Effect of Board Size, Board Composition and Board Meetings on Financial Performance of Listed Consumer Goods in Nigeria
Notice bibliographique
Résumé
The central thrust of this study is to examine the effect of board size, board composition and board Meetings on the financial performance of listed consumer goods in Nigeria over the period of ten years from 2006 to 2015. The study uses expo factor research design and purposive sampling technique (filter) as research design and sampling technique. The population of the study is twenty (20) listed consumer goods companies in Nigeria and a sample size of ten (10) companies were studied. The data was analysed by means of descriptive statistics, Correlation and Regression analysis using STATA (version 11). The descriptive result reveals that return on assets has minimum and maximum values of -0.0400 and 0.4700 respectively and the mean and standard deviation of 0.1199 and 0.1038 respectively. The study made use of secondary data generated from annual report and account of the sampled companies through Nigeria Stock Exchange fact book. The findings include the following: Board size is negatively significant at 1% with T. Value of _2.70, Board composition is positively significant at 1% with T- Value of 2.15 and finally, Board meeting is negatively insignificant with T- Value of _1.45. This study concluded that smaller board size are more effective than larger board size, good proportion of board composition is a good factor to enhance ROA of listed consumer goods companies in Nigeria and frequent board meeting will have negative effect on the ROA of listed consumer goods companies in Nigeria because it will limits the chances for external directors to conduct a meaningful oversight over management. Hence the study recommends among others; That smaller board size should be used in listed consumer goods companies in Nigeria to enhance their ROA, the listed consumer goods companies should continue to maintain good proportion of independence directors. The listed consumer goods companies in Nigeria should discourage unnecessary board meetings to allow board of directors perform other oversight function on the management so as to enhance the ROA of listed consumer goods companies in Nigeria.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».