An analysis of the relation between enterprise risk management (ERM) information disclosure and traditional risk measures in the US banking sector
Notice bibliographique
Résumé
The purpose of this article is to validate the quality and the relevance of enterprise risk management (ERM) information disclosure by analyzing the relation between the different dimensions of ERM disclosed in the annual report and the traditional measures of risk in the US banking sector. We use content analysis to measure ERM dimensions and a correlation analysis to document the links between risk exposure, consequences, and strategies (Aebi, Sabato, & Schimd, 2012), and the traditional measures of risk (Schnatterly, Clark, Howe, & DeVaughn, 2019) disclosed in the annual reports from 2006 to 2009. We then separately make the analysis for the period before and after the crisis to identify any effect of the crisis on ERM information’s ability to predict and reflect the banking sector’s traditional risk (Maingot, Quon, & Zéghal, 2018). Our results reveal the overall validity of ERM information in assessing traditional risk measures through a significant correlation between ERM exposure, consequences and strategies, and most of the traditional measures of risk. Finally, we confirmed the relevance and the robustness of our results through a portfolio analysis approach. This research sheds new light on the relevance of ERM information by introducing a new framework and a new methodology for assessing the validity of this information within the banking sector, where risk management plays a vital role. The results are potentially useful for banks regulators as well as for producers and users of the information on banking risks.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 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 ».