wees uit dat een grotere leningsgrootte leidt tot een lager gedoneerd eigen vermogen/totaal eigen vermogen en een grotere bruto kredietportefeuille voor klanten in plattelandsgebieden leidt tot een hogere donaties/activa. Beide resultaten betekenen dat een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies, wat overeenkomt met hypothese H6C. Tot slot werden 2 hypothesen gesteld in verband met het percentage vrouwen. Daarbij wees de analyse uit dat een hoger percentage vrouwelijke ontleners leidt – in overeenstemming met hypothese 8A - tot een afname van de PAR30. Bovendien is deze afname aanzienlijk: een toename van het percentage vrouwelijke ontleners met 1% leidt tot een afname van de PAR30 met 3,73%. Tussen een hoger percentage vrouwen en de write-off ratio werd geen statistisch significant verband gevonden. Hypothese 8B kan bijgevolg niet bevestigd worden aan de hand van dit onderzoek.
52
Evolutie van de financieringsbronnen De deposito’s ten opzichte van het vreemd vermogen namen toe van 25,36% in 2003 tot 36,3% in 2012. De oorzaken hiervan zijn te vinden in: o
de commercialisatie: een commerciële MFI heeft namelijk gemiddeld 21,28% meer deposito’s/vreemd vermogen dan een niet-commerciële MFI,
o
een toename van zowel de verplichte als de vrijwillige deposito’s door groei van MFI’s,
o
een toename van het vertrouwen in MFI’s,
o
een daling van de armoedegraad van de klanten,
o
de economische situatie van het land,
o
een toename in het aantal klanten, en
o
de wetgeving die steeds meer MFI’s de toestemming geef om deposito’s te aanvaarden.
Zoals voorspeld namen de geleende middelen ten opzichte van het vreemd vermogen toe. Deze verhouding steeg van 49,31% in 2003 tot 54,91% in 2012. De mogelijke redenen hiervoor zijn: o
een plotselinge verschuiving van donaties en subsidies naar schuldfinanciering,
o
schaalvergroting die leidt tot een grotere vraag naar fondsen en
o
een toename van de interesse van sociale investeerders.
De evolutie van de donaties werd gemeten aan de hand van het gedoneerd eigen vermogen en de donaties die geboekt worden als opbrengst. Zoals voorspeld zijn beide variabelen gedaald. Bovendien was deze daling permanent, in een rechte lijn en was de daling sterk. Het gedoneerd eigen vermogen als percentage van het eigen vermogen daalde namelijk van 42,7% in 2003 tot 12,04% in 2012. Dit is een daling van zo’n 72%. De donaties die geboekt worden als opbrengst daalden van 4,06% in 2003 tot 0,97% in 2012. Dit is een daling van zo’n 76%. Deze cijfers tonen dat de donaties sterk gedaald zijn de voorbije 10 jaar. Dit kan verklaard worden door o de toenemende eis van investeerders om “sustainability” te bereiken. Hierbij verhogen ze de druk op MFI’s om minder afhankelijk te worden van subsidies en donaties en om genoeg opbrengsten te genereren om hun operationele kosten te dekken o de wetgeving die van RFI’s verwacht dat ze winst maken
53
Zoals voorspeld steeg het gestort maatschappelijk kapitaal/eigen vermogen. Deze verhouding steeg namelijk van 13,72% in 2003 tot 22,3% in 2012, wat een toename van 62,7% betekent. De mogelijke verklaringen hiervoor zijn: o
een verschuiving naar de derde fase in de levenscyclus waarbij het gebruik van eigen vermogen financiering toeneemt,
o
een toenemende interesse van investeerders en
o
nieuwe wetgevingen die het minimum vereist kapitaal verhogen.
Uit vorige alinea blijkt een afname van de donaties in het eigen vermogen terwijl uit deze alinea een stijging van het gestort maatschappelijk kapitaal in het eigen vermogen blijkt. De ene eigen vermogen component (subsidies) werd blijkbaar vervangen door de andere (gestort maatschappelijk kapitaal).
Evolutie van de outreach Evolutie van de diepte van de outreach Op basis van de gemiddelde leningsgrootte en het percentage vrouwelijke ontleners kan worden geconcludeerd dat de diepte van de outreach is afgenomen. De gemiddelde leningsgrootte verdubbelde namelijk tussen 2003 en 2012 terwijl het percentage vrouwelijke ontleners met 5% daalde. Op basis van de andere variabelen voor het meten van de diepte van de outreach kan het omgekeerde worden vastgesteld. Het aantal uitstaande leningen aan vrouwen steeg met 96% tussen 2003 en 2012. Dit is echter niet per se een positief teken, aangezien in dezelfde periode het percentage vrouwelijke ontleners daalde, wat kan betekenen dat het aantal leningen per vrouwelijke klant toenam. Zoals gezien bij multiple loan taking is dit niet per se een positieve evolutie. De landbouwvariabelen duidden beiden een diepere outreach aan. Het aantal actieve ontleners in plattelandsgebieden steeg met 25,6% tussen 2007 en 2012 en de bruto kredietportefeuille aan klanten in plattelandsgebieden steeg van $50.915,61 in 2006 tot $17.300.000 in 2012, wat een aanzienlijke toename is.
De toename van de gemiddelde leningsgrootte en de afname van het percentage vrouwelijke ontleners duiden op een afname van de diepte van de outreach. Volgens een aantal auteurs is de gemiddelde leningsgrootte echter geen goede maatstaf voor de graad van armoede van het klantenbestand van de MFI (Supra p.10, sectie 1.5.2.2). Daarnaast toont de evolutie van het percentage vrouwelijke ontleners (Supra p.47, figuur 10) een sterke daling tussen 2003 en 2008, waarna de variabele opnieuw toenam tot en met 2011 en slechts lichtjes daalde in 2012. Dit betekent dat de diepte van de outreach de laatste jaren toenam. Tot slot 54
wijzen het aantal uitstaande leningen aan vrouwen en de twee plattelandsvariabelen op een toegenomen diepte van de outreach. Als conclusie kan – met voorzichtigheid - worden gesteld dat de diepte van de outreach de laatste jaren is toegenomen. Deze evolutie zou echter wel beter kunnen worden nagegaan indien gegevens beschikbaar zouden zijn over de graad van armoede van de individuele klanten van de MFI. Dit is een mogelijkheid voor verder onderzoek. Evolutie van de breedte van de outreach De breedte van de outreach werd gemeten aan de hand van het aantal actieve ontleners en het aantal uitstaande leningen. Beide variabelen duiden op een toename van de breedte van de outreach. Het aantal actieve ontleners steeg permanent tussen 2003 en 2012 en verdubbelde in deze periode. Dit betekent dat MFI’s steeds meer mensen bereiken en dat de outreach ‘breder’ wordt. Ook het aantal uitstaande leningen steeg met 39,8% tussen 2003 en 2012, wat eveneens op een bredere outreach wijst.
2. Beperkingen van het onderzoek Ten eerste werden een aantal concepten niet gemeten aan de hand van alle mogelijke variabelen die er een invloed op hebben. o Onder subsidies kunnen ook gesubsidieerde leningen verstaan worden. Het gaat hierbij om leningen die de MFI heeft aangegaan tegen lagere tarieven dan de marktrente. Er waren echter geen data beschikbaar over deze vorm van subsidies. Ook over subsidies in natura waren geen data beschikbaar. Beide vormen werden bijgevolg uit het onderzoek gelaten. o Een aantal variabelen om de diepte van de outreach te meten, ontbraken. Het gaat hierbij bijvoorbeeld over de kredietverleningsmethodologie ‘group lending’ en over andere variabelen die de graad van armoede van de klanten van de MFI weergeven.
Ten tweede zijn er een aantal beperkingen die ontstaan zijn door de samenvoeging van beide datasets. o Dezelfde concepten werden in beide datasets soms gemeten aan de hand van verschillende variabelen. Het percentage dat naar landbouw gaat wordt in de database van MIXmarket bijvoorbeeld gemeten aan de hand van de variabelen ‘aantal actieve ontleners in plattelandsgebieden’ en ‘bruto kredietportefeuille in plattelandsgebieden’ terwijl deze in de database van BRS gemeten wordt aan de hand van het percentage van de bruto kredietportefeuille dat naar agrarische
55
activiteiten gaat (in tegenstelling tot naar productie- / handels- of consumptie activiteiten). o Dezelfde variabelen werden soms op een verschillende manier gemeten. In de dataset van MIXmarket bijvoorbeeld was de bruto kredietportefeuille aangepast voor de gestandaardiseerde write-offs terwijl in de database van BRS dit gewoon het uitstaande bedrag was van de bruto kredietportefeuille. Aangezien de bruto kredietportefeuille opgenomen werd in de berekening van een aantal andere variabelen, zullen deze variabelen verschillen tussen beide datasets. Een ander voorbeeld betreft de schatting van de interestpercentages die verkregen werd door de rente inkomsten te delen door de bruto kredietportefeuille. In de MIXmarket database kon een nauwkeurige schatting bekomen worden aangezien hier gegevens beschikbaar waren over de rente inkomsten op de kredietportefeuille. In de BRS database was echter enkel de rente- en provisie inkomsten van leningen beschikbaar en
deze
is
hoger
dan
de
rente
inkomsten
op
zich.
Aangezien slechts 3% van alle data die in het onderzoek gebruikt werd afkomstig is van de database van BRS, zorgen bovenstaande problemen echter niet voor een grote vertekening.
Tot slot is het aantal jaren waarover data beschikbaar is beperkt. In een optimale situatie zou er voor elke MFI gegevens aanwezig moeten zijn voor de tien jaren (2004-2013) die in dit onderzoek bestudeerd worden. Dit was echter niet het geval aangezien er vaak slechts data voor 5 jaar aanwezig waren.
3. Suggesties voor verder onderzoek Ondertussen is al duidelijk dat MFI’s steeds meer overeenkomsten vertonen met traditionele banken, focussen op winst maken en streven naar groei. Over de impact hiervan op de arme klanten van MFI’s zijn de meningen echter verdeeld. Ook kon deze impact tot nu toe moeilijk grondig worden nagegaan door het ontbreken van de geschikte gegevens. Om ‘mission drift’ na te gaan werden bijvoorbeeld in de meeste onderzoeken de gemiddelde leningsgrootte en de hoogte van de interestpercentages als variabelen gebruikt. Dit is uiteraard geen nauwkeurige
meting
van
de
armoede
van
de
klanten
van
een
MFI.
Om de sociale impact van de MFI op haar klanten na te gaan, kan de verandering bij de individuele klanten ten gevolge van de tussenkomst van de MFI worden bestudeerd. Deze impact kan bijvoorbeeld gemeten worden aan de hand van volgende variabelen:
56
o De ‘progress out of poverty index (PPI)’ De PPI is een ‘tool’ die gebruikt kan worden door organisaties en bedrijven met een sociale missie om arme mensen te bereiken. Met deze tool wordt namelijk de armoedegraad van de klanten gemeten. De waarschijnlijkheid dat een gezin onder de armoedegrens leeft, wordt berekend op basis van de antwoorden op 10 vragen in verband met de kenmerken van het gezin en hun bezittingen (About the PPI: A Poverty Measurement Tool). Deze 10 vragen zijn gebaseerd op de 10 indicatoren van de Grameen Bank om de armoedegraad van klanten te meten. Dit zijn indicatoren zoals: heeft de klant toegang tot veilig drinkwater?, heeft de klant muggennetten?, heeft de klant voldoende warme kleding voor de winter?, hebben alle familieleden een bed om in te slapen?, etc. (Moya-Angeler, Echezarreta, 2005). Door de evolutie van de klanten van de MFI te meten op basis van deze 10 indicatoren kan worden nagegaan wat de sociale impact van de MFI is op haar klanten. o Aantal Het
door aantal
de
MFI
bedrijfjes
gefinancierde dat
bedrijfjes
gefinancierd
en
wordt
gecreëerde door
de
tewerkstelling MFI
en
de
tewerkstellingsmogelijkheden die gecreëerd zijn door de MFI zijn variabelen om de sociale impact van de MFI te meten (Social Performance Indicators, 2011). o De
‘Social
Return
on
Investment’
meting
De belangrijkste factoren voor deze meting zijn de gezondheid van de kinderen (gemeten aan de hand van geredde levens), de inkomensstijging van de klanten van de MFI en de interest die de klanten bespaard hebben door bij de MFI te lenen in plaats van bij een andere instelling die hogere interestpercentages zou aanrekenen (Christen, Rosenberg, Jayadeva, 2004). Een aantal organisaties en MFI’s verzamelen al een tijdje systematisch informatie over bovenstaande en andere data waarmee de sociale performantie van de MFI gemeten kan worden. Hiermee zouden de hypothesen uit dit onderzoek veel meer in detail kunnen nagegaan worden en zou kunnen worden nagegaan of de sociale impact aan het veranderen is doordat MFI’s steeds meer winstgericht handelen.
Tot slot zou ook de impact van de professionalisering van de sector in de analyse opgenomen kunnen worden. In dit onderzoek werd enkel de commercialisering besproken. De voornaamste trend is niet alleen regulering (wat voornamelijk gemeten werd in dit onderzoek) maar vooral ook professionalisering op vlak van technologieën, systemen, werkmethodes, infrastructuur, werknemers, etc.. Het opnemen van deze variabele in het onderzoek zou andere resultaten kunnen tonen. 57
Tot slot kan in verder onderzoek ook gezocht worden naar de oorzaken van de evoluties op de figuren 8 tot en met 15. Het zoeken naar deze oorzaken was immers geen doelstelling van dit onderzoek. Er werd enkel gepoogd een beeld te geven van de evolutie van de outreach.
58
Geraadpleegde literatuur A A Brief History Of Microfinance, Planet Finance, URL:
. (03/04/2014)
About the PPI: A Poverty Measurement Tool, progress out of poverty, URL:. (30/03/2014)
Armendariz, B., & Labie, M. (Eds.). (2011). The handbook of microfinance. World scientific.
Armendáriz, B., & Szafarz, A. (2011). On mission drift in microfinance institutions. The handbook of microfinance, 341, 366.
Armendariz, B., Morduch, J. (2005). Microeconomics of Microfinance. MIT Press.
Assefa, E., Hermes, N., & Meesters, A. (2013). Competition and the performance of microfinance institutions. Applied Financial Economics, 23(9), 767-782.
Atiase, V. (2008). Commercialization of microfinance; promising or perilous to the poor? A case study of Ghanaian microfinance institutions. MSC desertation.
Ayayi, A. G., & Sene, M. (2010). What drives microfinance institution's financial sustainability. The Journal of Developing Areas, 44(1), 303-324.
B Bajaj, S. (2014). Small modulation, big revolution: women and microfinance. Editoral board chief bebefactor.
Baklouti, I. (2013). Determinants of Microcredit Repayment: The Case of Tunisian Microfinance Bank. African Development Review, 25(3), 370-382.
i
Baydas, M. M., Graham, D. H., & Valenzuela, L. (1997). Commercial banks in microfinance: new actors in the microfinance world. Microenterprise Best Practices, Accion International, August.
Bédécarrats, F., Baur, S., & Lapenu, C. (2012). Combining social and financial performance: A paradox?. Enterprise Development and Microfinance, 23(3), 241-258.
Benchmarks Methodology, microfinance information exchange, URL:
Berger, M. (1990). Sex differences in access to a small enterprise development fund in Peru. World Development, 18(5), 695-705.
Bogan, V. (2008). Microfinance institutions: Does capital structure matter. Available at SSRN 1144762.
Bogan, V. (2012). Capital structure and sustainability: An empirical study of microfinance institutions. Review of Economics and Statistics, 94(4), 1045-1058.
Bogan, V., Johnson, W., & Mhlanga, N. (2007). Does Capital Structure Affect the Financial Sustainability of Microfinance Institutions. Institute of E-conomies Affair, 7.
Brau, J. C., & Woller, G. M. (2004). Microfinance: A comprehensive review of the existing literature. Journal of Entrepreneurial Finance, JEF, 9(1), 1-27.
Burritt, K. (2003). Microfinance in Turkey. draft paper for the United Nations Development Programme, published by the United Nations Capital Development Fund.
Byström, H. N. (2008). The microfinance collateralized debt obligation: a modern Robin Hood?. World Development, 36(11), 2109-2126.
C Callaghan, I., Gonzalez, H., Maurice, D., & Novak, C. (2007). Microfinance—on the road to capital markets. Journal of Applied Corporate Finance, 19(1), 115-124. ii
Chen, G., Rasmussen, S., & Reille, X. (2010). Growth and Vulnerabilities in Microfinance. CGAP focus note.
Christen, R. P. (2001). Commercialization and mission drift. The transformation of microfinance in Latin America. CGAP occasional paper No. 5.
Christen, R. P., Rosenberg, R., & Jayadeva, V. (2004). Financial Institutions with a’ Double Bottom Line’: Implications for the future of Microfinance. Consultative group to assist the poorest (CGAP).
Christen, R., & Drake, D. (2002). Commercialization. The new reality of microfinance. In D. Drake, & E. Rhyne (Eds.), The commercialization of microfinance. balancing business and development (pp. 2–22). Bloomfield: Kumarian Press.
Christen, R.P., Lauer, K., Lyman, T. R., & Rosenberg, R. (2012) Microfinance consensus guidelines : A guide to regulation and supervision of microfinance. Microfinance Consensus Guidelines. Washington, DC: World Bank.
Churchill, C., & Frankiewicz, C. (Eds.). (2006). Making microfinance work: Managing for improved performance. International Labour Organization.
Constantinou, D., & Ashta, A. (2011). Financial crisis: lessons from microfinance. Strategic Change, 20(5-6), 187-203.
Counts, A. (2008). Stanford Social Innovation Review, Reimagining Microfinance, URL: . (26/11/2013)
Cull, R., & Morduch, J. (2007). Financial performance and outreach: a global analysis of leading microbanks*. The Economic Journal, 117(517), F107-F133.
Cull, R., Demirgüç-Kunt, A. & Morduch, J. (2009). Microfinance meets the market. Journal of Economic Perspectives, 23, 167–92.
iii
D Daher, L., & Le saout, E. (2012) Shifting goals in microfinance: from social performance to financial performance. D’espallier, B., Guérin, I., & Mersland, R. (2011). Women and repayment in microfinance: A global analysis. World Development, 39(5), 758-772.
De Aghion, B. A., & Morduch, J. (2004). Microfinance: where do we stand. Financial development and economic growth: explaining the links.
De Crombrugghe, A., Tenikue, M., & Sureda, J. (2008). Performance analysis for a sample of microfinance institutions in India. Annals of Public and Cooperative Economics, 79(2), 269-299. De Sousa-Shields, M. (2004). Financing Microfinance Institutions. MicroNote No. 8 – Accelerated Microenterprise Advancement Project – USAID.
De Sousa-Shields, M., Frankiewicz, C. (2004). Financing Microfinance Institutions: The Context for Transitions to Private Capital. Micro Report No. 32, Accelerated Microenterprise Advancement Project, USAID.
Dehejia, R., Montgomery, H., & Morduch, J. (2012). Do interest rates matter? Credit demand in the Dhaka slums. Journal of Development Economics, 97(2), 437-449.
Developing Countries, The international statistical institute, URL:< http://www.isiweb.org/component/content/article/5-root/root/81-developing>. (03/04/2014) Dewez, D., Neisa, S. (2009). MFI’s social performance mapping and the relationship between financial and social performance. Research paper Incofin.
Dieckmann, R., Speyer, B., Ebling, M., & Walter, N. (2007). Microfinance: An emerging investment opportunity. Deutsche Bank Research. Current Issues. Frankfurt.
Dinh, T. H. T., & Kleimeier, S. (2007). A credit scoring model for Vietnam's retail banking market. International Review of Financial Analysis, 16(5), 471-495. iv
E Erin Bryla, E. 2003. ‘The Use of Price and Weather Risk Management Instruments.’ Paving the Way Forward for Rural Finance, An International Conference on Best Practices, Washington, D.C.
F FAQs on Microfinance, 2010, microfinance information exchange, URL: . (29/12/2013)
Farrington, T., & Abrams, J. (2002). The evolving capital structure of microfinance institutions. Microenterprise Development Review.
Fehr, D., & Hishigsuren, G. (2006). Raising capital for microfinance: Sources of funding and opportunities for equity financing. Journal of Developmental Entrepreneurship, 11(02), 133143.
Fernando, N. A. (2004). Micro success story, transformation of nongovernmental organizations into regulated financial institutions. Manila: Asian Development Bank.
Fernando, N. A. (2006). Understanding and dealing with high interest rates on microcredit. Asian Development Bank.
Ferro-Luzzi, G., & Weber, S. (2006). Measuring the performance of microfinance institutions. Available at SSRN 918750.
Frank, C., Lynch, E., & Schneider-Moretto, L. (2008). Stemming the tide of mission drift: microfinance transformations and the double bottom line. Washington, DC: Women’s World Banking.
v
G Gallardo, J. (2002). A framework for regulating microfinance institutions: The experience in Ghana and the Philippines. Geschiedenis, URL:. (03/04/2014)
Gibbons, D. S., & Kasim, S. (1990). Banking on the rural poor in Peninsular Malaysia. Center for Policy Research, Universiti Sains Malaysia.
Gibbons, D. S., & Meehan, J. W. (2002). Financing microfinance for poverty reduction. Draft paper commissioned by the Microcredit Summit Campaign. Malaysia: CASHPOR Financial and Technical Services.
Glossary, 2010, microfinance information exchange, URL: . (17/03/2014)
Godquin, M. (2004). Microfinance repayment performance in Bangladesh: How to improve the allocation of loans by MFIs. World Development, 32(11), 1909-1926.
Gonzalez, A. (2010). Is Microfinance Growing Too Fast?. MIX Data Brief, (5).
Gonzalez, A. (2010). Microfinance Synergies and Trade-Offs: Social vs. Financial Performance Outcomes in 2008. MIX Data Brief, (7).
Gonzalez-Vega, C., & Graham, D. H. (1995). State-owned agricultural development banks: Lessons and opportunities for microfinance. GEMINI.
Goodman, P. (2009). Raising MFI Equity through Microfinance Investment Funds. In New Partnerships for Innovation in Microfinance (pp. 17-45). Springer Berlin Heidelberg.
Gordon, D. (2005, December). Indicators of Poverty & Hunger. In Expert Group meeting on youth development indicators (pp. 12-14).
vi
H Harker, M. M. (2006). The Microfinance Movement: An Analysis of the Reach and Scope of Microfinance Institutions in the Developing World.
Hartarska, V., & Nadolnyak, D. (2007). Do regulated microfinance institutions achieve better sustainability and outreach? Cross-country evidence. Applied Economics, 39(10), 12071222.
Hartarska, V., Caudill, S. B., & Gropper, D. M. (2006). The cost structure of microfinance institutions in Eastern Europe and Central Asia.
Hefboomeffect (leverage), 2013, managementgoeroes, URL: < http://www.managementgoeroes.nl/management-begrippen/hefboomeffect-leverage/> (02/04/2014)
Hermes, N., & Lensink, R. (2007). The empirics of microfinance: what do we know?. The Economic Journal, 117(517), F1-F10.
Hermes, N., Lensink, R., & Meesters, A. (2009). Financial development and the efficiency of microfinance institutions. Centre for International Banking, Insurance and Finance Working Paper No. 1.
Hermes, N., Lensink, R., & Meesters, A. (2011). Outreach and efficiency of microfinance institutions. World Development, 39(6), 938-948.
Hishigsuren, G. (2006). Transformation of Micro-finance Operations from NGO to Regulated MFI. Decatur, USA. IDEAS.
Hoque, M., Chishty, M., & Halloway, R. (2011). Commercialization and changes in capital structure in microfinance institutions: An innovation or wrong turn?. Managerial Finance, 37(5), 414-425.
Hossain, M. (1988). Credit for alleviation of rural poverty: The Grameen Bank in Bangladesh (No. 65). Intl Food Policy Res Inst.
vii
Hudon, M. (2007). Use of donor funds in the financing of MFIs. Working papers CEB, 7.
Hudon, M., & Traca, D. (2006). Subsidies and sustainability in microfinance. Solvay Business School Working Paper, October.
Hudon, M., & Traca, D. (2011). On the efficiency effects of subsidies in microfinance: an empirical inquiry. World development, 39(6), 966-973.
Hulme, D. (1991). Field reports. The Malawi Mundi fund: Daughter of Grameen.Journal of International Development, 3(3), 427-431.
Hulme, D., & Mosley, P. (2006). Finance Against Poverty: Volume 2: Country Case Studies. Routledge.
Hulmer, D., & Arun, T. (Eds.). (2009). Microfinance: A reader. Routledge.
I Ibarra, H. 2003. ‘Comments on the Paper ‘Risk Management Challenges in Rural Financial Markets: Blending Risk Management Innovations with Rural Finance’ by Jerry Skees. Paving the Way Forward for Rural Finance, An International Conference on Best Practices, Washington D.C., 2003
J Jansson, T. (2001). Microfinance: From Village to Wall Street (No. 46638). Washington DC: Inter-American Development Bank.
Jansson, T. (2003). Financing Microfinance: Exploring the Funding Side of Microfinance Institutions (No. 47738). Inter-American Development Bank.
K Kappel, V., Krauss, A., Lontzek, L. (2011). Over-Indebtedness and Microfinance – Constructing an Early Warning Index, UMM Workshop Report. viii
Khandker, S. R., Khalily, M. B., & Khan, Z. H. (1995). Grameen Bank: performance and sustainability (Vol. 306). World Bank Publications.
King, M. (2012, 25 oktober). Tesco and Grameen Bank to provide microfinance in Scotland. The guardian.
Kooi, P. (2001). Raising capital through equity investments in MFIs: Lessons from ACLEDA, Cambodia. New York.
Krauss, N., & Walter, I. (2009). Can microfinance reduce portfolio volatility?. Economic Development and Cultural Change, 58(1), 85-110.
Kyereboah-Coleman, A. (2007). The impact of capital structure on the performance of microfinance institutions. Journal of Risk Finance, The, 8(1), 56-71.
L Ledgerwood, J. (1999). Microfinance handbook: an institutional and financial perspective. World Bank Publications.
Llanto, G. M. (2007). Overcoming obstacles to agricultural microfinance: looking at broader issues. Asian Journal of Agriculture and Development, 4(2), 23-40.
Lont, H. B., & Hospes, O. (Eds.). (2004). Livelihood and microfinance: anthropological and sociological perspectives on savings and debt. Eburon Uitgeverij BV.
Lützenkirchen, C., Weistroffer, C., Speyer, B., & AG, D. B. (2012). Microfinance in evolution. An industry between crisis and advancement.
Lycette, M., & White, K. (1989). Improving womens access to credit in Latin America and the Caribbean: policy and project recommendations.
ix
M McIntosh, C., & Wydick, B. (2005). Competition and microfinance. Journal of Development Economics, 78(2), 271-298.
McIntosh, C., De Janvry, A., & Sadoulet E. (2005). How rising competition among microfinance institutions affects incumbent lenders. The Economic Journal, 115 (October), 987–1004.
Mersland, R., & Strøm, R. Ø. (2010). Microfinance mission drift?. World Development, 38(1), 28-36.
Mersland, R., & Urgeghe, L. (2013). International debt financing and performance of microfinance institutions. Strategic Change, 22(1‐2), 17-29.
Mitzsheva, M. What Happens When a Bank Writes Off a Bad Debt?, Houston Chronicle, URL: . (21/03/2014)
Moll, H. A. (2005). Microfinance and rural development: A long-term perspective.Journal of Microfinance/ESR Review, 7(2), 13-31.
Morduch, J. (1999). The role of subsidies in microfinance: evidence from the Grameen Bank. Journal of development economics, 60(1), 229-248.
Morduch, J. (2005). Smart subsidy for sustainable microfinance. Finance for the.
Motta, M. (2004). Competition policy: theory and practice. Cambridge University Press.
Moya-Angeler, E., Echezarreta, P. (2005) Architectural and cultural impact of the Grameen Bank Project. URL:. (30/03/2014)
Mwangi, M. W. (2013). Effect of competition on the loan performance of deposit taking microfinance institutions in Kenya: A case of Nairobi region. International Journal of Social Sciences and Entrepreneurship, 1(2), 1. x
N Nair, Tara (2010): Commercial Microfinance and Social Responsibility: A Critique. Economic and Political Weekly, Vol. XLV, No. 31: pp. 32-37.
O Oehri, O., Fausch, J., & Liechtenstein, H. (2008). Microfinance investment funds - analysis of portfolio impact. In University of Liechtenstein, Gevena papers on inclusiveness, World Microfinance Forum, Geneva.
Olivares-Polanco, F. (2005). Commercializing microfinance and deepening outreach? Empirical evidence from Latin America. Journal of Microfinance/ESR Review, 7(2), 47-69.
P Paxton, J., Graham, D., & Thraen, C. (2000). Modeling group loan repayment behavior: New insights from Burkina Faso. Economic Development and Cultural Change, 48(3), 639–655.
Puri, H., Taneja, B., Raj, A. (2013). Microfinance: A Tool for Women Empowerment in India. European Journal of Commerce and Management Research (EJCMR), Vol-2, Issue 5.
R Reinke, J. (1998). How to lend like mad and make a profit: A micro-credit paradigm versus the start-up fund in South Africa. The Journal of Development Studies, 34(3), 44-61.
Rhyne, E. (1998). The yin and yang of microfinance: reaching the poor and sustainability. MicroBanking Bulletin, 2(1), 6-8.
Robinson, M. S. (2001). The microfinance revolution: sustainable finance for the poor (Vol. 1). World Bank Publications.
xi
Roslan, A. H., & Karim, M. (2009). Determinants of microcredit repayment in Malaysia: the case of Agrobank. Humanity & Social Sciences Journal, 4(1), 45-52.
S Salazar, G. L. (2008). An Analysis of Repayment Among Clients of the Microfinance Institution Esperanza International, Dominican Republic. SS-AAEA Journal of Agricultural Economics. Schicks, J. (2013). The Over-Indebtedness of Microfinance Customers – An Analysis from the Customer Protection Perspective. Dissertation Solvay Brussels School of Economics and Management.
Schneider, H. (1997). Microfinance for the Poor?. OECD Publishing.
Schreiner, M. (2001). Seven aspects of loan size. Journal of Microfinance/ESR Review, 3(2), 27-47.
Schreiner, M. (2002). Aspects of outreach: A framework for discussion of the social benefits of microfinance. Journal of International Development, 14(5), 591-603.
Schreiner, M. (2004). Scoring arrears at a microlender in Bolivia. Journal of Microfinance/ESR Review, 6(2), 65-88.
Sengupta, R., & Aubuchon, C. P. (2008). The microfinance revolution: An overview. Federal Reserve Bank of St. Louis Review, 90 (January/February 2008).
Sharma, M. (2000). The scope for policy reforms in rural microfinance (No. 14). International Food Policy Research Institute (IFPRI).
Sharma, M., & Zeller, M. (1997). Repayment performance in group-based credit programs in Bangladesh: An empirical analysis. World development, 25(10), 1731-1742.
Skees, J. R. (2003, June). Risk management challenges in rural financial markets: blending risk management innovations with rural finance. In The thematic papers presented at the
xii
USAID Conference: Paving the Way Forward for Rural Finance: An International Conference on Best Practices, Washington, DC (pp. 2-4).
Social Performance Indicators, 2011, microfinance information exchange, URL:. (30/03/2014)
Soros, G. (2003). George Soros on globalization. REASON-SANTA BARBARA THEN LOS ANGELES-, 34(10), 59-63.
Swanson, B. (2007). The role of international capital markets in microfinance. Developing World Markets.
Szafarz, A., & Brière, M. (2011). Investment in Microfinance Equity: Risk, Return, and Diversification Benefits.
T Thorp, R., Stewart, F., & Heyer, A. (2005). When and how far is group formation a route out of chronic poverty?. World Development, 33(6), 907-920.
Tucker, M. (2001). Financial performance of selected microfinance institutions: Benchmarking progress to sustainability. Journal of Microfinance/ESR Review,3(2), 107-123.
U United Nations (2006). Building inclusive financial sectors for development. Washington: United Nations.
V Van Maanen, G. (2005). L’avenir du financement du microcredit. Techniques Financières et Développement, No. 78.
Viada, L. A., Gaul, S. (2012). The Tipping Point: over-indebtedness and investment in microfinance. Microbanking bulletin. xiii
Viganò, L. (1993). A credit scoring model for development banks: An African case study. Savings and development, 17(4), 441-482.
Vogelgesang, U. (2003). Microfinance in times of crisis: the effects of competition, rising indebtedness and economic crisis on repayment behavior. World Development, 31, 2085– 114.
Von Pischke, J. D. (1996). Measuring the trade-off between outreach and sustainability of microenterprise lenders. Journal of International Development,8(2), 225-239.
W Wagner, C., & Winkler, A. (2011a). Financial Stability Challenges in Microfinance-Drivers of the Pre-Crisis Credit Boom. In 24th Australasian Finance and Banking Conference.
Wagner, C., & Winkler, A. (2011b). Financial integration, commercialization or financial inclusion–What explains the pre-crisis credit boom in microfinance?
Weighton, L (2005). Developing Ghana by Empowering Women. Global News Wire: Ghanaian Chronicle.
Wenner, M. D. (1995). Group credit: A means to improve information transfer and loan repayment performance. The journal of development studies, 32(2), 263-281.
Woller, G. (2007). Trade-offs between social and financial performance. Journal of Microfinance/ESR Review, 9(2), 14-19.
Woller, G., & Schreiner, M. (2002). Poverty lending, financial self-sufficiency, and the six aspects of outreach. Disc. Paper, Ohio.
Z Zeller, M., & Meyer, R. L. (2002). The triangle of microfinance: financial sustainability, outreach, and impact. Johns Hopkins University Press.
xiv
Zohir, S., Mahmud, S., Sen, B., Asaduzzaman, M., Jahirul Islam, M., Ahmed, N., & Al Mamun, A. (2001). Monitoring and Evaluation of Microfinance Institutions. Final report, BIDS, Dhaka.
Gesprekken Gesprek met Januario Ntungwa, 30/04/2014, Oeganda
Gesprek met Ebenezer Matey, 30/04/2014, Ghana
xv
Bijlagen Bijlage 1 Doelmarkt De categorieën van de variabele ‘doelmarkt’ werden als volgt bekomen. Voor elke MFI werd de ‘diepte’ berekend door het gemiddeld leningssaldo per ontlener te delen door het bruto nationaal inkomen per capita. Op basis van deze diepte werden vervolgens onderstaande categorieën gevormd:
Target market Low end
Depth Depth < 20% OF gemiddelde leningsgrootte < $150
Broad
Depth tussen 20% en 149%
High end
Depth tussen 150% en 250%
Small business
Depth > 250%
(Benchmarks Methodology, microfinance information exchange)
xvi
Bijlage 2 Correlaties
Wchang~n Wchang~g Wchang~r Wchang~a commer~l Wchangenbr~n Wchangenbr~g Wchangeact~r Wchangeact~a commercieel Wroa Woss Weqas Wdoneqeq Wdonact Wleningsgr~e nbrvoutsta~g Wvborr Wlgrossloa~f Wnbrlactborr
1.0000 0.3870 0.4026 0.4019 0.0780 0.0437 0.0395 -0.0647 -0.0350 0.0214 -0.0038 -0.0151 -0.0192 0.0064 0.0171
1.0000 0.9151 0.6363 0.0349 0.1329 0.1437 -0.0097 0.0253 0.1057 -0.0257 -0.0003 -0.0186 -0.0200 -0.0102
1.0000 0.6529 0.0410 0.1155 0.1278 0.0032 0.0345 0.1158 -0.0165 0.0000 -0.0315 -0.0277 -0.0138
1.0000 0.0581 0.1498 0.1544 -0.0839 -0.0224 0.1105 0.0120 -0.0119 -0.0050 0.0199 0.0022
1.0000 -0.0040 0.0117 -0.2088 -0.1775 -0.0778 0.1134 -0.0116 -0.0800 0.2556 0.0866
Wroa
Woss
1.0000 0.8793 0.1691 -0.1835 -0.3339 0.0724 0.0401 -0.0895 0.0832 0.0564
1.0000 0.2506 -0.1220 -0.2268 0.1309 0.0298 -0.1322 0.0741 0.0353
Weqas Wdoneqeq
1.0000 0.1993 0.1479 -0.0267 -0.0197 -0.0598 -0.2702 -0.2382
1.0000 0.2206 -0.1865 -0.0194 0.0665 -0.2029 -0.1192
Wdonact Wlenin~e nbrvou~g
1.0000 -0.1252 -0.0270 0.0660 -0.1429 -0.0830
1.0000 -0.0818 -0.5747 0.1444 -0.2728
1.0000 0.0988 0.1931 0.2409
Wvborr Wlgros~f Wnbrla~r
1.0000 -0.0549 0.3180
1.0000 0.6696
xvii
1.0000
Bijlage 3 Betekenis van de gebruikte variabelen De variabelen werden alfabetisch gerangschikt in onderstaande tabel.
Naam van de variabele Agee2, agee3, agee4
Betekenis van de variabele New (1 tot 4 jaar oud) Young (5 tot 8 jaar oud) Mature (meer dan 8 jaar oud)
Bankdummy
Dummy variabele die aangeeft of de MFI de rechtsvorm ‘bank’ aanneemt of niet
Commercieel
Dummy variabele die aangeeft of de MFI commercieel is of niet op basis van of ze deposito’s aanvaardt, of ze gereguleerd is en of ze een for profit status heeft
Countryy 1 tot en met countryy 121
Dummy variabelen voor de landen waarin de MFI’s uit de database gevestigd zijn
Trgtmrkt2 tot en met trgtmrkt5
Dummy variabelen die weergeven wat de doelmarkt van de MFI is. Deze kan broad, low end, high end of small business zijn.
Wadmexpas
Administratieve uitgaven/activa (winsorized)
Wborrliab
Geleende middelen/vreemd vermogen (winsorized)
Wborrloanloanoff
Aantal ontleners/aantal microkrediet agenten (winsorized)
Wborrstaffm
Aantal ontleners/aantal personeelsleden (winsorized)
Wcapitalass
Kapitaal/activa (winsorized)
Wcapitaleq
Kapitaal/eigen vermogen (winsorized)
Wchangeactborr
Toename aantal actieve ontleners (winsorized)
Wchangeactiva
Toename activa (winsorized)
xviii
Wchangegrosslp
Toename bruto kredietportefeuille (winsorized)
Wchangenbrfilialen
Toename aantal filialen (winsorized)
Wchangenbroutstanding
Toename aantal uitstaande leningen (winsorized)
Wcostincome
Kosten/inkomsten (winsorized)
Wdebtass
Schulden/activa (winsorized)
Wdepass
Deposito’s/activa (winsorized)
Wdepliab
Deposito’s/vreemd vermogen (winsorized)
Wdonact
Donaties/activa (winsorized)
Wdoneqeq
Gedoneerd eigen vermogen/eigen vermogen (winsorized)
Weqas
Eigen vermogen/activa (winsorized)
Wfinexpborr
Financiële uitgaven/geleende middelen (winsorized)
Wkostactiva
Kosten/activa (winsorized)
Wleningsgrootte
Gemiddelde leningsgrootte (winsorized)
Wleverage
Vreemd vermogen/eigen vermogen (winsorized)
Wlgrossloanportf
Bruto kredietportefeuille aan klanten in plattelandsgebieden (winsorized)
Wloansloanoff
Aantal leningen/aantal microkrediet agenten (winsorized)
Wloansstaffm
Aantal leningen/aantal personeelsleden (winsorized)
Wlogactborr
Log (aantal actieve ontleners) (winsorized)
Wlogassets
Log (activa) (winsorized)
Wlogfincostlent
Log (financiële kost per geleende dollar) (winsorized)
Wloggroslportf
Log (bruto kredietportefeuille) (winsorized)
Wlogloanofficers
Log (aantal microkrediet agenten) (winsorized)
xix
Wnbractborr
Aantal actieve ontleners (winsorized)
Wnbrlactborr
Aantal actieve ontleners in plattelandsgebieden (winsorized)
Wnbroutstanding
Aantal uitstaande leningen (winsorized)
Wnbrvoutstanding
Aantal uitstaande leningen aan vrouwen (winsorized)
Woss
Operational self sufficiency (winsorized)
Wpar30
Portfolio at risk > 30 dagen (winsorized)
Wrente
Interestpercentage (winsorized)
Wroa
Return on assets (winsorized)
Wroe
Return on equity (winsorized)
Wvborr
Aantal vrouwelijke ontleners (winsorized)
Wwor
Write-off ratio (winsorized)
Wyield
Yield op de bruto kredietportefeuille (winsorized) =
Year1 tot en met year11
Dummy variabelen voor het jaar waarvoor de observatie geldt
xx
Bijlage 4: H1A: Groei van de MFI leidt tot een stijging van de PAR30 Hausman test
. hausman fixed ., sigmamore Coefficients (b) (B) fixed . Wchangeact~a Wchangeact~r Wchangenbr~g Wchangenbr~n
-.0279397 .0008114 -.0171076 -.0046989
(b-B) Difference
-.0312515 .0002631 -.0162881 -.0054714
sqrt(diag(V_b-V_B)) S.E.
.0033118 .0005483 -.0008196 .0007725
.0007574 .0010944 .0010382 .0006562
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 27.09 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5627 1427
R-sq:
Obs per group: min = avg = max =
1 3.9 9
within = 0.0857 between = 0.0947 overall = 0.0943
corr(u_i, Xb)
F(4,4196) Prob > F
= 0.1033
= =
Wpar30
Coef.
Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen _cons
-.0279397 .0008114 -.0171076 -.0046989 .0758909
.0024808 .0043541 .0045049 .0024786 .0008888
sigma_u sigma_e rho
.06264531 .04465988 .66303004
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
F(1426, 4196) =
t -11.26 0.19 -3.80 -1.90 85.39
5.45
P>|t| 0.000 0.852 0.000 0.058 0.000
98.37 0.0000
[95% Conf. Interval] -.0328033 -.0077249 -.0259397 -.0095582 .0741484
-.0230762 .0093477 -.0082756 .0001604 .0776334
Prob > F = 0.0000
xxi
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
2125 847
R-sq:
Obs per group: min = avg = max =
1 2.5 6
within = 0.1311 between = 0.0440 overall = 0.0694
corr(u_i, Xb)
F(22,846) Prob > F
= -0.1148
= =
. .
(Std. Err. adjusted for 847 clusters in mfiid)
Wpar30
Coef.
Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen agee2 agee3 Wlogassets Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf Wrente Wborrloanoff Wborrstaffm Wloansloanoff Wloansstaffm Wleningsgrootte Wfinexpborr year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0185465 -.0130989 -.0041474 -.0029654 -.0052832 -.0030848 -.0248809 -.015706 -7.13e-08 8.30e-08 1.94e-10 .0375783 .0002392 -.0001242 -.0001807 .0001168 2.41e-06 .0054992 0 0 0 0 .0131295 .0327474 .0333089 .0228487 .0205738 0 .2012494
sigma_u sigma_e rho
.06122127 .04029645 .69771968
Robust Std. Err. .0073889 .0157881 .0197531 .0041377 .0078388 .0066558 .0131753 .0277714 9.98e-08 1.27e-07 3.11e-10 .0328395 .0001369 .0003102 .0001274 .0002949 4.64e-06 .0099706 (omitted) (omitted) (omitted) (omitted) .0130389 .0131901 .0136291 .0138727 .014251 (omitted) .0867885
t
P>|t|
[95% Conf. Interval]
-2.51 -0.83 -0.21 -0.72 -0.67 -0.46 -1.89 -0.57 -0.71 0.65 0.62 1.14 1.75 -0.40 -1.42 0.40 0.52 0.55
0.012 0.407 0.834 0.474 0.501 0.643 0.059 0.572 0.475 0.514 0.532 0.253 0.081 0.689 0.156 0.692 0.604 0.581
-.0330492 -.0440874 -.0429183 -.0110867 -.020669 -.0161486 -.050741 -.070215 -2.67e-07 -1.66e-07 -4.16e-10 -.0268783 -.0000294 -.0007331 -.0004308 -.000462 -6.69e-06 -.0140708
-.0040439 .0178896 .0346235 .0051559 .0101025 .0099791 .0009792 .038803 1.25e-07 3.32e-07 8.05e-10 .1020348 .0005078 .0004847 .0000694 .0006957 .0000115 .0250691
1.01 2.48 2.44 1.65 1.44
0.314 0.013 0.015 0.100 0.149
-.0124629 .0068582 .0065581 -.0043804 -.0073977
.0387219 .0586367 .0600597 .0500777 .0485452
2.32
0.021
.0309032
.3715955
(fraction of variance due to u_i)
xxii
Bijlage 5: H1B: Groei van de MFI leidt tot een stijging van de WOR Hausman test Coefficients (b) (B) fixed . Wchangeact~a Wchangeact~r Wchangenbr~g Wchangenbr~n
-.0089926 -.0055733 -.0017844 .000109
-.0090545 -.0045893 -.0017507 .0007341
(b-B) Difference
sqrt(diag(V_b-V_B)) S.E.
.0000619 -.000984 -.0000337 -.0006251
.0003058 .0004326 .0004038 .0002774
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 20.94 Prob>chi2 = 0.0003
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5847 1495
R-sq:
Obs per group: min = avg = max =
1 3.9 9
within = 0.0826 between = 0.0163 overall = 0.0460
corr(u_i, Xb)
F(4,4348) Prob > F
= -0.0387
= =
Wwor
Coef.
Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen _cons
-.0089926 -.0055733 -.0017844 .000109 .0203222
.0008781 .0015114 .0015585 .0008877 .000321
sigma_u sigma_e rho
.01948206 .01633359 .58723359
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
F(1494, 4348) =
t -10.24 -3.69 -1.14 0.12 63.31
4.50
P>|t| 0.000 0.000 0.252 0.902 0.000
97.82 0.0000
[95% Conf. Interval] -.0107141 -.0085365 -.0048399 -.0016313 .0196929
-.0072712 -.0026102 .0012711 .0018494 .0209516
Prob > F = 0.0000
xxiii
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
2093 839
R-sq:
Obs per group: min = avg = max =
1 2.5 6
within = 0.1214 between = 0.1001 overall = 0.1126
corr(u_i, Xb)
F(23,838) Prob > F
= -0.0946
= =
. .
(Std. Err. adjusted for 839 clusters in mfiid)
Wwor
Coef.
Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen agee2 agee3 Wlogassets Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf Wrente Wborrloanoff Wborrstaffm Wloansloanoff Wloansstaffm Wleningsgrootte Wfinexpborr Wpar30 year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0049811 .002807 -.0079262 -.0006894 -.0011098 .0005046 -.0011185 -.0024633 -4.81e-08 5.25e-09 -7.14e-11 .0238827 .0000193 -.0000955 -.0000173 .0000505 -3.29e-06 -.0007814 .023755 0 0 0 0 -.0070652 -.0020584 -.0008034 -.0024232 -.0036754 0 .0349496
sigma_u sigma_e rho
.01851613 .01448847 .6202427
Robust Std. Err. .0019374 .0029118 .0029121 .0014936 .0029673 .0024064 .0042291 .0065483 2.97e-08 4.22e-08 7.00e-11 .0121087 .0000194 .0000485 .0000184 .0000459 1.47e-06 .0019061 .0145309 (omitted) (omitted) (omitted) (omitted) .0061784 .0062477 .0063028 .0064547 .0066226 (omitted) .0288181
t
P>|t|
[95% Conf. Interval]
-2.57 0.96 -2.72 -0.46 -0.37 0.21 -0.26 -0.38 -1.62 0.12 -1.02 1.97 0.99 -1.97 -0.94 1.10 -2.25 -0.41 1.63
0.010 0.335 0.007 0.645 0.708 0.834 0.791 0.707 0.106 0.901 0.308 0.049 0.320 0.049 0.347 0.271 0.025 0.682 0.102
-.0087837 -.0029082 -.0136421 -.0036209 -.0069339 -.0042187 -.0094193 -.0153163 -1.06e-07 -7.77e-08 -2.09e-10 .0001158 -.0000188 -.0001908 -.0000533 -.0000395 -6.17e-06 -.0045226 -.0047662
-.0011784 .0085222 -.0022104 .0022422 .0047144 .0052279 .0071823 .0103897 1.02e-08 8.82e-08 6.59e-11 .0476497 .0000575 -3.01e-07 .0000187 .0001406 -4.18e-07 .0029598 .0522762
-1.14 -0.33 -0.13 -0.38 -0.55
0.253 0.742 0.899 0.707 0.579
-.0191922 -.0143213 -.0131744 -.0150925 -.0166741
.0050618 .0102045 .0115677 .010246 .0093234
1.21
0.226
-.0216146
.0915137
(fraction of variance due to u_i)
xxiv
Bijlage 6: H2: Commercialisering leidt tot een stijging van de ratio ‘deposito’s/vreemd vermogen’ Hausman test Coefficients (b) (B) fixed . 1.commerci~l
.2151149
(b-B) Difference
.2440338
sqrt(diag(V_b-V_B)) S.E.
-.0289189
.0043417
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 44.37 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
9073 1867
R-sq:
Obs per group: min = avg = max =
1 4.9 10
within = 0.0666 between = 0.1647 overall = 0.1545
corr(u_i, Xb)
F(1,7205) Prob > F
= 0.1558
Wdepliab
Coef.
1.commerci~l _cons
.2151149 .2619682
sigma_u sigma_e rho
.34231893 .0975317 .92491845
F test that all u_i=0:
Std. Err. .0094855 .0024785
t 22.68 105.69
= =
514.31 0.0000
P>|t|
[95% Conf. Interval]
0.000 0.000
.1965206 .2571095
.2337092 .2668268
(fraction of variance due to u_i) F(1866, 7205) =
52.80
Prob > F = 0.0000
xxv
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
9072 1867
R-sq:
Obs per group: min = avg = max =
1 4.9 10
within = 0.0798 between = 0.1495 overall = 0.1363
corr(u_i, Xb)
F(13,1866) Prob > F
= 0.1380
= =
9.83 0.0000
(Std. Err. adjusted for 1867 clusters in mfiid)
Wdepliab
Coef.
1.commerci~l agee2 agee3 Wlogassets year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
.2128199 -.0132424 -.015296 -.0331258 .0005188 .0025223 .0132055 .0178942 .019882 .0291803 .0405394 .0436976 .0536474 0 .4716565
sigma_u sigma_e rho
.34453417 .09692901 .92665649
Robust Std. Err. .024337 .0072025 .0081372 .0087591 .0071834 .0095003 .0100249 .0107708 .011197 .0116137 .01197 .0124085 .0132696 (omitted) .0559659
t
P>|t|
[95% Conf. Interval]
8.74 -1.84 -1.88 -3.78 0.07 0.27 1.32 1.66 1.78 2.51 3.39 3.52 4.04
0.000 0.066 0.060 0.000 0.942 0.791 0.188 0.097 0.076 0.012 0.001 0.000 0.000
.1650893 -.0273683 -.031255 -.0503045 -.0135694 -.0161099 -.0064557 -.0032298 -.002078 .0064032 .0170635 .0193616 .0276226
.2605505 .0008835 .0006629 -.0159472 .0146071 .0211546 .0328667 .0390183 .041842 .0519574 .0640154 .0680336 .0796722
8.43
0.000
.3618941
.5814188
(fraction of variance due to u_i)
xxvi
Bijlage 7: H3: Commercialisering leidt tot een toename van de efficiëntie Hausman test Coefficients (b) (B) fixed . 1.commerci~l
-.027374
(b-B) Difference
-.0203642
sqrt(diag(V_b-V_B)) S.E.
-.0070098
.0203738
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 0.12 Prob>chi2 = 0.7308
Model zonder controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
8029 1765
R-sq:
Obs per group: min = avg = max =
1 4.5 10
within = 0.0002 between = 0.0004 overall = 0.0008
corr(u_i, X)
Wald chi2(1) Prob > chi2
= 0 (assumed)
Wcostincome
Coef.
Std. Err.
z
1.commerci~l _cons
-.0203642 .9351287
.0148744 .0083603
sigma_u sigma_e rho
.28999166 .24018389 .59312392
(fraction of variance due to u_i)
-1.37 111.85
P>|z| 0.171 0.000
= =
1.87 0.1710
[95% Conf. Interval] -.0495174 .9187428
.008789 .9515145
xxvii
Model met controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
5255 1420
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.0989 between = 0.4010 overall = 0.3176
corr(u_i, X)
Wald chi2(107) Prob > chi2
= 0 (assumed)
= =
. .
(Std. Err. adjusted for 1420 clusters in mfiid)
Wcostincome
Coef.
Robust Std. Err.
z
P>|z|
[95% Conf. Interval]
1.commercieel .0636797 .0181412 3.51 0.000 .0281237 .0992358 agee2 -.0096154 .0133938 -0.72 0.473 -.0358668 .016636 agee3 .1216921 .0214603 5.67 0.000 .0796308 .1637534 Wlogassets -.0571024 .0115892 -4.93 0.000 -.0798168 -.0343879 Wpar30 .674503 .1252067 5.39 0.000 .4291024 .9199036 Wleningsgrootte -9.57e-06 6.58e-06 -1.45 0.146 -.0000225 3.34e-06 Wdoneqeq .1179162 .0222469 5.30 0.000 .0743131 .1615193 Wdonact 1.474052 .1641808 8.98 0.000 1.152264 1.795841 year2 -.0064679 .0216693 -0.30 0.765 -.0489389 .0360031 year3 .028308 .0253538 1.12 0.264 -.0213846 .0780006 year4 .0460087 .0250025 1.84 0.066 -.0029953 .0950127 year5 .0722403 .0247223 2.92 0.003 .0237855 .1206952 year6 .074387 .0277223 2.68 0.007 .0200522 .1287217 year7 .1503307 .0272357 5.52 0.000 .0969497 .2037118 year8 .1169961 .0277672 4.21 0.000 .0625735 .1714188 year9 .1209317 .0267468 4.52 0.000 .0685089 .1733546 year10 .1149511 .0275746 4.17 0.000 .060906 .1689962 year11 0 (omitted) countryy1 .2129149 .125544 1.70 0.090 -.0331468 .4589767 countryy2 -.0259514 .1288444 -0.20 0.840 -.2784818 .2265789 countryy3 -.1224445 .1985954 -0.62 0.538 -.5116843 .2667953 countryy4 .1850569 .1306678 1.42 0.157 -.0710473 .4411612 countryy5 -.2677931 .1296185 -2.07 0.039 -.5218407 -.0137455 countryy6 -.2235547 .1182359 -1.89 0.059 -.4552927 .0081834 countryy7 -.101196 .1158069 -0.87 0.382 -.3281734 .1257814 countryy8 -.4875558 .1113152 -4.38 0.000 -.7057297 -.269382 countryy9 .0073778 .1329622 0.06 0.956 -.2532234 .267979 countryy10 0 (omitted) countryy11 -.0653318 .1130813 -0.58 0.563 -.286967 .1563034 countryy12 -.0694653 .1146254 -0.61 0.545 -.294127 .1551964 countryy13 -.0744172 .1194553 -0.62 0.533 -.3085453 .159711 countryy14 -.1845835 .1378149 -1.34 0.180 -.4546957 .0855286 countryy15 .2133368 .1573349 1.36 0.175 -.0950341 .5217076 countryy16 -.0563684 .1625633 -0.35 0.729 -.3749867 .2622498 De countryy dummies gaan tot en met countryy Om de analyse countryy17 -.1474587 .1142208 -1.29121. 0.197 -.3713275overzichtelijker .07641 countryy18 -.076183 .141319 -0.54 0.590 -.3531633 .2007972 werden enkel de dummies countryy1 tot en met dummy countryy15 weergegeven in countryy19 -.1516665 .112231 -1.35 0.177 -.3716352 .0683021 countryy20tabel. -.1042005 .1105124 -0.94 0.346 -.3208008 .1123999 bovenstaande countryy21 .2556554 .1655061 1.54 0.122 -.0687307 .5800415 countryy22 -.0249235 .1377247 -0.18 0.856 -.2948591 .245012 countryy23 -.0484399 .1148394 -0.42 0.673 -.2735209 .1766412 countryy24 0 (omitted) countryy25 .0593359 .1440137 0.41 0.680 -.2229258 .3415976 countryy26 .0959543 .1453929 0.66 0.509 -.1890106 .3809191 countryy27 -.1639698 .1173637 -1.40 0.162 -.3939984 .0660589 countryy28 0 (omitted) countryy29 .2089229 .2013787 1.04 0.300 -.1857721 .6036179 countryy30 -.0258411 .117239 -0.22 0.826 -.2556253 .2039431 countryy31 0 (omitted) countryy32 .0166137 .1294103 0.13 0.898 -.2370259 .2702532 countryy33 0 (omitted) countryy34 -.1782645 .1483404 -1.20 0.229 -.4690064 .1124775
ta mekn
xxviii
Bijlage 8: H5: Een grotere sustainability leidt tot een minder diepe outreach Bijlage 8.1. Diepte van de outreach gemeten aan de hand van gemiddelde leningsgrootte
Hausman test Coefficients (b) (B) fixed . Weqas Wroa Woss
-504.4216 188.5505 -41.57477
(b-B) Difference
-453.1485 -68.89572 60.37983
sqrt(diag(V_b-V_B)) S.E.
-51.27317 257.4462 -101.9546
18.16972 59.46175 13.82679
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 64.18 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
7848 1909
R-sq:
Obs per group: min = avg = max =
1 4.1 10
within = 0.0171 between = 0.0000 overall = 0.0044
corr(u_i, Xb)
F(3,5936) Prob > F
= -0.0294
Wleningsgr~e
Coef.
Weqas Wroa Woss _cons
-504.4216 188.5505 -41.57477 1306.874
49.97858 248.0144 56.05864 62.76229
sigma_u sigma_e rho
1367.1908 451.65752 .90160428
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
t -10.09 0.76 -0.74 20.82
F(1908, 5936) =
P>|t|
= =
0.000 0.447 0.458 0.000
31.13
34.48 0.0000
[95% Conf. Interval] -602.3978 -297.6479 -151.4701 1183.837
-406.4454 674.749 68.32055 1429.911
Prob > F = 0.0000
xxix
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5118 1265
R-sq:
Obs per group: min = avg = max =
1 4.0 9
within = 0.3577 between = 0.3381 overall = 0.3365
corr(u_i, Xb)
F(28,1264) Prob > F
= 0.2097
= =
. .
(Std. Err. adjusted for 1265 clusters in mfiid)
Wleningsgrootte
Coef.
Weqas Wroa Woss agee2 agee3 Wlogassets trgtmrkt2 trgtmrkt3 trgtmrkt4 commercieel Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen Woss Wpar30 Wleverage Wroe Wloggrosslportf Wkostactiva Wcostincome year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
119.2901 -212.6346 1.038628 -43.32262 26.44939 -520.1132 -1580.438 -775.9563 -1752.529 221.0907 205.6532 128.555 -326.4379 -24.31193 0 -9.651726 7.046642 8.298156 643.2616 -1779.216 117.3421 -13.22027 -.1453002 72.14123 143.4616 240.7228 243.6277 337.4995 446.0987 509.3825 0 1730.031
sigma_u sigma_e rho
1069.5417 356.4547 .90002989
Robust Std. Err. 139.3557 396.9953 95.03947 34.93073 51.99658 154.6312 187.1953 147.0043 197.9953 72.75861 32.69147 65.27401 70.25859 16.75706 (omitted) 207.2762 7.196264 77.40826 143.195 311.9656 53.48232 35.79303 29.40144 30.53876 38.58748 43.83162 49.09291 56.69513 65.03129 72.61191 (omitted) 720.791
t
P>|t|
[95% Conf. Interval]
0.86 -0.54 0.01 -1.24 0.51 -3.36 -8.44 -5.28 -8.85 3.04 6.29 1.97 -4.65 -1.45
0.392 0.592 0.991 0.215 0.611 0.001 0.000 0.000 0.000 0.002 0.000 0.049 0.000 0.147
-154.1038 -991.4769 -185.4138 -111.8512 -75.55972 -823.4752 -1947.686 -1064.356 -2140.965 78.34971 141.5177 .4977088 -464.2742 -57.18665
392.684 566.2077 187.4911 25.20599 128.4585 -216.7512 -1213.19 -487.557 -1364.094 363.8316 269.7888 256.6124 -188.6016 8.562781
-0.05 0.98 0.11 4.49 -5.70 2.19 -0.37 -0.00 2.36 3.72 5.49 4.96 5.95 6.86 7.02
0.963 0.328 0.915 0.000 0.000 0.028 0.712 0.996 0.018 0.000 0.000 0.000 0.000 0.000 0.000
-416.2951 -7.071295 -143.5647 362.3355 -2391.243 12.41816 -83.44056 -57.82629 12.22899 67.75909 154.732 147.3152 226.2725 318.5175 366.9293
396.9916 21.16458 160.161 924.1877 -1167.188 222.266 57.00002 57.53569 132.0535 219.1642 326.7135 339.9403 448.7264 573.6798 651.8356
2.40
0.017
315.9525
3144.11
(fraction of variance due to u_i)
xxx
Bijlage 8.2. Diepte van de outreach gemeten aan de hand van percentage vrouwelijke ontleners
Hausman test Coefficients (b) (B) fixed . Weqas Wroa Woss
.0324926 .0618602 .0075236
(b-B) Difference
.0282796 .0710762 -.0021107
sqrt(diag(V_b-V_B)) S.E.
.004213 -.009216 .0096343
.0032392 .0113518 .0026255
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 25.14 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
8234 2048
R-sq:
Obs per group: min = avg = max =
1 4.0 10
within = 0.0044 between = 0.0021 overall = 0.0010
corr(u_i, Xb)
F(3,6183) Prob > F
= -0.0766
Wvborr
Coef.
Weqas Wroa Woss _cons
.0324926 .0618602 .0075236 .6262007
sigma_u sigma_e rho
.25750934 .0917738 .88730045
F test that all u_i=0:
Std. Err. .0089837 .0464749 .0104915 .0117617
t 3.62 1.33 0.72 53.24
P>|t| 0.000 0.183 0.473 0.000
= =
9.14 0.0000
[95% Conf. Interval] .0148815 -.0292467 -.0130434 .6031436
.0501037 .1529672 .0280906 .6492578
(fraction of variance due to u_i) F(2047, 6183) =
29.02
Prob > F = 0.0000
xxxi
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
4694 1207
R-sq:
Obs per group: min = avg = max =
1 3.9 9
within = 0.0502 between = 0.2212 overall = 0.1928
corr(u_i, Xb)
F(28,1206) Prob > F
= 0.3253
= =
. .
(Std. Err. adjusted for 1207 clusters in mfiid)
Wvborr
Coef.
Weqas Wroa Woss agee2 agee3 Wlogassets trgtmrkt2 trgtmrkt3 trgtmrkt4 commercieel Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen Woss Wpar30 Wleverage Wroe Wloggrosslportf Wkostactiva Wcostincome year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
.0135792 .1754642 -.018155 -.0000413 -.0097669 -.0200564 .0456396 .0216739 .0808806 -.0182497 .0034507 -.0271871 .0248692 .0055181 0 -.1122291 .0004992 -.0106568 .0001447 .0421671 -.0174667 -.3810515 -.3912067 -.3841884 -.3929913 -.4013056 -.3970145 -.3956799 -.3985526 -.4016694 0 1.147547
sigma_u sigma_e rho
.23692714 .07835455 .90141238
Robust Std. Err. .024833 .0961621 .0169838 .0072969 .0138207 .0410258 .0205029 .0151299 .023537 .0159998 .0066566 .0188982 .0199318 .0047783 (omitted) .0490951 .0010923 .0228453 .0366705 .0574394 .0125572 .0098701 .0068491 .007028 .0078053 .0092049 .0105962 .0111069 .0114199 .0126577 (omitted) .1207467
t
P>|t|
[95% Conf. Interval]
0.55 1.82 -1.07 -0.01 -0.71 -0.49 2.23 1.43 3.44 -1.14 0.52 -1.44 1.25 1.15
0.585 0.068 0.285 0.995 0.480 0.625 0.026 0.152 0.001 0.254 0.604 0.151 0.212 0.248
-.0351414 -.0131993 -.0514762 -.0143573 -.0368822 -.1005463 .0054142 -.0080099 .0347027 -.0496403 -.0096091 -.0642642 -.0142358 -.0038567
.0622998 .3641278 .0151662 .0142747 .0173484 .0604334 .085865 .0513577 .1270585 .0131409 .0165106 .0098899 .0639741 .0148928
-2.29 0.46 -0.47 0.00 0.73 -1.39 -38.61 -57.12 -54.67 -50.35 -43.60 -37.47 -35.62 -34.90 -31.73
0.022 0.648 0.641 0.997 0.463 0.164 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
-.2085503 -.0016439 -.0554778 -.0718003 -.0705252 -.0421031 -.400416 -.4046442 -.3979769 -.4083047 -.419365 -.4178035 -.4174709 -.4209576 -.4265029
-.0159079 .0026423 .0341641 .0720898 .1548595 .0071698 -.3616871 -.3777693 -.3703999 -.3776778 -.3832462 -.3762254 -.3738888 -.3761475 -.3768358
9.50
0.000
.9106504
1.384444
(fraction of variance due to u_i)
xxxii
Bijlage 8.3. Diepte van de outreach gemeten aan de hand van het aantal uitstaande leningen aan vrouwen
Hausman test Coefficients (b) (B) fixed . Weqas Wroa Woss
-20682.97 42818.45 1013.478
(b-B) Difference
-23993.8 43789.89 1673.192
sqrt(diag(V_b-V_B)) S.E.
3310.83 -971.445 -659.7144
1380.117 3415.385 787.3373
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 9.18 Prob>chi2 = 0.0270
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
4172 1597
R-sq:
Obs per group: min = avg = max =
1 2.6 10
within = 0.0420 between = 0.0443 overall = 0.0539
corr(u_i, Xb)
F(3,2572) Prob > F
= 0.1214
Wnbrvoutst~g
Coef.
Weqas Wroa Woss _cons
-20682.97 42818.45 1013.478 30977.26
2596.117 10716.22 2401.317 2749.291
sigma_u sigma_e rho
39681.642 12731.061 .9066743
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
t -7.97 4.00 0.42 11.27
F(1596, 2572) =
P>|t|
= =
0.000 0.000 0.673 0.000
32.07
37.58 0.0000
[95% Conf. Interval] -25773.66 21805.14 -3695.233 25586.21
-15592.28 63831.75 5722.188 36368.31
Prob > F = 0.0000
xxxiii
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
2853 1057
R-sq:
Obs per group: min = avg = max =
1 2.7 9
within = 0.2557 between = 0.3143 overall = 0.3351
corr(u_i, Xb)
F(28,1056) Prob > F
= 0.1598
= =
6.57 0.0000
(Std. Err. adjusted for 1057 clusters in mfiid)
Wnbrvoutstanding
Coef.
Weqas Wroa Woss agee2 agee3 Wlogassets trgtmrkt2 trgtmrkt3 trgtmrkt4 commercieel Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen Woss Wpar30 Wleverage Wroe Wloggrosslportf Wkostactiva Wcostincome year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
249.833 -1107.528 1305.342 -238.2021 -3672.932 17870.83 -3850.164 -5034.448 489.3638 1126.43 -1824.595 -5754.945 9331.118 -1745.413 0 4170.482 -121.6711 896.9673 15930.58 15679.93 -2005.326 0 -9771.114 -734.672 6940.667 10185.19 11054.86 11331.47 11055.94 10615.88 0 -212523.3
sigma_u sigma_e rho
38955.627 11707.169 .91716553
Robust Std. Err. 5005.611 18718.76 3084.595 1984.742 2509.62 9391.741 3860.544 3299.27 4598.092 4517.927 1706.666 4393.608 4604.326 1117.117 (omitted) 6348.179 279.138 2764.683 8918.652 12288.6 1584.297 (omitted) 8687.771 6856.157 9334.847 9508.02 9708.22 9783.074 9878.096 10002.09 (omitted) 37479.8
t
P>|t|
[95% Conf. Interval]
0.05 -0.06 0.42 -0.12 -1.46 1.90 -1.00 -1.53 0.11 0.25 -1.07 -1.31 2.03 -1.56
0.960 0.953 0.672 0.904 0.144 0.057 0.319 0.127 0.915 0.803 0.285 0.191 0.043 0.118
-9572.241 -37837.71 -4747.291 -4132.689 -8597.341 -557.7679 -11425.37 -11508.32 -8533.071 -7738.704 -5173.438 -14376.14 296.449 -3937.434
10071.91 35622.66 7357.975 3656.285 1251.477 36299.42 3725.046 1439.423 9511.799 9991.565 1524.247 2866.25 18365.79 446.6078
0.66 -0.44 0.32 1.79 1.28 -1.27
0.511 0.663 0.746 0.074 0.202 0.206
-8285.997 -669.3993 -4527.929 -1569.714 -8432.924 -5114.054
16626.96 426.0572 6321.864 33430.87 39792.79 1103.401
-1.12 -0.11 0.74 1.07 1.14 1.16 1.12 1.06
0.261 0.915 0.457 0.284 0.255 0.247 0.263 0.289
-26818.37 -14187.91 -11376.29 -8471.566 -7994.734 -7865.007 -8326.987 -9010.34
7276.143 12718.57 25257.62 28841.96 30104.46 30527.94 30438.87 30242.11
-5.67
0.000
-286066.6
-138979.9
(fraction of variance due to u_i)
xxxiv
Bijlage 8.4. Diepte van de outreach gemeten aan de hand van het aantal actieve ontleners in plattelandsgebieden
Hausman test Coefficients (b) (B) fixed . Weqas Wroa Woss
-8875.9 28008.02 -259.6931
(b-B) Difference
-17197.44 22304.22 2028.638
sqrt(diag(V_b-V_B)) S.E.
8321.544 5703.804 -2288.331
2052.457 5060.816 1160.433
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 22.76 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
3340 1380
R-sq:
Obs per group: min = avg = max =
1 2.4 6
within = 0.0119 between = 0.0434 overall = 0.0520
corr(u_i, Xb)
F(3,1957) Prob > F
= 0.1620
= =
Wnbrlactborr
Coef.
Weqas Wroa Woss _cons
-8875.9 28008.02 -259.6931 22434.47
3001.489 12125.86 2689.976 3053.66
sigma_u sigma_e rho
29702.658 11289.454 .87377258
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
t -2.96 2.31 -0.10 7.35
F(1379, 1957) =
P>|t| 0.003 0.021 0.923 0.000
20.70
7.86 0.0000
[95% Conf. Interval] -14762.35 4227.061 -5535.212 16445.7
-2989.449 51788.98 5015.826 28423.24
Prob > F = 0.0000
xxxv
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
2502 975
R-sq:
Obs per group: min = avg = max =
1 2.6 6
within = 0.2006 between = 0.2815 overall = 0.2994
corr(u_i, Xb)
F(25,974) Prob > F
= 0.0762
= =
. .
(Std. Err. adjusted for 975 clusters in mfiid)
Wnbrlactborr
Coef.
Weqas Wroa Woss agee2 agee3 Wlogassets trgtmrkt2 trgtmrkt3 trgtmrkt4 commercieel Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen Woss Wpar30 Wleverage Wroe Wloggrosslportf Wkostactiva Wcostincome year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
7490.439 -28345.63 7275.857 -2855.926 2343.176 14220.29 -361.2333 -2242.567 4674.872 -4009.264 -790.1309 -6451.686 6030.657 -897.8624 0 12571.66 230.9601 2157.981 14652.62 22619.21 -745.6695 0 -58857.31 0 0 7222.624 9186.141 9018.356 9626.406 10211.19 0 -200918.5
sigma_u sigma_e rho
28267.067 10769.557 .87324369
Robust Std. Err. 5028.191 13573.09 3125.817 1535.395 2808.983 5935.347 2314.102 1949.328 3241.678 2596.159 1600.79 3046.788 3102.569 1140.665 (omitted) 6137.799 288.0088 3847.458 4202.271 11464.17 1353.451 (omitted) 13189.85 (omitted) (omitted) 11962.44 12022.23 12138.53 12268.01 12479.03 (omitted) 36565.25
t
P>|t|
[95% Conf. Interval]
1.49 -2.09 2.33 -1.86 0.83 2.40 -0.16 -1.15 1.44 -1.54 -0.49 -2.12 1.94 -0.79
0.137 0.037 0.020 0.063 0.404 0.017 0.876 0.250 0.150 0.123 0.622 0.034 0.052 0.431
-2376.896 -54981.5 1141.746 -5868.988 -3169.18 2572.75 -4902.432 -6067.934 -1686.606 -9103.973 -3931.525 -12430.71 -57.83317 -3136.306
17357.77 -1709.761 13409.97 157.1358 7855.531 25867.83 4179.966 1582.799 11036.35 1085.445 2351.263 -472.6606 12119.15 1340.582
2.05 0.80 0.56 3.49 1.97 -0.55
0.041 0.423 0.575 0.001 0.049 0.582
526.8234 -334.2291 -5392.281 6406.069 121.8871 -3401.685
24616.49 796.1494 9708.243 22899.16 45116.53 1910.346
-4.46
0.000
-84741.11
-32973.52
0.60 0.76 0.74 0.78 0.82
0.546 0.445 0.458 0.433 0.413
-16252.5 -14406.31 -14802.32 -14448.37 -14277.69
30697.75 32778.59 32839.03 33701.18 34700.07
-5.49
0.000
-272674.3
-129162.8
(fraction of variance due to u_i)
xxxvi
Bijlage 8.5. Diepte van de outreach gemeten aan de hand van de bruto kredietportefeuille in plattelandsgebieden
Hausman test Coefficients (b) (B) fixed . Weqas Wroa Woss
-4998449 9557350 691649.2
(b-B) Difference
-9513360 4417143 2845191
sqrt(diag(V_b-V_B)) S.E.
4514911 5140207 -2153542
1264783 3175661 670370.4
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 27.97 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
3529 1408
R-sq:
Obs per group: min = avg = max =
1 2.5 6
within = 0.0087 between = 0.0559 overall = 0.0654
corr(u_i, Xb)
F(3,2118) Prob > F
= 0.1826
Wlgrossloa~f
Coef.
Weqas Wroa Woss _cons
-4998449 9557350 691649.2 9340917
sigma_u sigma_e rho
13079589 6244164.4 .81439294
F test that all u_i=0:
Std. Err. 1654043 6423871 1366165 1575848
t -3.02 1.49 0.51 5.93
= =
6.16 0.0004
P>|t|
[95% Conf. Interval]
0.003 0.137 0.613 0.000
-8242166 -3040404 -1987517 6250546
-1754731 2.22e+07 3370815 1.24e+07
(fraction of variance due to u_i) F(1407, 2118) =
12.71
Prob > F = 0.0000
xxxvii
note: year11 because of collinearity Model met omitted controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
2512 949
R-sq:
Obs per group: min = avg = max =
1 2.6 6
within = 0.2403 between = 0.4968 overall = 0.5236
corr(u_i, Xb)
F(25,948) Prob > F
= -0.0618
= =
7.83 0.0000
(Std. Err. adjusted for 949 clusters in mfiid)
Wlgrossloanportf
Coef.
Weqas Wroa Woss agee2 agee3 Wlogassets trgtmrkt2 trgtmrkt3 trgtmrkt4 commercieel Wchangeactiva Wchangeactborr Wchangenbroutstanding Wchangenbrfilialen Woss Wpar30 Wleverage Wroe Wloggrosslportf Wkostactiva Wcostincome year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
3881023 -1.76e+07 3604462 -1658835 4481544 5725953 -2513138 -1823631 -1868784 3541180 877564.6 -3775409 3259854 -1384338 0 7163626 117143.4 -229520.9 1.30e+07 1.31e+07 -1864540 0 0 0 -195358.5 -3523580 -2641809 -2074773 -991749.1 0 0 -1.21e+08
sigma_u sigma_e rho
10732215 6223832.7 .74833052
Robust Std. Err. 2448484 8395823 1805969 837094.2 1168087 3383669 2139711 1974706 2369892 3420159 619744.3 1406211 1408508 741727.5 (omitted) 5105582 103042.8 1828874 3156919 6017547 1021724 (omitted) (omitted) (omitted) 1173682 868926.4 660359.4 478215.8 385245.1 (omitted) (omitted) 1.67e+07
t
P>|t|
[95% Conf. Interval]
1.59 -2.09 2.00 -1.98 3.84 1.69 -1.17 -0.92 -0.79 1.04 1.42 -2.68 2.31 -1.87
0.113 0.037 0.046 0.048 0.000 0.091 0.240 0.356 0.431 0.301 0.157 0.007 0.021 0.062
-924052.8 -3.41e+07 60303.29 -3301607 2189208 -914395.3 -6712256 -5698931 -6519624 -3170778 -338664.7 -6535055 495700.3 -2839955
8686099 -1096929 7148621 -16063.07 6773879 1.24e+07 1685981 2051669 2782056 1.03e+07 2093794 -1015763 6024007 71279.7
1.40 1.14 -0.13 4.12 2.17 -1.82
0.161 0.256 0.900 0.000 0.030 0.068
-2855923 -85075.09 -3818630 6803725 1261209 -3869642
1.72e+07 319361.8 3359588 1.92e+07 2.49e+07 140562.3
-0.17 -4.06 -4.00 -4.34 -2.57
0.868 0.000 0.000 0.000 0.010
-2498674 -5228821 -3937744 -3013257 -1747781
2107957 -1818338 -1345874 -1136289 -235717.3
-7.24
0.000
-1.54e+08
-8.83e+07
(fraction of variance due to u_i)
xxxviii
Bijlage 9: H6A: Een grotere afhankelijkheid van subsidies leidt tot een lagere efficiëntie Hausman test
Coefficients (b) (B) fixed . Wdoneqeq Wdonact
.0857475 1.29676
(b-B) Difference
.1000972 1.681218
sqrt(diag(V_b-V_B)) S.E.
-.0143497 -.3844572
.0073131 .0500253
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 72.00 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
6484 1746
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.0515 between = 0.1750 overall = 0.1421
corr(u_i, Xb)
F(2,4736) Prob > F
= 0.1956
Wcostincome
Coef.
Wdoneqeq Wdonact _cons
.0857475 1.29676 .8647459
sigma_u sigma_e rho
.30376485 .22852765 .63857703
F test that all u_i=0:
Std. Err. .0144682 .1052464 .0045535
t 5.93 12.32 189.91
= =
128.63 0.0000
P>|t|
[95% Conf. Interval]
0.000 0.000 0.000
.0573832 1.090428 .855819
.1141118 1.503092 .8736728
(fraction of variance due to u_i) F(1745, 4736) =
4.32
Prob > F = 0.0000
xxxix
Model met controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
1628 776
R-sq:
Obs per group: min = avg = max =
1 2.1 6
within = 0.2242 between = 0.1730 overall = 0.1988
corr(u_i, Xb)
F(31,775) Prob > F
= -0.2457
= =
4.65 0.0000
(Std. Err. adjusted for 776 clusters in mfiid)
Wcostincome
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf trgtmrkt2 trgtmrkt3 trgtmrkt4 bankdummy commercieel Wpar30 Wborrloanoff Wloansloanoff Wrente Wfinexpborr Wlogloanofficers Wlogactborr Wdepass Wyield Wdebtass Wcapitalass Wadmexpas year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0221963 1.94971 .0739372 -.0211741 .0839568 -.000018 -.0121148 -3.82e-07 2.23e-07 -4.00e-09 .022758 .0365882 .090552 0 .0941814 1.320035 -.0000694 .0000231 -.7158815 -.0248468 .1437664 -.1745029 .1059045 -.254105 .3612196 -.0599471 2.249502 0 0 0 0 -.0541488 .0652969 .0107153 .0065829 .0148474 0 .471688
sigma_u sigma_e rho
.266893 .18911075 .66575111
Robust Std. Err. .0616115 .8839264 .0512719 .0396114 .1160601 .0000314 .1213553 5.13e-07 7.23e-07 1.70e-09 .0675446 .0464932 .0792812 (omitted) .0482992 .3476028 .0002428 .0002037 .2782844 .0546612 .1485501 .1777419 .1877735 .192508 .1571844 .1811105 .5034932 (omitted) (omitted) (omitted) (omitted) .0619996 .0620434 .0631122 .0668157 .0710186 (omitted) .7342467
t
P>|t|
[95% Conf. Interval]
-0.36 2.21 1.44 -0.53 0.72 -0.57 -0.10 -0.74 0.31 -2.34 0.34 0.79 1.14
0.719 0.028 0.150 0.593 0.470 0.567 0.921 0.457 0.758 0.019 0.736 0.432 0.254
-.1431415 .2145365 -.026711 -.0989324 -.1438726 -.0000796 -.2503388 -1.39e-06 -1.20e-06 -7.34e-09 -.1098341 -.0546792 -.0650795
.0987489 3.684884 .1745854 .0565843 .3117862 .0000436 .2261091 6.26e-07 1.64e-06 -6.51e-10 .15535 .1278557 .2461834
1.95 3.80 -0.29 0.11 -2.57 -0.45 0.97 -0.98 0.56 -1.32 2.30 -0.33 4.47
0.052 0.000 0.775 0.910 0.010 0.650 0.333 0.327 0.573 0.187 0.022 0.741 0.000
-.0006314 .6376808 -.0005461 -.0003768 -1.262162 -.1321484 -.1478418 -.5234156 -.2627004 -.6320039 .052662 -.4154724 1.26113
.1889942 2.00239 .0004073 .0004231 -.1696008 .0824548 .4353747 .1744098 .4745094 .1237939 .6697773 .2955782 3.237874
-0.87 1.05 0.17 0.10 0.21
0.383 0.293 0.865 0.922 0.834
-.1758558 -.056496 -.1131759 -.1245783 -.1245643
.0675582 .1870899 .1346065 .1377441 .154259
0.64
0.521
-.9696601
1.913036
(fraction of variance due to u_i)
xl
Bijlage 10: H6B: Een grotere afhankelijkheid van subsidies leidt tot een lagere sustainability Bijlage 10.1. Sustainability gemeten aan de hand van ROA
Hausman test Coefficients (b) (B) fixed . Wdoneqeq Wdonact
-.0052604 -.3109002
(b-B) Difference
-.0072321 -.3877183
sqrt(diag(V_b-V_B)) S.E.
.0019718 .0768181
.0013108 .0089835
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 84.30 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
6475 1744
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.0599 between = 0.1861 overall = 0.1508
corr(u_i, Xb)
F(2,4729) Prob > F
= 0.2143
Wroa
Coef.
Wdoneqeq Wdonact _cons
-.0052604 -.3109002 .0215319
.0027044 .0197124 .0008486
sigma_u sigma_e rho
.06047682 .04260036 .66836395
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
t -1.95 -15.77 25.37
F(1743, 4729) =
P>|t|
= =
0.052 0.000 0.000
5.42
150.68 0.0000
[95% Conf. Interval] -.0105622 -.3495457 .0198682
.0000415 -.2722547 .0231955
Prob > F = 0.0000
xli
Model met controlevariabelen exclusief de controlevariabelen ‘diepte van de outreach’ en ‘doelmarkt’ Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5259 1420
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.1990 between = 0.1682 overall = 0.1918
corr(u_i, Xb)
F(17,1419) Prob > F
= -0.1593
= =
20.35 0.0000
(Std. Err. adjusted for 1420 clusters in mfiid)
Wroa
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0138023 -.2969987 -.0051093 -.0234176 .0267548 .0086829 -.2757451 -5.14e-07 -.0038658 -.0140101 -.0195563 -.0268318 -.0323056 -.0440333 -.038975 -.0411597 -.0423643 0 -.1079016
sigma_u sigma_e rho
.05992961 .03932659 .69899978
Robust Std. Err. .0042819 .0395417 .0032542 .0052238 .0064361 .0078145 .0244483 1.66e-06 .0041573 .0046969 .0051724 .0055554 .0063859 .0063592 .0066897 .0067551 .0073572 (omitted) .041797
t
P>|t|
[95% Conf. Interval]
-3.22 -7.51 -1.57 -4.48 4.16 1.11 -11.28 -0.31 -0.93 -2.98 -3.78 -4.83 -5.06 -6.92 -5.83 -6.09 -5.76
0.001 0.000 0.117 0.000 0.000 0.267 0.000 0.757 0.353 0.003 0.000 0.000 0.000 0.000 0.000 0.000 0.000
-.0222018 -.3745653 -.0114928 -.0336647 .0141294 -.0066462 -.3237039 -3.78e-06 -.012021 -.0232238 -.0297026 -.0377294 -.0448324 -.0565077 -.0520978 -.0544108 -.0567965
-.0054028 -.2194322 .0012743 -.0131705 .0393802 .0240121 -.2277863 2.75e-06 .0042894 -.0047964 -.0094099 -.0159342 -.0197789 -.0315589 -.0258523 -.0279086 -.027932
-2.58
0.010
-.1898922
-.025911
(fraction of variance due to u_i)
xlii
Model met alle controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
1929 900
R-sq:
Obs per group: min = avg = max =
1 2.1 6
within = 0.1844 between = 0.1094 overall = 0.1151
corr(u_i, Xb)
F(19,899) Prob > F
= -0.2974
= =
. .
(Std. Err. adjusted for 900 clusters in mfiid)
Wroa
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf trgtmrkt2 trgtmrkt3 trgtmrkt4 year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0071613 -.4122332 -.0081742 -.0097525 .0195135 -.0071876 -.2163006 -4.37e-06 .0096161 1.96e-07 1.36e-07 8.21e-11 -.0083102 .013729 -.0144726 0 0 0 0 -.0009728 -.0200859 -.0150037 -.0161765 -.0159852 0 -.0770865
sigma_u sigma_e rho
.0585615 .03237358 .76592981
Robust Std. Err. .0066745 .1071574 .0067921 .0073335 .0127483 .0067726 .0458663 4.82e-06 .0206026 8.75e-08 1.20e-07 1.94e-10 .0127446 .0080915 .013557 (omitted) (omitted) (omitted) (omitted) .0047251 .0045385 .0048179 .0052163 .006295 (omitted) .086094
t
P>|t|
[95% Conf. Interval]
-1.07 -3.85 -1.20 -1.33 1.53 -1.06 -4.72 -0.91 0.47 2.24 1.13 0.42 -0.65 1.70 -1.07
0.284 0.000 0.229 0.184 0.126 0.289 0.000 0.364 0.641 0.025 0.259 0.672 0.515 0.090 0.286
-.0202607 -.6225409 -.0215044 -.0241453 -.0055063 -.0204796 -.306318 -.0000138 -.0308186 2.43e-08 -9.98e-08 -2.99e-10 -.0333229 -.0021514 -.0410797
.005938 -.2019255 .005156 .0046403 .0445334 .0061045 -.1262832 5.08e-06 .0500508 3.68e-07 3.71e-07 4.63e-10 .0167026 .0296094 .0121345
-0.21 -4.43 -3.11 -3.10 -2.54
0.837 0.000 0.002 0.002 0.011
-.0102464 -.0289933 -.0244594 -.0264142 -.0283398
.0083008 -.0111786 -.005548 -.0059389 -.0036306
-0.90
0.371
-.2460551
.0918822
(fraction of variance due to u_i)
xliii
Bijlage 10.2. Sustainability gemeten aan de hand van OSS
Hausman test Coefficients (b) (B) fixed . Wdoneqeq Wdonact
-.0263729 -1.162215
(b-B) Difference
-.0386199 -1.387806
sqrt(diag(V_b-V_B)) S.E.
.0122469 .2255913
.0053568 .0353479
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 54.43 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
7097 1856
R-sq:
Obs per group: min = avg = max =
1 3.8 10
within = 0.0458 between = 0.1308 overall = 0.1003
corr(u_i, Xb)
F(2,5239) Prob > F
= 0.1556
Woss
Coef.
Wdoneqeq Wdonact _cons
-.0263729 -1.162215 1.159444
.0115738 .0820825 .0036107
sigma_u sigma_e rho
.27924702 .19020747 .68308001
(fraction of variance due to u_i)
F test that all u_i=0:
Std. Err.
t -2.28 -14.16 321.11
F(1855, 5239) =
P>|t|
= =
0.023 0.000 0.000
6.32
125.81 0.0000
[95% Conf. Interval] -.0490623 -1.32313 1.152366
-.0036835 -1.001299 1.166523
Prob > F = 0.0000
xliv
Model met controlevariabelen exclusief de controlevariabelen ‘diepte van de outreach’ en ‘doelmarkt’ Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5531 1485
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.1665 between = 0.1454 overall = 0.1667
corr(u_i, Xb)
F(17,1484) Prob > F
= -0.0675
= =
25.04 0.0000
(Std. Err. adjusted for 1485 clusters in mfiid)
Woss
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0566899 -1.008627 -.0066389 -.0778756 .0800893 .0382697 -1.139872 6.69e-07 .0118519 -.0179752 -.0366092 -.059193 -.0766583 -.1331199 -.1105525 -.1365699 -.1341965 0 .778982
sigma_u sigma_e rho
.26174132 .16963749 .70420146
Robust Std. Err. .0150125 .1350876 .0144954 .018338 .0255167 .0296402 .0964956 8.27e-06 .0162801 .0191146 .0211888 .0229376 .0265455 .0261411 .0276503 .0286967 .0308321 (omitted) .1647396
t
P>|t|
[95% Conf. Interval]
-3.78 -7.47 -0.46 -4.25 3.14 1.29 -11.81 0.08 0.73 -0.94 -1.73 -2.58 -2.89 -5.09 -4.00 -4.76 -4.35
0.000 0.000 0.647 0.000 0.002 0.197 0.000 0.935 0.467 0.347 0.084 0.010 0.004 0.000 0.000 0.000 0.000
-.0861379 -1.27361 -.0350726 -.1138467 .0300367 -.0198714 -1.329154 -.0000155 -.0200826 -.0554697 -.0781723 -.1041866 -.1287289 -.1843972 -.1647903 -.1928603 -.1946756
-.0272418 -.7436443 .0217948 -.0419045 .130142 .0964108 -.9505897 .0000169 .0437864 .0195194 .0049538 -.0141993 -.0245877 -.0818425 -.0563147 -.0802796 -.0737173
4.73
0.000
.4558348
1.102129
(fraction of variance due to u_i)
xlv
Model met alle controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
1962 916
R-sq:
Obs per group: min = avg = max =
1 2.1 7
within = 0.1563 between = 0.0859 overall = 0.0901
corr(u_i, Xb)
F(20,915) Prob > F
= -0.2275
= =
. .
(Std. Err. adjusted for 916 clusters in mfiid)
Woss
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf trgtmrkt2 trgtmrkt3 trgtmrkt4 year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0325525 -1.481598 .0202859 -.044878 .0231133 -.0352062 -.9518972 -.0000155 -.080121 1.09e-06 1.01e-06 3.77e-10 -.0087659 .1045328 -.0451791 0 0 0 .2288596 .270804 .1829488 .2173372 .1876214 .1908333 0 .8823
sigma_u sigma_e rho
.26616095 .14945756 .76027313
Robust Std. Err. .0290026 .4105218 .0335463 .0265634 .0527313 .0315669 .1858966 .0000243 .0895093 3.95e-07 6.25e-07 1.07e-09 .0825101 .066186 .0857204 (omitted) (omitted) (omitted) .1155459 .0306306 .0286608 .0295827 .0313635 .0336817 (omitted) .3662155
t
P>|t|
[95% Conf. Interval]
-1.12 -3.61 0.60 -1.69 0.44 -1.12 -5.12 -0.64 -0.90 2.75 1.61 0.35 -0.11 1.58 -0.53
0.262 0.000 0.546 0.091 0.661 0.265 0.000 0.525 0.371 0.006 0.107 0.725 0.915 0.115 0.598
-.0894719 -2.287272 -.0455507 -.0970103 -.0803751 -.0971582 -1.31673 -.0000632 -.2557883 3.13e-07 -2.18e-07 -1.72e-09 -.170697 -.0253613 -.2134104
.0243669 -.6759244 .0861226 .0072542 .1266017 .0267458 -.587064 .0000322 .0955463 1.86e-06 2.23e-06 2.48e-09 .1531652 .2344268 .1230523
1.98 8.84 6.38 7.35 5.98 5.67
0.048 0.000 0.000 0.000 0.000 0.000
.0020939 .2106896 .1267002 .1592794 .1260687 .124731
.4556253 .3309185 .2391974 .2753949 .2491741 .2569357
2.41
0.016
.16358
1.60102
(fraction of variance due to u_i)
xlvi
Bijlage 10.3. Sustainability gemeten aan de hand van eigen vermogen/activa
Hausman test Coefficients (b) (B) fixed . Wdoneqeq Wdonact
.0347487 .6801006
(b-B) Difference
.0449911 .7198546
sqrt(diag(V_b-V_B)) S.E.
-.0102424 -.039754
.0028783 .0178302
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 22.41 Prob>chi2 = 0.0000
Model zonder controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
6900 1817
R-sq:
Obs per group: min = avg = max =
1 3.8 10
within = 0.0474 between = 0.0618 overall = 0.0774
corr(u_i, Xb)
F(2,5081) Prob > F
= 0.1382
Weqas
Coef.
Wdoneqeq Wdonact _cons
.0347487 .6801006 .3294979
sigma_u sigma_e rho
.23842688 .11778565 .80382783
F test that all u_i=0:
Std. Err. .0076618 .0533424 .0023486
t 4.54 12.75 140.29
= =
126.36 0.0000
P>|t|
[95% Conf. Interval]
0.000 0.000 0.000
.0197282 .5755266 .3248936
.0497691 .7846747 .3341023
(fraction of variance due to u_i) F(1816, 5081) =
12.98
Prob > F = 0.0000
xlvii
Model met controlevariabelen exclusief de controlevariabelen ‘diepte van de outreach’ en ‘doelmarkt’ Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
5407 1466
R-sq:
Obs per group: min = avg = max =
1 3.7 10
within = 0.2453 between = 0.0844 overall = 0.1271
corr(u_i, Xb)
F(17,1465) Prob > F
= -0.3900
= =
16.71 0.0000
(Std. Err. adjusted for 1466 clusters in mfiid)
Weqas
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0300644 .3298368 .0034143 -.0287547 -.2438522 -.0417248 .0479345 7.74e-06 .0044974 -.0170314 -.0155288 -.010995 -.0101781 .0002247 .0115916 .0215759 .0347014 0 2.025853
sigma_u sigma_e rho
.25223578 .10622985 .8493508
Robust Std. Err. .0142327 .1047242 .0107723 .0175181 .0221002 .0290654 .0543749 6.95e-06 .0115875 .013378 .0153607 .0172601 .018797 .0196721 .0207277 .0216633 .0231819 (omitted) .1426798
t
P>|t|
[95% Conf. Interval]
-2.11 3.15 0.32 -1.64 -11.03 -1.44 0.88 1.11 0.39 -1.27 -1.01 -0.64 -0.54 0.01 0.56 1.00 1.50
0.035 0.002 0.751 0.101 0.000 0.151 0.378 0.266 0.698 0.203 0.312 0.524 0.588 0.991 0.576 0.319 0.135
-.0579829 .1244115 -.0177166 -.063118 -.2872036 -.0987391 -.0587265 -5.90e-06 -.0182325 -.0432736 -.0456601 -.0448522 -.04705 -.0383638 -.0290676 -.0209185 -.0107718
-.0021458 .5352622 .0245451 .0056085 -.2005008 .0152895 .1545955 .0000214 .0272273 .0092107 .0146026 .0228622 .0266938 .0388132 .0522507 .0640703 .0801746
14.20
0.000
1.745975
2.305732
(fraction of variance due to u_i)
xlviii
Model met alle controlevariabelen Fixed-effects (within) regression Group variable: mfiid
Number of obs Number of groups
= =
1925 901
R-sq:
Obs per group: min = avg = max =
1 2.1 7
within = 0.1905 between = 0.0964 overall = 0.0859
corr(u_i, Xb)
F(20,900) Prob > F
= -0.5178
= =
. .
(Std. Err. adjusted for 901 clusters in mfiid)
Weqas
Coef.
Wdoneqeq Wdonact agee2 agee3 Wlogassets commercieel Wpar30 Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf trgtmrkt2 trgtmrkt3 trgtmrkt4 year2 year3 year4 year5 year6 year7 year8 year9 year10 year11 _cons
-.0177726 -.0861393 .0048209 -.0323032 -.3026232 -.042739 -.074035 4.32e-06 .109608 1.32e-08 2.61e-07 4.42e-10 -.0397388 -.0361071 -.0554329 0 0 0 .156295 .1073773 .1224105 .1391788 .1483682 .1684416 0 2.27269
sigma_u sigma_e rho
.268079 .07503135 .92735497
Robust Std. Err. .023606 .1750764 .0162015 .0343876 .0449631 .039592 .063006 .0000101 .0557416 2.48e-07 3.71e-07 5.14e-10 .0317994 .0291189 .0342049 (omitted) (omitted) (omitted) .0202544 .0133027 .0139689 .0161905 .0173405 .0194979 (omitted) .2983355
t
P>|t|
[95% Conf. Interval]
-0.75 -0.49 0.30 -0.94 -6.73 -1.08 -1.18 0.43 1.97 0.05 0.70 0.86 -1.25 -1.24 -1.62
0.452 0.623 0.766 0.348 0.000 0.281 0.240 0.668 0.050 0.958 0.482 0.390 0.212 0.215 0.105
-.0641019 -.4297449 -.0269762 -.0997924 -.3908678 -.1204424 -.1976908 -.0000154 .0002092 -4.74e-07 -4.67e-07 -5.67e-10 -.1021483 -.093256 -.1225636
.0285567 .2574663 .0366181 .035186 -.2143785 .0349644 .0496208 .0000241 .2190067 5.01e-07 9.90e-07 1.45e-09 .0226707 .0210418 .0116978
7.72 8.07 8.76 8.60 8.56 8.64
0.000 0.000 0.000 0.000 0.000 0.000
.1165436 .0812694 .0949951 .1074033 .1143358 .1301748
.1960463 .1334851 .1498259 .1709544 .1824007 .2067083
7.62
0.000
1.687176
2.858205
(fraction of variance due to u_i)
xlix
Bijlage 11: H6C: Een 'diepere outreach' leidt tot een grotere afhankelijkheid van subsidies Bijlage 11.1. Afhankelijkheid van subsidies gemeten aan de hand van geschonken eigen vermogen/eigen vermogen
Hausman test Coefficients (b) (B) fixed . Wleningsgr~e Wvborr Wnbrvoutst~g Wnbrlactborr Wlgrossloa~f
-.0000563 -.1171038 5.11e-07 -8.19e-08 -1.73e-09
-.0000574 -.0828333 -3.68e-07 -2.71e-07 -1.67e-09
(b-B) Difference 1.04e-06 -.0342704 8.79e-07 1.89e-07 -5.63e-11
sqrt(diag(V_b-V_B)) S.E. .0000181 .0733522 3.96e-07 5.60e-07 9.45e-10
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 0.23 Prob>chi2 = 0.8934
l
Model zonder controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
2295 1098
R-sq:
Obs per group: min = avg = max =
1 2.1 7
within = 0.0093 between = 0.0768 overall = 0.0660
corr(u_i, X)
Wald chi2(5) Prob > chi2
= 0 (assumed)
= =
Wdoneqeq
Coef.
Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf _cons
-.0000574 -.0828333 -3.68e-07 -2.71e-07 -1.67e-09 .3341637
7.52e-06 .0378701 3.19e-07 4.83e-07 7.36e-10 .0302124
sigma_u sigma_e rho
.25330792 .18821598 .6442896
(fraction of variance due to u_i)
Std. Err.
z -7.63 -2.19 -1.15 -0.56 -2.27 11.06
P>|z| 0.000 0.029 0.248 0.575 0.023 0.000
99.98 0.0000
[95% Conf. Interval] -.0000721 -.1570573 -9.93e-07 -1.22e-06 -3.12e-09 .2749485
-.0000426 -.0086093 2.57e-07 6.77e-07 -2.30e-10 .3933788
li
Model met controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
2294 1097
R-sq:
Obs per group: min = avg = max =
1 2.1 7
within = 0.0615 between = 0.4155 overall = 0.3423
corr(u_i, X)
Wald chi2(93) Prob > chi2
= 0 (assumed)
= =
. .
(Std. Err. adjusted for 1097 clusters in mfiid)
Wdoneqeq
Coef.
Robust Std. Err.
z
P>|z|
[95% Conf. Interval]
Wleningsgrootte -.000016 7.02e-06 -2.27 0.023 -.0000297 -2.19e-06 Wvborr .0830545 .0479472 1.73 0.083 -.0109202 .1770292 Wnbrvoutstanding 1.93e-07 2.58e-07 0.75 0.454 -3.13e-07 6.99e-07 Wnbrlactborr 4.63e-08 3.47e-07 0.13 0.894 -6.34e-07 7.27e-07 Wlgrossloanportf -6.92e-12 5.86e-10 -0.01 0.991 -1.15e-09 1.14e-09 agee2 .0012169 .0199703 0.06 0.951 -.0379242 .040358 agee3 -.0005721 .0237144 -0.02 0.981 -.0470515 .0459073 countryy1 .6708927 .1982681 3.38 0.001 .2822943 1.059491 countryy2 .2061336 .086421 2.39 0.017 .0367516 .3755155 countryy3 0 (omitted) countryy4 .0171419 .0511982 0.33 0.738 -.0832047 .1174885 countryy5 .2091885 .0640366 3.27 0.001 .083679 .3346979 countryy6 .2196092 .0578318 3.80 0.000 .1062609 .3329574 countryy7 .1626707 .079876 2.04 0.042 .0061166 .3192248 countryy8 0 (omitted) countryy9 .3098559 .0807928 3.84 0.000 .151505 .4682068 countryy10 .3430207 .0539764 6.36 0.000 .2372289 .4488125 countryy11 .2785147 .0857971 3.25 0.001 .1103554 .446674 countryy12 .4181235 .0955268 4.38 0.000 .2308945 .6053525 countryy13 .1097381 .0563483 1.95 0.051 -.0007025 .2201788 countryy14 .2381162 .0829155 2.87 0.004 .0756048 .4006276 countryy15 .3236245 .1210034 2.67 0.007 .0864621 .5607869 countryy16 .2923188 .1099102 2.66 0.008 .0768987 .5077389 countryy17 .1332569 .0537621 2.48 0.013 .0278851 .2386286 countryy18 .1762075 .0693862 2.54 0.011 .0402131 .3122019 De countryy dummies.6785662 gaan tot en met countryy 121. 0.000 Om de analyse overzichtelijker countryy19 .0523222 12.97 .5760166 .7811158 countryy20 .2238402 .053002 4.22 0.000 .1199582 .3277222 werden enkel de dummies countryy1 tot en met dummy countryy15 weergegeven in countryy21 .0900016 .0674904 1.33 0.182 -.0422772 .2222804 countryy22 3.57 0.000 .1191083 .4082317 bovenstaande tabel. .26367 .0737573 countryy23 .1700705 .0589954 2.88 0.004 .0544417 .2856993 countryy24 0 (omitted) countryy25 .4219482 .1057321 3.99 0.000 .214717 .6291793 countryy26 1.216362 .0400619 30.36 0.000 1.137842 1.294881 countryy27 .3466757 .0963906 3.60 0.000 .1577537 .5355978 countryy28 0 (omitted) countryy29 .2230217 .0795242 2.80 0.005 .0671572 .3788862 countryy30 0 (omitted) countryy31 0 (omitted) countryy32 .1909679 .0637487 3.00 0.003 .0660226 .3159131 countryy33 0 (omitted) countryy34 .1488087 .100412 1.48 0.138 -.0479951 .3456126 countryy35 .1884427 .0546803 3.45 0.001 .0812713 .2956141 countryy36 .3962547 .1051147 3.77 0.000 .1902337 .6022756 countryy37 .3304793 .1152051 2.87 0.004 .1046814 .5562772 countryy38 0 (omitted) countryy39 .7031153 .117151 6.00 0.000 .4735036 .932727 countryy40 -.0196402 .0415051 -0.47 0.636 -.1009887 .0617083 countryy41 .0906735 .0431542 2.10 0.036 .0060928 .1752541 countryy42 0 (omitted) countryy43 .1214305 .0490791 2.47 0.013 .0252374 .2176237 countryy44 .3309772 .1206778 2.74 0.006 .0944532 .5675013
ta mekn
lii
Bijlage 11.2. Afhankelijkheid van subsidies gemeten aan de hand van donaties(obrengst)/activa
Hausman test Coefficients (b) (B) fixed . Wleningsgr~e Wvborr Wnbrvoutst~g Wnbrlactborr Wlgrossloa~f
-2.72e-06 .0050113 -5.68e-08 -4.09e-08 5.10e-11
(b-B) Difference
-4.37e-06 -.0037086 -9.05e-08 -2.03e-08 -6.51e-11
sqrt(diag(V_b-V_B)) S.E.
1.65e-06 .0087198 3.37e-08 -2.06e-08 1.16e-10
1.77e-06 .0078676 3.73e-08 4.75e-08 8.30e-11
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 2.16 Prob>chi2 = 0.3388
Model zonder controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
2911 1245
R-sq:
Obs per group: min = avg = max =
1 2.3 7
within = 0.0020 between = 0.0407 overall = 0.0341
corr(u_i, X)
Wald chi2(4) Prob > chi2
= 0 (assumed)
Std. Err.
z
Wdonact
Coef.
Wleningsgrootte Wvborr Wnbrvoutstanding Wnbrlactborr Wlgrossloanportf _cons
-4.37e-06 -.0037086 -9.05e-08 -2.03e-08 -6.51e-11 .0247775
8.76e-07 .004496 3.62e-08 5.37e-08 8.40e-11 .0035619
sigma_u sigma_e rho
.03449738 .02349019 .68321814
(fraction of variance due to u_i)
-4.99 -0.82 -2.50 -0.38 -0.77 6.96
P>|z|
= =
0.000 0.409 0.012 0.705 0.438 0.000
. .
[95% Conf. Interval] -6.09e-06 -.0125205 -1.61e-07 -1.26e-07 -2.30e-10 .0177963
-2.65e-06 .0051034 -1.96e-08 8.49e-08 9.95e-11 .0317587
liii
Model met controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
2911 1245
R-sq:
Obs per group: min = avg = max =
1 2.3 7
within = 0.0354 between = 0.3630 overall = 0.3066
corr(u_i, X)
Wald chi2(95) Prob > chi2
= 0 (assumed)
= =
. .
(Std. Err. adjusted for 1245 clusters in mfiid)
Wdonact
Coef.
Robust Std. Err.
z
P>|z|
[95% Conf. Interval]
Wleningsgrootte -2.51e-07 8.10e-07 -0.31 0.757 -1.84e-06 1.34e-06 Wvborr .0056071 .0056148 1.00 0.318 -.0053977 .0166118 Wnbrvoutstanding 2.86e-08 2.25e-08 1.27 0.203 -1.55e-08 7.28e-08 Wnbrlactborr -1.73e-08 2.96e-08 -0.59 0.558 -7.53e-08 4.07e-08 Wlgrossloanportf 3.03e-10 6.59e-11 4.60 0.000 1.74e-10 4.32e-10 agee2 -.0047893 .0026548 -1.80 0.071 -.0099925 .000414 agee3 -.0014523 .0035051 -0.41 0.679 -.0083222 .0054175 countryy1 -.0701594 .0453502 -1.55 0.122 -.1590442 .0187254 countryy2 -.109599 .0410753 -2.67 0.008 -.1901051 -.0290929 countryy3 -.1165156 .0411836 -2.83 0.005 -.1972341 -.0357972 countryy4 -.0393402 .0470531 -0.84 0.403 -.1315626 .0528821 countryy5 -.1068303 .0419611 -2.55 0.011 -.1890726 -.024588 countryy6 -.1182296 .0409026 -2.89 0.004 -.1983972 -.0380619 countryy7 -.1124821 .0406695 -2.77 0.006 -.1921929 -.0327714 countryy8 -.1136436 .0406295 -2.80 0.005 -.1932759 -.0340113 countryy9 -.1005922 .0418872 -2.40 0.016 -.1826896 -.0184948 countryy10 -.1085248 .0408134 -2.66 0.008 -.1885176 -.028532 countryy11 -.1116546 .0407038 -2.74 0.006 -.1914326 -.0318766 countryy12 -.1099468 .0408404 -2.69 0.007 -.1899925 -.0299011 countryy13 -.1182407 .0407311 -2.90 0.004 -.1980722 -.0384091 countryy14 -.1238423 .0406779 -3.04 0.002 -.2035695 -.0441151 countryy15 -.0917341 .0429416 -2.14 0.033 -.175898 -.0075701 countryy16 -.0527277 .0574498 -0.92 0.359 -.1653273 .0598719 countryy17 -.1180481 .0406494 -2.90 0.004 -.1977196 -.0383767 De countryy dummies gaan tot en met countryy 121. Om de analyse overzichtelijker countryy18 -.1123033 .0409395 -2.74 0.006 -.1925433 -.0320632 -.1023912 .0408719 -2.51 0.012 -.1824986 -.0222838 werdencountryy19 enkel de dummies countryy1 tot en met dummy countryy15 weergegeven in countryy20 -.1065954 .041086 -2.59 0.009 -.1871225 -.0260683 bovenstaande tabel. -.0423162 countryy21 .056373 -0.75 0.453 -.1528052 .0681728 countryy22 -.1246466 .0408461 -3.05 0.002 -.2047036 -.0445897 countryy23 -.0986751 .0419806 -2.35 0.019 -.1809556 -.0163946 countryy24 0 (omitted) countryy25 -.0854976 .044231 -1.93 0.053 -.1721887 .0011935 countryy26 0 (omitted) countryy27 -.1230554 .0406299 -3.03 0.002 -.2026885 -.0434223 countryy28 0 (omitted) countryy29 -.1106838 .0412687 -2.68 0.007 -.1915689 -.0297986 countryy30 -.1321248 .0406193 -3.25 0.001 -.2117373 -.0525124 countryy31 0 (omitted) countryy32 -.097914 .042247 -2.32 0.020 -.1807166 -.0151114 countryy33 0 (omitted) countryy34 -.0699136 .0410256 -1.70 0.088 -.1503223 .0104951 countryy35 -.1138519 .0406762 -2.80 0.005 -.1935758 -.034128 countryy36 -.11174 .0408589 -2.73 0.006 -.191822 -.0316579 countryy37 -.1025817 .0430123 -2.38 0.017 -.1868842 -.0182792 countryy38 0 (omitted) countryy39 -.1059373 .0414236 -2.56 0.011 -.1871259 -.0247486 countryy40 -.1353405 .0407697 -3.32 0.001 -.2152476 -.0554334 countryy41 -.0579931 .0411264 -1.41 0.159 -.1385993 .0226132 countryy42 -.1222637 .0408495 -2.99 0.003 -.2023273 -.0422001 countryy43 -.1196347 .0408984 -2.93 0.003 -.1997942 -.0394753 countryy44 -.1109091 .0416749 -2.66 0.008 -.1925903 -.0292279 countryy45 0 (omitted)
ta mekn
liv
Bijlage 12: H8A: Een hoger percentage vrouwen leidt tot een lagere PAR30 possibly Hausman test consider
scaling your variables so that the coefficients are on a similar scale.
Coefficients (b) (B) fixed . Wvborr Wnbrvoutst~g
-.0190662 -8.77e-08
-.0303562 -1.37e-07
(b-B) Difference
sqrt(diag(V_b-V_B)) S.E.
.01129 4.91e-08
.0109612 6.52e-08
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 1.06 Prob>chi2 = 0.3030
Model zonder controlevariabelen
. xtreg Wpar30 Wvborr Wnbrvoutstanding, re Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
4309 1676
R-sq:
Obs per group: min = avg = max =
1 2.6 10
within = 0.0016 between = 0.0293 overall = 0.0214
corr(u_i, X)
Wald chi2(2) Prob > chi2
= 0 (assumed)
Std. Err.
z
Wpar30
Coef.
Wvborr Wnbrvoutstanding _cons
-.0303562 -1.37e-07 .0944552
.0064188 3.91e-08 .0041922
sigma_u sigma_e rho
.06438683 .04729021 .64958408
(fraction of variance due to u_i)
-4.73 -3.50 22.53
P>|z|
= =
0.000 0.000 0.000
49.93 0.0000
[95% Conf. Interval] -.0429368 -2.13e-07 .0862386
-.0177755 -6.03e-08 .1026718
lv
Model met controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
2125 847
R-sq:
Obs per group: min = avg = max =
1 2.5 6
within = 0.1166 between = 0.3145 overall = 0.3017
corr(u_i, X)
Wald chi2(93) Prob > chi2
= 0 (assumed)
= =
. .
(Std. Err. adjusted for 847 clusters in mfiid)
Wpar30
Coef.
Robust Std. Err.
z
P>|z|
[95% Conf. Interval]
Wvborr -.0372538 .0131107 -2.84 0.004 -.0629504 -.0115573 Wnbrvoutstanding 4.04e-08 6.04e-08 0.67 0.503 -7.80e-08 1.59e-07 agee2 .0057014 .0046542 1.23 0.221 -.0034207 .0148236 agee3 .0005277 .0054638 0.10 0.923 -.0101811 .0112366 Wlogassets -.0129884 .0046995 -2.76 0.006 -.0221994 -.0037775 Wchangeactiva -.0294413 .0067621 -4.35 0.000 -.0426948 -.0161877 Wchangeactborr -.0031841 .0143683 -0.22 0.825 -.0313454 .0249773 Wchangenbroutstanding -.0105818 .0179749 -0.59 0.556 -.0458119 .0246483 Wchangenbrfilialen -.0022901 .0040685 -0.56 0.574 -.0102643 .005684 Wnbrlactborr 1.26e-07 8.80e-08 1.44 0.151 -4.62e-08 2.99e-07 Wlgrossloanportf 7.01e-11 2.04e-10 0.34 0.731 -3.29e-10 4.69e-10 Wrente .0111428 .0253701 0.44 0.661 -.0385818 .0608673 Wborrloanoff .0000449 .0000794 0.57 0.572 -.0001107 .0002005 Wborrstaffm -.0000268 .0001911 -0.14 0.888 -.0004015 .0003478 Wloansloanoff -6.61e-06 .0000726 -0.09 0.927 -.0001489 .0001357 Wloansstaffm -.0000439 .0001826 -0.24 0.810 -.0004017 .000314 Wleningsgrootte 4.06e-06 2.70e-06 1.50 0.132 -1.23e-06 9.35e-06 Wfinexpborr .0119076 .0061416 1.94 0.053 -.0001297 .0239449 year2 0 (omitted) year3 0 (omitted) year4 0 (omitted) year5 -.0096848 .0138577 -0.70 0.485 -.0368454 .0174759 year6 .0016328 .0038244 0.43 0.669 -.0058629 .0091285 year7 .0183105 .0037509 4.88 0.000 .0109588 .0256622 year8 .017154 .0028497 6.02 0.000 .0115687 .0227392 year9 .004373 .0023579 1.85 0.064 -.0002484 .0089945 year10 0 (omitted) year11 0 (omitted) countryy1 -.0421587 .0714093 -0.59 0.555 -.1821182 .0978009 countryy2 -.0874651 .0667647 -1.31 0.190 -.2183215 .0433914 countryy3 -.1249609 .0631424 -1.98 0.048 -.2487177 -.0012042 countryy4 -.1062141 .0630374 -1.68 0.092 -.2297652 .017337 countryy5 -.1319179 .0630484 -2.09 0.036 -.2554906 -.0083453 countryy6 -.1275255 .0631454 -2.02 0.043 -.2512882 -.0037629 countryy7 -.0749039 .0637377 -1.18 0.240 -.1998275 .0500196 countryy8 0 (omitted) countryy9 -.0791698 .063839 -1.24 0.215 -.2042919 .0459522 countryy10 -.0166968 .0631182 -0.26 0.791 -.1404062 .1070127 countryy11 -.1174648 .0629275 -1.87 0.062 -.2408003 .0058708 countryy12 -.0831672 .0632578 -1.31 0.189 -.2071502 .0408158 countryy13 -.0884698 .0636314 -1.39 0.164 -.2131851 .0362454 countryy14 -.1006489 .0651859 -1.54 0.123 -.2284109 .0271131 countryy15 -.106923 .0630399 -1.70 0.090 -.2304789 .0166329 countryy16 0 (omitted) -.1312725 .0628322 0.037 -.2544213 -.0081237ta De countryycountryy17 dummies gaan tot en met countryy -2.09 121. Om de analyse overzichtelijker countryy18 -.0023703 .0790944 -0.03 0.976 -.1573926 .1526519 werden enkel de dummies countryy1 tot en met dummy countryy15 weergegeven in countryy19 0 (omitted) countryy20 -.1158759 .0628091 -1.84 0.065 -.2389796 .0072277 bovenstaande tabel. countryy21 -.0609323 .0673049 -0.91 0.365 -.1928474 .0709828 countryy22 -.082955 .0677932 -1.22 0.221 -.2158272 .0499172 countryy23 -.0993972 .0628824 -1.58 0.114 -.2226443 .02385 countryy24 0 (omitted) countryy25 -.087213 .0701896 -1.24 0.214 -.2247821 .050356 countryy26 0 (omitted) countryy27 -.0835176 .0641176 -1.30 0.193 -.2091857 .0421506 countryy28 0 (omitted)
mekn
lvi
Bijlage 13: H8B: Een hoger percentage vrouwen leidt tot een lagere WOR Hausman test Coefficients (b) (B) fixed . Wvborr Wnbrvoutst~g
-.0090777 -6.17e-08
-.0052075 -1.06e-08
(b-B) Difference
sqrt(diag(V_b-V_B)) S.E.
-.0038702 -5.12e-08
.0039848 2.18e-08
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test:
Ho:
difference in coefficients not systematic chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 0.94 Prob>chi2 = 0.3314
Model zonder controlevariabelen Random-effects GLS regression Group variable: mfiid
Number of obs Number of groups
= =
4359 1659
R-sq:
Obs per group: min = avg = max =
1 2.6 10
within = 0.0036 between = 0.0023 overall = 0.0049
corr(u_i, X)
Wald chi2(2) Prob > chi2
= 0 (assumed)
Std. Err.
z
Wwor
Coef.
Wvborr Wnbrvoutstanding _cons
-.0052075 -1.06e-08 .0184244
.0019068 1.14e-08 .0012597
sigma_u sigma_e rho
.01752985 .01635202 .5347208
(fraction of variance due to u_i)
-2.73 -0.93 14.63
P>|z|
= =
0.006 0.355 0.000
10.88 0.0043
[95% Conf. Interval] -.0089448 -3.30e-08 .0159554
-.0014702 1.18e-08 .0208934
lvii
Model met controlevariabelen
R-sq:
within = 0.0818 between = 0.4234 overall = 0.3704
corr(u_i, X)
= =
2391 988
Obs per group: min = avg = max =
1 2.4 6
= =
. .
Number of obs Number of groups
Random-effects GLS regression Group variable: mfiid
Wald chi2(96) Prob > chi2
= 0 (assumed)
(Std. Err. adjusted for 988 clusters in mfiid)
Wwor
Coef.
Robust Std. Err.
z
P>|z|
[95% Conf. Interval]
.0012651 -.0101859 0.127 -1.53 .0029212 -.0044604 Wvborr 5.06e-08 -2.73e-08 0.558 0.59 1.99e-08 1.16e-08 Wnbrvoutstanding .0024246 -.00267 0.925 -0.09 .0012997 -.0001227 agee2 .0015833 -.004927 0.314 -1.01 .0016608 -.0016719 agee3 .005029 -.0002813 0.080 1.75 .0013547 .0023739 Wlogassets .0695366 .030657 0.000 5.05 .0099184 .0500968 Wpar30 3.85e-08 -6.17e-08 0.649 -0.45 2.56e-08 -1.16e-08 Wnbrlactborr 4.47e-11 -1.34e-10 0.329 -0.98 4.55e-11 -4.44e-11 Wlgrossloanportf .0479153 .021105 0.000 5.05 .0068395 .0345102 Wrente .0000299 -.0000204 0.710 0.37 .0000128 4.76e-06 Wborrloanoff .0000553 -.0000717 0.800 -0.25 .0000324 -8.20e-06 Wborrstaffm .0000166 -.0000305 0.562 -0.58 .000012 -6.96e-06 Wloansloanoff .0000283 -.0000899 0.307 -1.02 .0000301 -.0000308 Wloansstaffm -7.22e-07 -3.08e-06 0.002 -3.16 6.02e-07 -1.90e-06 Wleningsgrootte -.0001131 -.0056272 0.041 -2.04 .0014067 -.0028702 Wfinexpborr 0 (omitted) year2 0 (omitted) year3 0 (omitted) year4 .0108667 -.0123892 0.898 -0.13 .0059327 -.0007612 year5 -.0007407 -.0053717 0.010 -2.59 .0011814 -.0030562 year6 .0043433 -.0004425 0.110 1.60 .0012209 .0019504 year7 .0048903 .0006335 0.011 2.54 .0010859 .0027619 year8 .0037018 -.0002674 0.090 1.70 .0010126 .0017172 year9 0 (omitted) year10 0 (omitted) year11 .0187569 -.0051276 0.263 1.12 .0060931 .0068146 countryy1 .0335781 -.004692 0.139 1.48 .0097629 .014443 countryy2 -.0200721 -.0324798 0.000 -8.30 .0031653 -.026276 countryy3 .0279613 -.0015265 0.079 1.76 .0075225 .0132174 countryy4 .0125888 -.0058405 0.473 0.72 .0047014 .0033741 countryy5 .0080272 -.0111997 0.746 -0.32 .0049049 -.0015863 countryy6 -.0004293 -.0153884 0.038 -2.07 .0038162 -.0079089 countryy7 .0074383 -.0017453 0.224 1.22 .0023428 .0028465 countryy8 .0241422 .0014896 0.027 2.22 .0057788 .0128159 countryy9 -.0055051 -.0177462 0.000 -3.72 .0031228 -.0116256 countryy10 .0045009 -.0058005 0.805 -0.25 .0026279 -.0006498 countryy11 .0414227 .0256462 0.000 8.33 .0040247 .0335345 countryy12 .0244642 .0027686 0.014 2.46 .0055347 .0136164 countryy13 .01003 -.0162037 0.645 -0.46 .0066924 -.0030868 countryy14 .0074907 -.0062587 0.861 0.18 .0035076 .000616 countryy15 .0411457 .0264392 0.000 9.01 .0037517 .0337925 countryy16 .003894 -.0111012 0.346 -0.94 .0038254 -.0036036 countryy17 De countryy dummies gaan tot en met countryy 121. Om de analyse overzichtelijker .0227998 -.0072788 0.312 1.01 .0076733 .0077605 countryy18 0 (omitted) countryy19 werden enkel de dummies countryy1 tot en met dummy countryy15 weergegeven in .028462 .0205339 0.000 12.11 .0020225 .024498 countryy20 bovenstaande tabel. .0157604 .0083136 .0320548 -.000534 0.058 1.90 countryy21 .0042948 -.0088605 0.496 -0.68 .003356 -.0022828 countryy22 .0193452 .0034359 0.005 2.81 .0040586 .0113906 countryy23 0 (omitted) countryy24 .0428943 -.0257236 0.624 0.49 .0175049 .0085853 countryy25 0 (omitted) countryy26 .0042489 -.0100266 0.428 -0.79 .0036418 -.0028888 countryy27 0 (omitted) countryy28 .0055869 -.0061746 0.922 -0.10 .0030004 -.0002939 countryy29
ta mekn
lviii
Bijlage 14: Descriptief onderzoek Deposito's/vreemd vermogen
lix
Geleende middelen/vreemd vermogen
lx
Gedoneerd eigen vermogen/eigen vermogen
lxi
donaties/activa
lxii
Gestort maatschappelijk kapitaal/eigen vermogen
lxiii
OSS dummy
lxiv
FSS dummy
lxv
Gemiddelde leningsgrootte
lxvi
Interestpercentage
lxvii
Percentage vrouwelijke ontleners
lxviii
Aantal uitstaande leningen aan vrouwen
lxix
Aantal actieve ontleners in plattelandsgebieden
lxx
Bruto kredietportefeuille in plattelandsgebieden
lxxi
Aantal actieve ontleners
lxxii
Aantal uitstaande leningen
lxxiii
