Factors Affecting Non-Performing Loans of Commercial Banks in Malaysia
Notice bibliographique
Résumé
With the economy’s growth, the banking industry expands, and the competitiveness intensifies with the increased number of banks. Nevertheless, its non-payment also leads to huge losses for banks and the country. One of the critical determinants of the banking sector's performance is the loans advanced to get the profit. Therefore, the loans and their repayments are used as the comparison. Specifically, banks note their repayments seriously, and those default loans are declared non-performing loans (NPLs). Thus, NPL indicates a country’s banking system’s health. This study investigates the factors influencing Non-Performing Loans (NPLs) in the commercial banking sector of Malaysia from 2012 to 2021. NPLs are considered a crucial indicator of the banking system's health and the overall economic health of a country. The study examines the relationship between bank-specific and macroeconomic factors and their impact on NPLs. The bank-specific factors analyzed are loan-to-deposit ratios, capital adequacy ratios, and bank size. In contrast, macroeconomic factors are unemployment, inflation, and gross domestic product. Data were collected from published annual reports, the World Bank website, and DataStream navigators for ten years from 2012 to 2021, involving 26 commercial banks in Malaysia. Data analysis includes Descriptive Analysis, Correlation, Multicollinearity, and Multiple Regression Analysis using SPSS version 20 software. The result indicates that loan-to-deposit ratio, bank size, unemployment rate, and gross domestic product significantly impact the NPLs in the Malaysian Commercial Banks industry. Meanwhile, the capital adequacy ratio and inflation rate did not affect the NPLs in Malaysia.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».