Bank-specific factors and non-performing loans in the banking sector: Comparative analysis of the Canadian and United States banking sector
Notice bibliographique
Résumé
This study aims to examine the nexus between bank-specific factors and non-performing loans, comparing the level of activities managers undertake towards non-performing loans, using data from Canadian and United States banks. There has been a lack of comparative studies researching the effect of bank-specific factors on non-performing loans in Canada and the United States in a single study of lending behavior and the extent of manager efficiency in mitigating the issue of non-performing loans. Consequently, in bridging the gap in the literature and contributing to knowledge, this study examines the effect of bank-specific factors on non-performing loans using a panel regression analysis of standard fixed and Driscoll-K fixed effects. The study explored credit growth, loan loss provisions, bank diversification, operating efficiency, net interest margin, and return on assets as the explanatory variables to measure bank-specific factors. The results of the regression showed that, comparatively, loan loss provisions, bank diversification, operating efficiency, and net interest margin exhibited positive and significant effects on non-performing loans, whereas credit growth and return on assets exerted negative effects on the non-performing loans of banks listed on the Toronto Exchange. On the other hand, while bank diversification, operating efficiency, and net interest margin exhibited positive and significant effects, credit growth, loan loss provisions, and return on assets exerted negative effects on the non-performing loans of banks listed on the New York Stock Exchange. The study recommends that managers implement stringent credit risk assessment frameworks and ensure a loan monitoring system to proactively manage and reduce non-performing loans.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».