LIQUIDITY MANAGEMENT AND FINANCIAL PERFORMANCE OF DEPOSIT MONEY BANK PERFORMANCE IN NIGERIA
Notice bibliographique
Résumé
This study investigates the impact of liquidity management on performance of deposit money bank in Nigeria. The study made use of ex-post facto research design. Secondary data were sourced on dependent as well as independent variables employed by the investigation were sourced from the reported annual accounts of fourteen (14) chosen DMBs for a period of 15 years, (2009-2023) which was downloaded from the Nigerian Group Exchange (NGX). Dependent variable was financial performance measured using Return on Assets while input variable was liquidity management measured using debt to equity ratio: loan to deposit ratio and liquidity coverage ratio. Firm size was employed as control variable. sourced was analyzed in three stages preliminary, model estimation and post estimation test using panel data regression on -View version 12. The outcome of the evaluation established that equity to debt ratio significantly and negatively impacted ROA, loan to deposit ratio negatively and insignificantly impacted ROA while liquidity coverage ratio negatively and weakly impacted ROA as revealed by the testing of hypothesis at five percent level of significance. The study concluded that the interaction between liquidity management and financial performance of selected financial institutions in Nigeria is complicated. Considering this fact, it was suggested that deposit money banks should adopt liquidity management policy that will make them to achieve efficiency and effectiveness with attention on: liquidity, debt to equity, loan to deposit as well coverage ratios
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| 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 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 ».