Risk Management Practices and Financial Performance: Analysing Credit and Liquidity Risk Management and Disclosures by Nigerian Banks
Notice bibliographique
Résumé
Nigerian banks encounter persistent difficulties in efficiently managing and disclosing credit and liquidity risks, considerably affecting their financial performance and shareholders’ confidence. This study, therefore, examined the effect of risk-management practices and disclosures on the financial performance of Nigerian commercial banks. The population of the study comprised 13 Nigerian commercial banks, of which 12 were purposively chosen, subject to data availability. The data explored in this study originate from World Development Indicators and the annual reports and accounts of the selected Nigerian commercial banks from 2012 to 2023. The data analysis technique used was panel regression analysis, which was further extended to the generalized method of moments in a bid to account for potential endogeneity. The study made use of EViews 12 software to analyse the data. The results reveal that liquidity risk disclosure and firm size had significant and positive effects on financial performance, while credit risk disclosure, credit risk, firm age, and leverage had significant and negative effects. This study concludes that credit risks significantly undermine commercial banks’ financial performance, as an upsurge in non-performing loans results in reduced financial performance. Conversely, effective liquidity risk disclosure characterized by transparent reporting on liquidity position was found to enhance financial performance. This study, therefore, recommends, among others, that banks should strengthen their credit risk assessment framework and enhance transparent risk reporting to improve performance and financial stability.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».