MétaCan
Menu
Retour à la cohorte
Enregistrement W1593188764 · doi:10.5539/ijef.v7n9p169

Banks Performance Determinants: Comparative Analysis between Conventional and Islamic Banks from GCC Countries

2015· article· en· W1593188764 sur OpenAlexvenueno aff
Manel Hadriche

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2015
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIslamProfitability indexInflation (cosmology)Sample (material)Monetary economicsBusinessCredit riskEconomicsFinancial systemActuarial scienceFinance

Résumé

récupéré en direct d'OpenAlex

The aim of this research is to compare and identify the determinants of the performance for Islamic banks with Conventional banks operating in GCC countries from 2005 to 2012. Using a sample of 71 Conventional banks and 46 Islamic banks that operate inside GCC countries for the period 2005-2012 and by using CAMEL test, we find that comparing the profitability of the Islamic and Conventional banks shows that for all the ratios used to measure profitability, Islamic banks are on-average more profitable than the Conventional ones. For performance determinants, results show that bank size affect performance of both Conventional and Islamic banks. Operation cost has a positive and significant effect on performance in Conventional and Islamic banks. The coefficient of credit risk is negative and significant in Conventional banks and positive but non significant in Islamic banks. For macroeconomic variables, inflation and DPG growth haven’t a significant effect on Conventional banks performance. For Islamic banks, inflation has a positive and significant coefficient. Results show differences in regards to factors affecting performance between Conventional and Islamic banks. Specifically, credit risk does not affect Islamic bank performance, while inflation and DGP growth do not affect the performance of Conventional banks.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,026
Tête enseignante GPT0,248
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetIslamic Finance and Banking StudiesTravaux en français237 207