The Role of Competition and Size on Zombie Rural Banks in Indonesia
Notice bibliographique
Résumé
This study aims to identify rural banks categorized as "zombies" and explore how competitiveness level and bank size affect their likelihood of becoming zombies.This study uses data from rural banks spanning 2015 to 2022 and applies logistic regression analysis on balanced panel data.Findings indicate that increasing competitiveness among rural banks reduces their likelihood of becoming zombies, while larger bank size increases this risk.Specifically, a 1 percent increase in competitiveness decreases the probability of rural banks becoming zombies by 15-17 percent, whereas a 1 percent increase in bank size can increase this probability by 29-88 percent.Province-level analysis also identifies specific provinces that strongly influence zombie information.Robustness tests using the Panzar-Rosse H-statistic confirm the negative competition effect, although statistical significance is concentrated in one zombie definition, thereby validating the main results.Instrumental variable estimates that use provincial banking density as an instrument indicate that potential endogeneity is limited and does not materially bias the conclusions.Moreover, the competition effect is markedly stronger on the island of Java, and Banten emerges as a provincial hotspot for zombie rural banks, underscoring geographic heterogeneity in the phenomenon.This study expands existing literature by considering regional differences and exploring the impact of competition and bank size on rural banks within and outside the island of Java.The findings of this study suggest that policymakers and regulators need to carefully monitor rural banks and enhance regulation and supervision to mitigate the risk of zombie bank formation.The insights provided can also be implemented to improve the stability and sustainability of the banking sector.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».