The Influence of Firm-Specific, Industry-Specific, Macroeconomic Factors, and Risk-Based Capital (RBC) on the Profitability of Life Insurance Companies in Indonesia
Notice bibliographique
Résumé
This study aims to determine the influence of Firm-specific, Industry-specific, Macroeconomic factors, and Risk Based Capital (RBC) on the profitability of life insurance companies in Indonesia. This study uses secondary data, namely financial statement data of life insurance companies in Indonesia, macroeconomic data, and other information available on company websites, AAJI, OJK, and other sources. The data period used covers 2019 to 2023. The analysis method applied is regression analysis. Findings show that previous research conducted by Killins (2020) in Canada found that firm-specific factors such as liquidity and economic growth influence company profitability, while company size has a negative relationship with profitability. Industry-specific factors did not yield significant results related to profitability. Macroeconomic factors such as GDP growth and equity return show a significant influence on company profitability. In a study conducted by de Haan and Kakes (2010) in the Netherlands, it was shown that insurance companies with high profitability tend to have better solvency levels. The findings of this study can provide insights for life insurance companies in Indonesia regarding the factors that influence their profitability. This study contributes to understanding how Firm-specific, Industry-specific, Macroeconomic factors, and Risk Based Capital (RBC) affect the profitability of life insurance companies in Indonesia.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».