Relationship Between Macroeconomic Variables and Financial Performance of the Insurance Industry in Kenya
Notice bibliographique
Résumé
The aim of this research project was to establish the relationship between macroeconomic \nvariables and the financial performance of the insurance industry in Kenya. Return on \ncapital employed was used as the financial performance indicator. The financial \nperformance was regressed against the macroeconomic indicators; average interest rates \nas computed by Central Bank rate, GDP growth rate, real exchange rate (Ksh/USD), \ninflation rate as computed by CPI and unemployment rate. Both the dependent and \npredictor variables were measured quarter yearly. A descriptive research design was \nemployed in the research study. The study population comprised 49 insurance firms that \nare registered in Kenya by the year 2015. The study utilized secondary data that was \ncollected quarter yearly. The data was collected from various sources; the World Bank, \nCentral Bank of Kenya, Kenya National Bureau of Statistics and the industry financial \nstatements as reported by IRA. The study was carried out in a ten year period from 2006 \nto 2015. The data was analyzed using multiple regression analysis, correlation analysis \nand descriptive analysis, using STATA software. The analyzed data was presented using \ntables and line graphs. The study found that GDP growth rate had a probability of \n(0.006<0.05) which is statistically significant while interest rates (0.4483>0.05), \nexchange rate (0.276>0.05), and un-employment rate (0.117>0.05) are statistically \ninsignificant. Therefore interest rates, exchange rates and unemployment rates are not \nsuitable predictors of the insurance industry’s financial performance. It is crucial that \nother factors both micro-economic and industry specific are considered while undertaking \nanother study in order to determine the drivers of performance of the insurance industry. \nThe research study recommends that the CBK should keep inflation, exchange rates and \ninterest rates in check. These variables have profound effect on the performance of the \ninsurance industry. For instance high exchange rates, translates to devaluation of the local \ncurrency and will cause a decrease in the performance of the industry. The study also \nrecommends that the government initiate policies and measures that increase the GDP \nwhich will lead to a positive effect on the industry and the economy as a whole.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».