Determinants of Financial Performance of Insurance Companies: Empirical Evidence Using Kenyan Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The drivers of financial success of the insurance industry are of interest to several players in any economy including the government; policymakers; policyholders; and investors. In Kenya; there have been relatively few studies on this topic; most of which look at narrow elements that determine insurance companies’ performance. This article sought to explore the components contributing to the financial performance of insurance firms. We employed a sample consisting of 37 general insurers and 16 life insurers for the period running from 2009 to 2018 and utilised panel data methods in order to establish the determinants of financial performance of Kenyan insurers. The pooled OLS; fixed effects and random effects models were estimated with the financial performance measures (proxied by either ROA or ROE) as the dependent variables. The results of the study documented that insurer financial performance and size were positively related. The study also found that insurer financial performance was negatively related to the age variable. The study also unraveled that higher leveraged insurance companies performed better than their lowly geared peers. This article provides broad analyses of the various drivers of financial performance of the insurance industry in Kenya. The findings of this study contribute to the academic literature on the financial performance of the insurance sector in Kenya and Africa as a whole. Furthermore; it gives pointers to the management of insurance companies on the aspects of their business that would need greater attention to drive and sustain superior financial performance.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 découle