Determinants of Sovereign Credit Rating in BRICS, G7 and NEXT11 Countries: A Comparative Analysis
Notice bibliographique
Résumé
This paper tries to investigate the determinants of sovereign credit ratings from 2016 to 2020. This has been conducted using S&P, Fitch and Moody’s ratings in 23 countries, including G7 (i.e. Canada, France, Germany, Italy, Japan, United Kingdom and United States), BRICS (i.e. Brazil, Russia, India, China, South Africa) and NEXT11 (i.e. Bangladesh, Egypt, Philippines, South Korea, Turkey, Vietnam, Indonesia, Iran, Mexico, Nigeria and Pakistan). Using panel analysis according to GMM technique, results reveal the importance of macroeconomic variables in explaining the sovereign credit rating, where GDP per Capita, GDP Growth, Economic Growth, External Debt, Unemployment Rate, Foreign Reserves and Inflation Rate seem to have significant effects on sovereign credit rating. In addition, robustness checks - using country types as control variables – have supported the significant effects of macroeconomic variables in explaining the sovereign credit rating, with explanation power ranged from 71.1% to 92.5%. Country type seems to have different effects, where including in G7 may have a negative effect on S&P rating, while including in BRICS may have a negative effect on Fitch rating. In addition, including in NEXT11 may have a positive effect on Moody’s rating. This needs to be more elaborated using additional analysis for each country, where investors and policymakers may consider the potential changes in credit rating when taking investment decisions and reviewing market regulations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».