Credit Risk Management and the Financial Performance of Deposit Money Banks: Some New Evidence
Notice bibliographique
Résumé
This study examined credit risk management and return on equity of Nigerian deposit money banks (DMBs) twelve (12) years (2010–2021) post-adoption of the common accounting year-end as mandated by the Central Bank of Nigeria (CBN) in 2009. Our data set comprises independent variables of capital adequacy ratio (CAR), liquidity ratio (LQR), loan-to-deposit ratio (LDR), risk asset ratio (RAR), non-performing loans ratio (NPLR), loan loss provision ratio (LLP), and size (SZ). Our dependent variable is the return on equity (ROE). Using a panel data regression analysis, we found that CAR, RAR, NPLR, and SZ are the significant determinants of ROE. We also found that Nigerian DMBs now significantly rely on offshore borrowings in Eurobonds to create risk assets to overcome CBN’s constriction on using local depositors’ funds to create risk assets. Furthermore, we found that shareholders of DMBs with international banking licenses in Nigeria within the study period were not significantly more compensated for their risk exposure than investors in risk-free assets (treasury bills). Therefore, the CBN should continue strengthening its regulatory functions with regular reviews that would compel improvements of the DMBs’ credit risk management systems to mitigate the likely failure of the credit life cycle of granted loans. Additionally, a review of its current regulatory cash reserve ratio of 37.5% is imperative to reduce DMBs’ dependence on offshore funding and its associated foreign exchange risk.
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 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».