Credit risk in Islamic banking: evidence from the GCC
Notice bibliographique
Résumé
Purpose This study aims to investigate the differences in the credit profiles of Islamic and conventional banks in the Gulf Cooperation Council (GCC) region and attempts to identify the factors responsible for those differences. Design/methodology/approach Financial data sourced from the Bankscope database for a sample of 25 Islamic and 56 conventional banks headquartered in the GCC region between 1987 and 2014 are used. The credit risk of Islamic versus conventional banks is compared using a variety of univariate (mean difference test and correlation analysis) and multivariate tests (pooled ordinary least squares (OLS) regressions with robust standard errors and year fixed effects, regressions with interaction variables and logistic regressions). Findings Pooled OLS regressions find that Islamic banks have lower credit risk than conventional banks. Robustness checks using logistic functions and interaction variables confirm this result. Using multiple econometric specifications, we also find that higher capitalization, greater liquidity and cost inefficiency contribute to the lower risk profile of Islamic banks. Research limitations/implications The study is unable to disaggregate data for banks offering both Islamic and conventional banking services and hence does not include conventional banks with Islamic windows. In addition, there are differences across countries even within the GCC region as to what is considered Sharia’h -compliant and what is not. Practical implications The results are of potential interest to not only researchers, but also market participants, regulators and legislators. The methods used in this study could be extended to other two-tiered banking systems and, in the case of Islamic and conventional banking, to other markets. Originality/value The authors use a unique sample of banks headquartered in the GCC countries, whose banking markets are similar, if not homogeneous, thus excluding operations of multinational banks. By focusing on the Gulf region, differences in the credit profiles of Islamic and conventional banks can be examined without the confounding effects of unobserved factors like culture, accounting regime or regulatory environment.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».