MétaCan
Menu
Retour à la cohorte
Enregistrement W4403103827 · doi:10.1111/1467-8551.12867

Abnormal Temperatures, Climate Risk Disclosures and Bank Loan Pricing: International Evidence

2024· article· en· W4403103827 sur OpenAlexaff
Wenxia Ge, Zhen Qi, Zhenyu Wu, Li Yu

Notice bibliographique

RevueBritish Journal of Management · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSustainable Finance and Green Bonds
Établissements canadiensUniversity of ManitobaWestern UniversityWilfrid Laurier UniversityUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésLoanEconomicsBusinessInternational bankingMonetary economicsFinancial systemFinancial economicsActuarial scienceFinance

Résumé

récupéré en direct d'OpenAlex

Abstract This paper examines the effect of abnormal‐temperature‐related climate risk on bank loan pricing. Using a sample of syndicated loans from 35 countries and jurisdictions, we find that banks charge higher interest rates for borrowers with higher climate risk. We also find that climate risk affects loan spreads of both long‐term and short‐term loans, and this effect is more pronounced for short‐term loans. Our cross‐sectional analyses reveal that voluntary climate risk disclosures in conference calls by borrowers mitigate the impact of climate risk on loan spreads, especially when lead banks have less climate‐risk‐related lending experience. In addition, the borrowing cost of high‐climate‐risk borrowers in the United States decreases after the SEC issued climate risk disclosure guidance. However, the ESG disclosure requirements in 19 other countries, which are not climate‐risk‐specific, do not alter the effect of climate risk on bank loan pricing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,316
Score d'incertitude au seuil0,631

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,228
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Journal of ManagementMême sujetSustainable Finance and Green BondsTravaux en français237 207