Impact of Risk Management on the Performance of Commercial Banks in Ghana: A Panel Regression Approach
Notice bibliographique
Résumé
The financial sector is an integral part of the economy, playing a vital role in the overall economic development of a nation, but commercial banks in this sector face a myriad of risks. This has made understanding the impact of risk management on bank performance crucial. This study sought to examine the effect of risk management on the performance of commercial banks in Ghana. The study used a quantitative research approach, relying on secondary data from the yearly financial statements of the selected banks. Seven commercial banks were purposively sampled. According to the 2017 Ghana Banking Survey, the seven commercial banks selected represent more than 50 percent of Ghana’s financial market by proportion of industrial deposits, which was a criteria for selecting the seven banks. The results of the study showed that of the four types of risks examined vis-à-vis credit risk, operational risk, liquidity risk, and market risk, only operational risk was found to exert a significant influence on bank performance. Operational risk accounted for 99.24% of the variability in bank performance. Furthermore, it was observed that total risk management had a significant impact on bank performance, explaining 74.74% of the variance in bank performance. Since operational risk appears to exert far more influence on bank performance in Ghana than any other risk factor, it is recommended that banks, regulators, and policymakers place more emphasis on curbing operational risks when designing their risk management programmes, as this particular risk, among all the other risk types examined, seems to be the one that exerts the greatest influence on banking 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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».