FINANCIAL TECHNOLOGY AND LIQUIDITY IN THE NIGERIAN BANKING SECTOR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent times, financial technology advancement has been growing in volume of transactions. The increasingly used payment system has prompted concern on the long run impact of electronic payment on liquidity of the Nigerian banking sector. The study investigated impact of financial technology on the liquidity of the Nigerian banking sector. A case study research design was used to determine relationship existing between electronic payment services and banking sector liquidity in Nigeria. The study covered nine years period, using quarterly data spanning from the first quarter of 2009 to the fourth quarter of 2017. Secondary data was also collected in order to estimate the model. The dependent variable was proxied by loan to deposit ratio while the independent variables was proxied by automated teller machine, point of sales, mobile payment and automated clearing system-cheque. A unit root test was employed as a pre-estimation technique for this study, hence the variables where stationary at first difference. The study employed the Auto Regressive Distributed Lag or Bounds test approach in order to establish the short run dynamics and long run relationship of the model. Findings from the study suggested that there was a notable impact of electronic payment (fin-tech) on liquidity among all Deposit Money banks in Nigeria. Due to this finding the study concluded that an e-system in the banking sector will bring about financial development. Deposit Money banks should be encouraged to adopt electronic payment systems so as to have a better banking experience, easy access to banking products,reduced cost and flexibility of online international transactions.
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.
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) | 0,000 | 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 | 0,001 |
| 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 découle