THE IMPACT OF CLIMATE CHANGE ON THE RISK-TAKING LEVEL OF CHINESE COMMERCIAL BANKS: EMPIRICAL EVIDENCE FROM CHINESE LOCAL COMMERCIAL BANKS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
China’s risk disasters caused by climate change have increased the risk-taking level of China’s commercial banks, posing a threat to the stable development of financial markets. Based on the data from 152 commercial banks in China from 2011 to 2021, this paper uses the fixed effect model to analyze the effect and mechanism of China’s climate change on the risk-taking level of Chinese commercial banks. The main conclusions are as follows. (1) Climate change has significantly improved the risk-taking level of Chinese commercial banks. The results remain significant under the robustness and endogenous tests, such as dealing with endogenous problems, changing variables and adjusting sample intervals. (2) The results of heterogeneity analysis show that under different regions and different types of conditions, the impact of climate change on the risk-taking level of China’s commercial banks is heterogeneous, and the impact is stronger in urban commercial banks and eastern China. (3) The direct economic losses caused by natural disasters caused by climate change affect the risk-taking level of Chinese commercial banks; however, the adjustment of ex ante disaster insurance can weaken the impact of climate change on the risk-taking level of Chinese commercial banks. This paper studies the impact of climate change on the risk-taking level of Chinese commercial banks from the perspective of bank risk-taking level, which is of great significance to enhance the risk prevention awareness of Chinese commercial banks in response to climate change.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle