The Impact of Non-Performing Loans on Credit Growth of Commercial Banks in Cambodia
Notice bibliographique
Résumé
This study investigated how banks’ balance sheet fundamentals shape their credit growth using panel co-integration methods and two estimation methods—pooled mean group (PMG) and dynamic fixed effects (DFE). Both approaches yielded consistent core results. First, weaker asset quality, proxied by higher non-performing loans (NPLs), was strongly and negatively related to credit growth: PMG produced a large negative long-run coefficient, and DFE’s error-correction form confirmed a significant adverse effect, consistent with higher provisioning, thinner capital buffers, and lower risk-taking. Second, capitalization (equity to assets) supported long-run growth under PMG, while DFE—imposing common slopes—did not, suggesting heterogeneous capitalization effects across banks that PMG captured but DFE muted. Third, operating expense intensity showed a positive long-run association with credit growth in both models, consistent with expansionary spending accompanying durable lending rather than costs causing lending. Long-run effects for liquidity and market-risk sensitivity were weaker or mixed: liquidity’s role was imprecise, and market-risk sensitivity was positive in PMG but not significant in DFE, again pointing to cross-sectional heterogeneity. Error-correction terms were large, negative, and highly significant in both models, indicating rapid convergence—near full adjustment within one period, with slight overshooting in DFE. Short-run results showed that higher liquidity and temporary cost spikes dampened contemporaneous growth. Policy implications emphasize sustained oversight of asset quality and prudent capital planning to support long-run credit supply.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».