Determinants of Banks Profitability: Empirical Evidence from Ghana’s Commercial Banking Industry
Notice bibliographique
Résumé
Over the years, Ghana’s commercial banking industry has been bedeviled with numerous challenges. The unbridled effect of this is the 2018 banking sector megrim which led to the collapse of seven major banks. This pointed out that it is very crucial to identify and mitigate the factors that negatively affect the performance of the banking sector. This paper is used to investigate the effect of banks specific variables (BSVs) and macroeconomic variables (MEVs) on the profitability of commercial banks (NIM, ROE, and ROA) in Ghana using FRED annual data of 25 years. In order to avoid endogeneity problems and aggregation bias, we used the SURE model to run the estimates simultaneously. The result reveals that profit earned by Ghana’s commercial banks is largely influenced by both internal factors such as KA, AQR, LMGT, MEFFI, and Z-Score and fluctuations in the macroeconomic environment (GDP and FOREX). The impact of KA, LMGT, MEFFI, and Z-score is significantly positive whereas AQR (NPLs) is found to have a negative effect on banks profitability. GDP has a significant negative impact on Ghana’s commercial bank’s profitability whiles forex induced commercial banks profitability positively, but inflation CPI does not determine the profitability of commercial banks in Ghana.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».