ANALISIS PENGARUH PERTUMBUHAN EKONOMI, INFLASI, DAN SUKU BUNGA TERHADAP KREDIT MACET DI INDONESIA
Notice bibliographique
Résumé
Abstract This study aimed to analyze the effect of Macroeconomic variables in the form of Economic Growth, Inflation and interest rate of Bank Indonesia (7-Day Repo rate) on Non Performing Loans (NPL) in Indonesia. This study uses annual time series data from 2000 to 2017 with a total sample of 18 years. The model used is Auto Regressive Distributed Lags (ARDL) using Eviews 9. Software The results show that in the short run Inflation has a negative effect on Non Performing Loans (NPL) and Inflation in the previous year (Lag-1) has a significant positive effect whereas in the long run Inflation has a negative effect, maintained inflation at a reasonable limit to foster a good climate for entrepreneurs to be a stimulus so that they are able to fulfill their obligations, in the long run Economic growth has a significant negative effect and interest rates have a significant positive effect. It is hoped that the government can be more careful in setting the 7-Day Repo rate, given the positive response shown to Non Performing Loans (NPL). In addition, the government must also be able to maintain sustainable economic growth given its negative relationship to Non Performing Loans (NPL). It is recommended for further researchers to add other variables such as stock index, exchange rate, Capital Adequacy Ratio (CAR) and Charge-off policy (PH) of non-performing loans.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».