The Analysis of Major Credit Risk Factors - The Case of the Vietnamese Commercial Banks
Notice bibliographique
Résumé
In this study, we tried to identify determinants of the credit risks at Vietnamese commercial banks. By applying the quantitative model using the unbalanced panel data of 20 banks in the period from 2006 to 2014, coupled with surveying the dependent variable, that is non-performing loan (NPL), in order to express the credit risks in business activities of commercial banks, the study has made conclusions on two groups of determinants that may have influence on the credit risks: (i) Bank-specific determinants and (ii) macro determinants. Specifically, the quantitative results showed that most correlations affirmed the accuracy of theory and relevant previous research findings, of which some notable results obtained by the author included: (i) For bank-specific determinants, the credit risks were highly inertia, requiring the continuous management of credit risks. Besides, the bank size and market share negatively influenced the credit risks of commercial banks due to adverse impacts on the readiness of acceptance of risks in business activities. In addition, the rapid credit expansion, ineffective capital use and credit control and management also caused future credit risks. (ii) For macro determinants, the estimated results re-affirmed the relationship between impacts of economic cycles though GDP growth and credit risks of commercial banks. (iii) Additionally, the study has not found any correlation between the effectiveness of general management, real lending interest rate and credit risks in business activities of Vietnamese commercial banks.
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 | 0,006 | 0,009 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».