Covid-19 and The Effectiveness of Monetary Policy Quantitative Easing Indonesia
Notice bibliographique
Résumé
The basis for this research is to examine the impact of the Covid-19 pandemic on Indonesian financial markets and the dynamics of monetary policy. Focus on monetary policy conducted by Bank Indonesia regarding Quantitative Easing . The study was conducted using balance sheet information from a sample of 38 private foreign exchange banks in Indonesia to then find out whether policies have an effect on " loan growth ", and how the response to bank loan growth is in responding to the crisis episode caused by the COVID-19 pandemic . The data is taken from the first quarter of 2019 to the second quarter of 2021. Using panel data, a cross section of thirty-eight banks and time series data . This research found. First, the securities of Bank Indonesia conducted Quantitative Easing at the beginning of the year, until September 2020 amounting to Rp. 666 trillion resulted in an increase in total banking assets. Second, the Covid-19 factor has become a significant negative factor for credit growth amid the QE policies that have been carried out by Bank Indonesia. Third, the total bank deposit has a negative correlation with the rate of credit growth but is not significant. Finally, the overall analysis of this research shows that QE (Quantitative Easing) has a small impact on loan growth ( loan growth ) even though it has included the bank health factor ( Bank Health ) which represents the trust factor in the banking system.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».