MétaCan
Menu
Retour à la cohorte
Enregistrement W7132947750

Luottotietosääntelyn muutoksien vaikutukset pankkien luottoriskien hallintaan

2023· dissertation· fi· W7132947750 sur OpenAlexaboutno aff
Juuso Siltanen

Notice bibliographique

RevueTrepo - Institutional Repository of Tampere University · 2023
Typedissertation
Languefi
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésResearch methodologyOrder (exchange)Quarter (Canadian coin)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Pankkien luottoriskien hallinta perustuu sääntelyyn, ohjeistuksiin ja pankkien omaan luottopolitiikkaan. Luotonmyönnön yhteydessä pankit tarkastavat yleensä luotonhakijan tiedot luottotietorekisteristä ja tavallisesti luoton myönnön edellytyksenä on se, että hakijalla ei ole maksuhäiriömerkintöjä. Aikaisemmin maksuhäiriötiedot ovat säilyneet useamman vuoden luottotietorekisterissä saatavan maksamisen jälkeen, jolloin merkinnällä on ollut pitkäaikainen vaikutus luotonhakijalle. Maksuhäiriömerkintöjen pitkät säilytysajat ovat aiheuttaneet yksityishenkilöille kohtuuttoman negatiivisia seurauksia, joiden seurauksena niiden säilytysaikoja on haluttu lyhentää. Lainsäädännön yhdenmukaisuuden vuoksi myös yritysten maksuhäiriömerkintöjen säilytysaikoja on haluttu lyhentää vastaavasti. Vuoden 2024 alussa tulee käyttöön positiivinen luottotietorekisteri, johon tulee tiedot kaikkien luonnollisten henkilöiden ottamista luotoista ja tuloista. Luotonantajat pystyvät tarkastamaan nämä positiiviset luottotiedot luotonmyönnön yhteydessä. Tämän tutkielman tarkoituksena oli selvittää, minkälaisia vaikutuksia maksuhäiriömerkintöjen säilytysajan lyhentämisellä sekä positiivisen luottotietorekisterin käyttöönotolla on pankkien luottoriskien hallintaan. Lisäksi tutkielmassa haluttiin selvittää, kuinka luottotietosääntelylle asetetut yhteiskunnalliset tavoitteet ovat muuttuneet ajan kuluessa. Tutkimus on toteutettu lainopillisena tutkimuksena ja lisäksi luottotietosääntelyn tavoitteiden tutkimisessa asiaa lähestytään oikeuspoliittisesta näkökulmasta. Tärkeimpänä lähteenä on käytetty lainsäädännön ohella lainvalmisteluaineistoja ja lainvalmistelun yhteydessä annettuja asiantuntijalausuntoja. Muina lähteinä on käytetty muun muassa oikeuskirjallisuutta sekä muita oikeudellisia julkaisuja. Tutkimuksessa päädyttiin siihen lopputulokseen, että luottotietosääntelyä on lähdetty toteuttamaan entistä enemmän yksityishenkilöiden asemaa korostaen. Maksuhäiriötietojen säilytysaikojen lyhentämisellä on jonkin verran negatiivisia vaikutuksia pankkien luottoriskien hallintaan, mitkä tulevat esiin erityisesti luoton myönnön yhteydessä. Vastaavasti positiivinen luottotietorekisteri kuitenkin tuo uusia mahdollisuuksia pankeille luotonhakijan maksukyvyn arviointiin liittyen, joten sen vaikutukset luotonantajille ovat positiivisia. Kun arvioidaan luottotietosääntelyn muutoksia ja positiivista luottotietorekisteriä yhtenä kokonaisuutena, on kokonaisuudessaan vaikutukset luottoriskien hallinnalle positiiviset yksityishenkilöille suunnatussa luotonmyönnössä. Yrityksille suunnatussa luotonmyönnössä vaikutukset ovat stabiilimmat, sillä pelkän luottotietorekisterin hyödyntäminen yritysluotonannossa ei ole niin merkityksellistä kuin yksityishenkilöille suunnatussa luotonannossa, ja ainakaan toistaiseksi yritysluottojen tietoja ei tule saataville positiiviseen luottotietorekisteriin.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,607
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,216
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTrepo - Institutional Repository of Tampere UniversityMême sujetTransportation and Mobility InnovationsTravaux en français237 207