Les banques islamiques sont-elles si islamiques que cela ? Conséquences en matière de fonds propres réglementaires
Bibliographic record
Abstract
En théorie, les banques islamiques sont des institutions qui appliquent le concept de partage de profits et de pertes (PPP). Néanmoins, la littérature montre que, dans la pratique, les banques islamiques reposent essentiellement sur des opérations commerciales (non-PPP) et marginalement sur les instruments PPP. Dans cet article, nous démontrons que le type d'intermédiation privilégié par les banques islamiques n'est pas très différent de celui des banques conventionnelles. Tout d'abord, nous analysons les activités pratiquées par les banques islamiques à la lumière d'un modèle d'intermédiation pur et d'un modèle hybride. Ensuite nous montrons que les banques islamiques pratiquent le concept de PPP au passif du bilan, mais les opérations commerciales non-PPP à l'actif du bilan. Ainsi le contrat mourabaha représente à lui seul près de 80 % du total des activités des banques islamiques. Enfin nous démontrons à partir d'un échantillon de 656 banques dont 116 islamiques que le type d'intermédiation privilégié par les banques islamiques les rend plus capitalisées en matière de fonds propres réglementaires pondérés et non pondérés par le risque que leurs homologues conventionnelles. Classification JEL : G20, G21, P43.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".