M&A Efficiency Islamic Bank Pre-Merger Analysis: Does Control Covid-19 Matter?
Notice bibliographique
Résumé
Analysis of pre-mergers is important to do as an effort for Islamic banks to increase competitiveness. This study aims to analyze the determinants of the efficiency of pre-merger Islamic banking in Indonesia. This study uses a quantitative research design through the two-stage banking data envelopment analysis (DEA) model. The input variables for the first stage are third party funds (DPK), operational costs (BIOP), total financing (TFIN), and the output variables are operating income (PENDOP), total assets (TASSET). Then in the second stage with multivariate tobit regression, using the dependent variable the efficiency score obtained through the results of the first stage and in the first model the independent variables are total assets, bank size, ROA, NPF, CAR and then measurements are made on additional Covid-19 controls for the second model. The results showed that total assets, bank size, ROA, and CAR significantly affected efficiency scores. NPF has no significant effect. The second model with the Covid-19 control variable produced a more substantial empirical model influence than non-control Covid-19. Overall, the performance of Islamic commercial banks increased until the fourth quarter of 2020, seen from the improving quality of financing, which was also marked by the decline in NPF and quite good intermediation. Limitations of this study include the limited update of the Covid-19 control data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».