Determinants of Bank Performance in Ghana, the Economic Value Added (EVA) Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Previous Ghanaian governments attempted to use Ghana’s well-developed banking system to grow the economy. Bad loans caused the banks to suffer great losses during the late 1980s, and decline in the cedi value caused a rise in the banks external loans. In 1988, the government initiated financial reforms to strengthen the banking sector. The reforms aimed to improve profitability, efficiency and productivity of banks. In spite of these reforms in 1990s, banks’ performance has remained poor with substantial gaps in service delivery to private agents. There is sufficient empirical evidence that poor performance is manifest in low performance of bank indicators, including: high levels of credit risk to private agents, poor quality loans, limited and or inadequate capitalization, operational inefficiencies, higher incidences of non-performing loans, higher levels of liquidity risk; among others. Empirical evidence clearly shows that studies focusing on Ghana’s financial sector are still scanty and limited. The study seeks to investigate the determinants of banks ‘profitability in Ghana for the period 1988 to 2011 using Economic Value Added (EVA) technique to measure performance. The study evaluates two performance yardsticks to determine the best alternatives. The result of the study suggested economic value added as the best measurement as against the standard accounting measurement namely; ROA. Inflation was registered not to be affected Ghana’s bank performance. The study results draw some implications for policy that helps to improve performance of the banking sector in Ghana.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle