The Impact of Macroeconomic Variables on Credit Risk: Evidence Regarding Sustainable Lending in ASEAN Countries
Notice bibliographique
Résumé
This research examines the hypotheses that macroeconomic variables and environmental factors impact credit risk.This study focuses on the relationship between macroeconomics, environmental issues, and credit risk in ASEAN countries.This study applies a panel Autoregressive Distributed Lag (ARDL) model to data from the World Bank for the 2008-2019 period.The variables studied include non-performing loans (NPLs), Gross Domestic Product (GDP) growth, interest rates, inflation, and carbon emissions.The research results show that environmental factors do not affect NPLs, while macroeconomic factors do.GDP growth and inflation reduce NPLs while rising credit interest rates increase NPLs.The results imply credit risk is not considered sustainable lending.Credit risk does not consider environmental degradation as measured by increases in carbon emissions.From cross-country evidence, the effect of environmental degradation on credit quality is not found in all countries.Indeed, if environmental quality is considered, environmental degradation will be detrimental to operational and financial performance, especially for heavily polluting firms.However, poor ecological quality will harm operational and financial performance.In addition, business entities within the framework of sustainable loans have collateral consequences for business activities aimed at reducing pollution, which has implications for increasing costs.For decision-makers, both regulators and banks, in the future, banking credit distribution must seriously consider implementing sustainable lending through green credit policy schemes.Green credit schemes need to involve collaboration with banks and incorporate environmental factors into the loan portfolio.Empirically implementing green credit can improve bank financial performance and firm environmental, social, and governance (ESG) performance.
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 | 0,002 | 0,008 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».