The Impact of Bank Specific and Macro-Economic Factors on Non-Performing Loans in the Banking Sector: Evidence from an Emerging Economy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The current study examines macro-economic and bank specific determinants of non-performing loans (NPLs) for commercial banks from 2008–2018. The Pakistani banking sector has observed a significant increase in NPLs. In addition, the current study is undertaken to fill this gap in the literature as most of the prior studies focus on the developed markets. In the current study, we prefer the system GMM estimator. Its reliability depends on the validity of the instruments. To testing the second-order serial correlation, we apply the J test for testing the validity of the instruments and the Arellano–Bond AR (2) test. Using dynamic-GMM estimations, we find that credit growth, net interest margin, loan loss provision, and bank diversification significantly increase NPLs, while operating efficiency, bank size, and ROA lower NPLs. In addition, higher interest rates, exchange rates, and political risk significantly increase NPLs, while GDP growth decreases NPLs. This paper provides a timely insight to management and policy makers about the determinants of NPLs. The findings help management to take corrective actions and policy makers may take into consideration the significance of macro-economic conditions while formulating policy regarding NPLs. Likewise, the study provides insight to potential investors to consider the findings while selecting better investment opportunity. The current study is the first of its kind focusing on the link among bank specific, macroeconomic variables, and non-performing loans within the specific context of an emerging economy, Pakistan.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle