Efficiency Analysis of State-Owned Enterprise Bank Using Stochastic Frontier Analysis (SFA) Approach
Notice bibliographique
Résumé
The purpose of the study was to determine the level of efficiency of state-owned banks for the 2019-2021 period. This research is a descriptive study with a quantitative approach that uses secondary data from the Financial Statements of State-owned Banks for the 2019-2021 period on the research object of PT. Bank Negara Indonesia Tbk., PT. Bank Rakyat Indonesia Tbk., PT. Bank Tabungan Negara Tbk., and PT. Bank Mandiri Tbk., obtained from the website of the Financial Services Authority. The data processed is data for the quarter of 2019 to the third quarter of 2021. The efficiency calculation is carried out using the Parametric Approach Stochastic Frontier Analysis which is processed using STATA 17. The results of the study using calculations show that state-owned banks in the 2019-2021 period have an average efficiency level of 0.9955 or close to 1. The results of these calculations indicate that state-owned banks are efficient in managing inputs into optimal output. State-owned banks that have the highest efficiency scores are Bank BRI and Bank Mandiri, followed by Bank BNI, then Bank BTN. State-owned banks still need to supervise managers and evaluate the allocation of deposits to productive assets to obtain greater profits to improve the overall economy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».