COVID 19 and Bank Profitability in Low Income Countries: The Case of Uganda
Notice bibliographique
Résumé
This study investigates the impact of the COVID-19 pandemic on banking sector profitability in Uganda for the period spanning Q1 2000 to Q1 2021, using the autoregressive distributed lag (ARDL Bound) testing approach to co-integration while controlling for bank specific and macroeconomic determinants of bank profitability. Bank profitability is proxied by return on assets (ROA), return on equity (ROE), and net interest margin (NIM). The study finds that the COVID 19 pandemic has a significant negative effect on bank profitability only in the long run. Generally, the explanatory variables used in the study have short run and long run effects on bank profitability, although the impact is not uniform across the different measures of bank profitability. In the short run, bank profitability is generally negatively and significantly affected by the non-performing loans ratio, liquidity ratio, and market sensitivity risk, while the Treasury Bill interest rate and lending rate have a significant positive effect on bank profitability. In addition, the study finds that bank profitability has a tendency to persist in the short run, although persistence is only moderate, suggesting that the Ugandan banking sector may not have large deviations from a perfectly competitive market structure. In the long run, bank profitability is broadly positively and significantly affected by the non-performing loan ratio;, real GDP, lending rate and Treasury Bill interest rate while market sensitivity risk and the exchange rate significantly and negatively affect bank profitability. Surprisingly, the study finds inflation does not significantly affect bank profitability over both the short- and long-term.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».