Impact of Credit Management on the Financial Performance of Banks: A Case Study of Canadian Banks
Notice bibliographique
Résumé
Credit is of a sensitive disposition not to be treated with utmost vigilance in any\norganization especially in banks which the circumstance is more significant. The aim\nof this study is to investigate the impact of credit management on the financial\nperformance of banks. Panel data analysis was used to analyze the secondary data\ncollected for 8 Canadian banks over the period of 16 years (2000-2015). In this\nstudy, return on assets (ROA) and return on equity (ROE) are used as a measure of\nbanks‟ financial performance whereas non-performing loan ratio (NPLR), loan loss\nprovision ratio (LLPR), loans to deposit ratio (LTDR), loans to asset ratio (LTAR),\ncost per loan asset ratio (CLAR) and total debt to total asset ratio (TDTAR) were\nused as proxies for credit risk. It was found that NPLR, LLPR, LTDR and CLAR\nwere all statistically significant and inversely related to banks‟ financial performance\n(ROA) whereas LTAR was statistically significant and positively related to ROA. On\nthe other hand, NPLR and LLPR were statistically significant and inversely related to\nROE, while LTAR was positively related but LTDR, CLAR and TDTAR were all\nstatistically insignificant. On the basis of the findings, it shows credit risk has a\nnegative influence on financial performance of banks thereby saying good credit\nmanagement is of utmost importance to banks. Therefore, banks need credit to\nsurvive and hence adequate attention needs to be paid to credit administration in\nbanks.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».