A Study of Banks’ Systemic Importance and Moral Hazard Behaviour: A Panel Threshold Regression Approach
Notice bibliographique
Résumé
This study has two objectives, first, to investigate if the lending behaviour of banks exhibits moral hazard in the Indian Banking Industry, and second, to investigate whether banks’ moral hazard behaviour changes when the systemic importance of the banks is taken into consideration. We studied banks’ moral hazard behaviour by observing the impact of their level of Net Non-Performing Loans (NNPL) on their lending behaviour. This study used threshold panel regression by using 1 year lagged values of NNPL as the threshold variable to find its endogenously determined value that impacts the lending behaviour of the banks. The 1 year lagged value of the NNPL (threshold variable) has been used to depict the level of distress faced by a bank. Assuming that loans may turn bad any year after they are granted, a banks’ lending behaviour has been shown through the relationship between various lags of Loan Growth Rate (LGR) and the contemporaneous values of Net Non-Performing Loans (NNPL). As per our analysis, the loan growth ratio raises NPLs with a relatively higher value when banks are experiencing prior sizable loan losses as compared to when banks are relatively safe, indicating moral hazard behaviour in the Indian banking industry. However, when the systemic importance of the bank is considered, the systemically important banks are found to be engaged in risky lending irrespective of their level of distress, whereas the opposite results are found for the least important 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».