MétaCan
Menu
Retour à la cohorte
Enregistrement W4404145492 · doi:10.5267/j.uscm.2024.7.021

Bank-specific determinants of credit risk in Islamic banks: Evidence from Middle East

2024· article· en· W4404145492 sur OpenAlexvenueno aff
Abdalla Mohammad Al Badarin, Najeeb Khreis, Mefleh Faisal Mefleh Al-Jarrah, Emad Rafiq Barakat, Zakariya Salameh Shatnaw

Notice bibliographique

RevueUncertain Supply Chain Management · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMiddle EastIslamBusinessCredit riskFinancial systemBank creditActuarial scienceGeography

Résumé

récupéré en direct d'OpenAlex

Credit risk affects the work and reputation of banks. Islamic banks' heavy reliance on debt financing has led to increased interest in credit risk and its management. This paper aimed to identify the bank-specific factors affecting credit risk in Islamic banks, expressed as Non-Performing Finance NPF in the Middle East for the period 2011-2022. The study was based on a panel data analysis of 30 Islamic banks. The findings of study show a significant negative impact of Return On Assets ROA, Capital Adequacy Ratio CAR and size Z on the credit risk. The findings show a significant positive impact of Finance Loss Provision FLP on the credit risk. The findings also show no impact of Finance Expansion FEX, Finance to Deposit Ratio FDR and Capital Ratio CPR on the credit risk. The study showed that increasing the provision for financing losses and capital adequacy helps banks to reduce the impact of credit risks. The study recommends applying cautious lending policies and carefully selecting clients.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,530
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,029
Tête enseignante GPT0,237
Écart entre enseignants0,208 · 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.

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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetIslamic Finance and Banking StudiesTravaux en français237 207