PENGARUH RISIKO USAHA TERHADAP CARPADA BANK UMUM SWASTANASIONAL DEVISA
Notice bibliographique
Résumé
The purpose of this study was to determine the effect of variable Liquidity risk, credit risk, market risk, and operational risk toward CAR on Foreign Exchange National Private Commercial Bank simultaneously and partially. The sample used in this research is a Bank Maybank Indonesia, Bank OCBC NISP, Bank Permata and Pan Indonesia Bank. This research period starting from the first quarter of 2010 until the second quarter of 2015. The technique of data analysis in this research is descriptive analysis and multiple linier regression analysis. The results provides evidence that LDR, IPR, NPL, APB, IRR, PDN, BOPO and FBIR have significant influence simultaneously toward CAR on Foreign Exchange National Private Commercial Bank. IPR partially has positive significant influence toward CAR on Foreign Exchange National Private Commercial Bank. LDR, IRR, and FBIR partially have influence positive unsignificant toward CAR on Foreign Exchange National Private Commercial Bank. NPL, APB, PDN, and BOPO partially have influence negative unsignificant toward CAR on Foreign Exchange National Private Commercial Bank. Among the eight independent variables LDR, IPR, NPL, APB, IRR , PDN, BOPO and FBIR the most dominant influence on CAR is IPR. Key word : Liquidity risk, credit risk, market risk, operational risk , and CAR.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».