The Impact of Noninterest Income on the Profitability of Commercial Banks in VietNam: Evidence of Non-Linear Relationship
Notice bibliographique
Résumé
This paper uses the Generalized Method Of Moments (GMM) to analyze the impact of noninterest income on the profitability of 28 Vietnamese commercial banks in the period from 2010 to 2018. At the same time, the Threshold Regression Model is applied on a panel data to evaluate whether or not there is a non-linear relationship between the noninterest income ratio and bank’s profitability. The results have shown that the optimal diversification benefit can be attained by reaching a certain level of non-interest income proportion. The findings of the study are: (1) The existence of two thresholds shows that there is non-linear relationship, confirming the non-linear relationship between the noninterest income ratio (NII) and profitability (ROA); (2) The noninterest income ratio impacts negatively on profitability (ROA) when NII (≤44.16% and ≥ 46.62%), when the noninterest income ratio is between 44.16% and 46.12% the relationship is positive. The noninterest income ratio ranging from 44.16% to 46.62% is called optimal when this ratio is in a positive correlation with profitability, which means that Vietnamese commercial banks can try to increase their profits by increasing NII and maintaining that level to get exploiting their maximum level of diversification from noncredit income.
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 | 0,003 |
| 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 | 0,001 | 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) | 0,002 | 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 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 ».