MétaCan
Menu
Retour à la cohorte
Enregistrement W4281778210 · doi:10.1522/revueot.v31n1.1449

L’impact de la gestion du risque de crédit sur la performance des banques commerciales canadiennes

2022· article· fr· W4281778210 sur OpenAlexaffvenueabout
Raef Gouiaa, Mikaela Ouedraogo

Notice bibliographique

RevueRevue Organisations & territoires · 2022
Typearticle
Languefr
DomaineEconomics, Econometrics and Finance
ThématiqueInsurance and Financial Risk Management
Établissements canadiensUniversité du Québec en Outaouais
Organismes subventionnairesnon disponible
Mots-clésPolitical scienceEconomics

Résumé

récupéré en direct d'OpenAlex

La question générale de cette étude est de comprendre l’impact du risque de crédit sur la performancedes banques canadiennes. Les résultats permettent de confirmer que la gestion efficace du risque de crédit a un effet positif sur la performance des banques canadiennes et que l’augmentation du risque de crédit entraîne une diminution de la performance financière et boursière. Les résultats permettent également d’infirmer que certains ratios tels que les prêts sur les dépôts et sur l’actif affectent positivement la performance opérationnelle. Cette recherche met clairement en évidence un éclairage et une meilleure compréhension des déterminants du risque de crédit, et sa pertinence à promouvoir les politiques de gestion de ce risque, d’où une meilleure performance des banques. The general question of this study is to understand the impact of credit risk on the performance of Canadian banks. The results allow to confirm that effective management of credit risk has a positive effect on the performance of Canadian banks and that increasing credit risk leads to a decrease in financial and stock market performance. The results also confirm that certain ratios such as debt to deposit and debt to asset positively affect operational performance. This research clearly highlights a clarification and a better understanding of the determinants of credit risk, and its relevance to promote policies for managing this risk, hence the better performance of 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,253
Score d'incertitude au seuil0,510

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,214
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueRevue Organisations & territoiresMême sujetInsurance and Financial Risk ManagementTravaux en français237 207