The impact of COVID-19 and bank capital ratio on loan changes of ASEAN-5’s banking industry
Notice bibliographique
Résumé
The COVID-19 pandemic has affected economies around the world, including the banking industry, and this depends on various factors. The aim of this study is to understand the influence of COVID-19 independently and through the moderation of bank capital ratios on changes in loans of Association of Southeast Asian Nations 5 (ASEAN-5) banking industry players. The study uses a sample of 86 banking companies listed on the stock markets of Indonesia, Malaysia, the Philippines, Singapore, and Thailand from the first quarter of 2018 to the fourth quarter of 2020 by employing the panel data regression technique. The results showed that COVID-19 had a significant negative effect on changes in bank lending. However, a bank’s capital ratio was not found to play a role in moderating the effect of COVID-19 on changes in bank lending. These findings have three main implications: (i) the role of the government in recapitalization and liquidity injection can eliminate differences in behavior between banks with the classification of capital ratios; (ii) there are no signs of zombie lending in ASEAN-5’s banking industry; and (iii) regulating incentives to change bank lending behavior in future crises must take into account that bank capital categorization will not be effective. AcknowledgmentThis study was made possible with the support of a research grant by Universitas Indonesia number NKB-533/UN2.RST/HKP.05.00/2022.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».