The Impact of Non-banking Credit Organization Credits on Economic Growth in Azerbaijan
Notice bibliographique
Résumé
Financial institutions plays remarkable role in Azerbaijan economy. The general structure of financial institutions in the country includes banks, local branches of foreign banks and non-bank financial institutions, while among these organizations banks have a leading position. Most of the lending activity in Azerbaijan is carried out through banks. This situation shows their special importance in the country's economy. However, NBCOs (Non-Banking Credit Organizations) also have an important position in lending to the individuals in the economy. This article investigates the impact of the NBCOs credits on non-oil GDP in Azerbaijan. For this purpose, the quarterly data covering 2005-2018 were used. For the evaluation, the cointegration methods as CCR (Canonical Cointegrating Regression), DOLS (Dynamic Ordinary Least Squares) and FMOLS (Fully Modified Ordinary Least Squares) methods were employed. The results of cointegration tests conclude that there is cointegration relationship between the variables in long-term. The results of the estimation show that a 1% rise in credits and physical capital investments increases non-oil GDP by 0.26% and 0.92, respectively. Findings of study are in line with both the theory and the results of other researches, and may be considered adequate for Azerbaijan economy. The management and other decision-makers of relevant organizations may adopt effective decisions for more efficient operation of credit organizations by taking into account the results of the research.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».