The impact of climate change on the resilience of banking systems in selected Sub-Saharan economies
Notice bibliographique
Résumé
Climate change is seen as a peril to the overall financial system, yet this revelation is in its infant stage. On that note, this study investigates the impact of climate change shocks on banking system resilience in selected Sub-Saharan economies. The study relies on a quantitative research method by first employing a Generalized Auto Regressive Conditional Heteroskedasticity (GARCH) (1,1) model to forecast the volatility series of the climate change variables. Further, the study applies the panel ARDL model to disseminate the long- and short-term associations between the obtained conditional variances of climate change parameters and banking system resilience within a time frame of 1996-2017 for 29 selected economies. The results show that banking systems in SSA are resilient to temperature shocks in the long-term. However, the study finds that the banking systems in SSA are not resilient to both precipitation and greenhouse gas shocks in the long-term. For the short-term impact assessment, the study finds that banking systems in SSA are resilient to only precipitation shocks. The study concludes that banking sectors in SSA should vigorously conduct stress-testing on climate-related financial risks and also design forward-looking strategies as well as climate change risk management procedures in the wake of climate change events.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».