Makroekonomiczne czynniki ryzyka kredytowego w sektorze bankowym w Polsce
Notice bibliographique
Résumé
The article explores key micro- and macroeconomic factors with an impact on credit risk and analyzes the credit risk model prevalent in Poland’s banking sector. Credit risk is one of the most important risks in the banking sector, the author says. He adds that risk management should be subject to strict owner control and regulatory and supervisory measures. On the basis of quarterly data for a period from the first quarter of 1997 to the second quarter of 2013, Wdowiński estimated an error correction model for aggregate credit risk in Poland, as measured by the proportion of non‑performing loans (NPLs) in total loans. The key macroeconomic factors considered by the author were GDP, the interest rate, the unemployment rate, and the exchange rate. An ex post simulation for the 2008–2012 period, based on an adverse macroeconomic scenario for Poland, showed that such a scenario could lead to a marked increase in credit risk for non‑financial enterprises and households, Wdowiński says. As a result of this scenario, the banking sector could be affected by a significant decline in activity and its financial position would deteriorate. This would mean fewer investment opportunities for banks and a decline in their capital position, which would reduce their ability to absorb losses. Such a situation, the author concludes, could lead to “second‑round” effects based on limiting financing for the real economy due to increased credit risk and increased lending margins.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».