The Determinants of the Volatility of Non-Performing Loans of Tunisian Banks: Revolution Versus COVID-19
Notice bibliographique
Résumé
The paper presents the use of the difference GMM, the system GMM and the Panel VAR for the purpose of determining the critical determinants of non-performing loans. The aim of the paper is to point out the factors that explain the volatility of NPLs in a time of crisis. The study focused on a sample of 18 Tunisian banks observed during the period 2008-2018. The paper seeks to identify the impact of crucial macro, microeconomic and governance variables on the NPLs. The results suggest that the deterioration in asset quality can be attributed to both macroeconomic and bank-specific factors. The liquidity risk has a positive and significant correlation with the NPLs of Tunisian banks. The variable "Revolution" presents a positive though not significant relationship with these. Also, the results emphasize the strength of macrofinancial feedback loops in Tunisia. As for the effect of the positive shock of the revolution on the NPL level, we note that it is significant and negative. The decomposition of the sample into two sub-samples: pre-revolution period and post-revolution period allowed showing that the ROA and the ownership structure affect negatively and significantly the NPLs of the banks in the two periods, while the capital affects them positively. It appears that bank-specific factors explain well the volatility of NPLs, especially in the post-revolution period. Finally, by a descriptive study, we have shown that the COVID-19 crisis explains the volatility of the NPLs of Tunisian 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».