Determinants of Interest Rate Spread: Some Empirical Evidence from Kenya’s Banking Sector
Notice bibliographique
Résumé
This paper analyzes the role played by bank and industry-specific factors as well as macroeconomic variables in the determination of interest margins in Kenya’s banking sector. Decomposition of the spread using income and balance sheet of the banking sector as a whole and panel data analysis of 39 commercial banks yielded consistent results which highlight the significant role played by bank and industry specific factors and macroeconomic variables in interest rate spread determination. It is shown that between 7 – 10 per cent of the interest margin was attributable to operating costs. Moreover, a 1 per cent increase in operating costs translates to 0.38 per cent increase in interest margins for the sample of banks studied. In addition, a 1 per cent increase in non-performing loans leads to an upward adjustment of interest margins by 0.12 per cent. Macroeconomic factors also contribute to changes in the interest margin. A 1 per cent increase in Treasury bill rates leads to an upward adjustment of interest margins by 0.1 per cent. Likewise, a 1 per cent increase in GDP growth and exchange rate variability results in 0.05 and 0.06 per cent increase in interest spread respectively. In contrast, a 1 per cent increase in loans-liabilities ratio (reflecting degree of intermediation) results in interest margin reduction by 0.17per cent. The results therefore emphasize the need to improve banking sector efficiency, deal with non-performing loans and maintain general macroeconomic stability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».