Global assessment of the COVID-19 impact on IFRS 9 loan loss provisions
Notice bibliographique
Résumé
Purpose This article aims to analyze the impact of COVID-19 measures by governments and central banks on International Financial Reporting Standards (IFRS) 9 loan loss provisions (LLPs). Changes in the total amount of LLPs, distribution of outstanding loan balance among IFRS 9 stages and credit risk parameters used for calculation are investigated for each world region where banks report under IFRS. Design/methodology/approach Data for a global selection of 105 banks reporting under IFRS were collected from 2019 to 2020 annual reports, financial statements, and Pillar III reports. These data provide the basis to empirically analyze the impact of COVID-19 on LLPs. Findings In most world regions Stage 2 balances increase while Stage 3 balances remain comparatively stable. The credit risk parameters used for computing LLPs remained stable in 2020. However, in China, the impact of COVID-19 on banks was not detected. Mean Stage 1 balances for Chinese banks increased slightly during the pandemic. Aside from the COVID-19 impact, we find that LLPs, credit risk parameters, and loss absorption capacities are significantly lower for banks in Canada, Oceania and Western Europe compared to those in the rest of the world. Originality/value There exists previous research examining the COVID-19 impact on financial stability, implementation of emergency rules and country-wide analyses to anticipate default rates depending on recovery scenarios. However, this is the first global study on the immediate impact of COVID-19 on LLPs. It reveals the significant differences between world regions and provides implications about their resilience against future credit shocks.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».