Analisis Faktor-Faktor Yang Memengaruhi Kredit Macet pada Perbankan di Indonesia (Studi Kasus pada Kredit UMKM Q1 2017 − Q4 2019)
Notice bibliographique
Résumé
Lending is the main activity of banks in generating profits, but the biggest risks are also derived from lending. According to the financial services authority of Indonesia statistics, based on the type of use, the most credit distribution is micro small and medium enterprises (MSMEs). It can be concluded that credit is the main target of lending by banks. This research was conducted to analyze how internal bank factors can affect bad MSMEs credit Indonesian banks in the first quarter of 2017 to the fourth quarter of 2019 with a CAMEL analysis approach. Independent variables used are Capital, Assets, Management, Earning, and Liquidity, each of which is proxied using CAR, KAP, NIM, ROA, and LDR ratios. The dependent variable used is bad credit, which is proxied by the NPL ratio. The data panel method is used to quantitatively estimate the parameters in the model. The results showed that banking capital fluctuated during 12 quarters, namely from 2017 to 2019. In terms of liquidity, it is known that some banks have liquidity ratios above the tolerance limit set by Bank Indonesia. It is necessary to have control of bank management to inhibit the aggressiveness of lending, as well as to raise deposit rates for banking funding to increase.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 ».