Factores que condicionan el Spread de empresas supervisados por la SBS, Región San Martín surante el periodo 2008-2012
Bibliographic record
Abstract
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%.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".