Factores que condicionan el Spread de empresas supervisados por la SBS, Región San Martín surante el periodo 2008-2012
Notice bibliographique
Résumé
El Objetivo General de este estudio es Determinar los factores condicionantes de los spreads bancarios en la región San Martín durante el periodo 2008-2012. La hipótesis general es que los principales factores condicionantes del spread del sistema bancario supervisados por la Superintendencia de Banca y Seguros para la región San Martín son los costos administrativos y la pesadez de cartera.El método utilizado fue el descriptivo, las técnicas fueron el análisis documental y entrevistas realizadas a los Gerentes de cada Institución financiero supervisadas por la SBS de la Región San Martín. Los resultados más importantes son: El 26.7% de los gerentes entrevistados indicaron que los gastos administrativos era el primer factor condicionante en fijar el spread y el 23.3 % de los entrevistados indicaron que el segundo factor era la cartera pesada. Los spreads promedio en la región San Martín es 20% y comparándolo con otros países en Latinoamérica es realmente elevado. Aunque son condiciones que en cierta medida contribuyen a la rentabilidad a las instituciones financieras, pero que encarecen el dinero que dinamiza la economía del país. Por tanto es necesario brindar condiciones para aumentar el grado de competencia y competitividad entre ellas, así como mayor transparencia y facilidad en la comunicación al público, desarrollar el tamaño, la productividad y sofisticación de los sistemas financieros en nuestro país, sin dejar de preocuparnos por su estabilidad política y macroeconómica.Los niveles de rentabilidad bancada son altos en el Perú, la primera entidad financiera más rentable es el Banco Continental con un promedio de 34%.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».