پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (ISI) به زبان انگلیسی از نشریه الزویر مربوط به سال ۲۰۲۳ دارای ۷ صفحه انگلیسی با فرمت PDF می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی و بخشی از ترجمه فارسی مقاله موجود می باشد.
کد محصول: H864
سال نشر: ۲۰۲۳
نام ناشر (پایگاه داده): الزویر
نام مجله: Finance Research Letters
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۷ صفحه PDF
عنوان کامل فارسی:
مقاله انگلیسی ۲۰۲۳ : نقش محیط زیست، اجتماع و حاکمیت (ESG) در پیش‌بینی درماندگی مالی بانک
عنوان کامل انگلیسی:
The role of Environmental, Social, and Governance (ESG) in predicting bank financial distress
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H864)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی
ما قدرت پیش‌بینی شاخص‌های زیست‌محیطی، اجتماعی و حاکمیتی (ESG) را برای پیش‌بینی درماندگی مالی بانک با استفاده از نمونه‌ای از ۳۶۲ بانک تجاری مستقر در ایالات متحده و ۲۸ کشور عضو اتحادیه اروپا از سال ۲۰۱۲ تا ۲۰۱۹ تجزیه و تحلیل می‌کنیم. نتایج ما نشان می‌دهد که ESG توانایی پیش‌بینی مدل ما را برای شناسایی صحیح درماندگی مالی بهبود می‌بخشد. قابل ذکر است که ESG احتمال طبقه‌بندی نادرست بانک‌های نکول شده/ورشکسته را به‌عنوان بانک سالم به شدت کاهش می‌دهد. مدل ما، که با استفاده از شش رویکرد جایگزین، از جمله تکنیک‌های آماری متعارف، رویکردهای یادگیری ماشین، و روش‌های مجموعه، برآورد می شود، هم دستاوردهای عملی برای ناظران بخش بانکی داشته و هم برای ادبیات پیش‌بینی نکول، پیامدهایی دارد.
کلیدواژه: درماندگی مالی، نکول بانک، مدل‌های پیش‌بینی، ESG
Abstract
We analyze the predictive power of Environmental, Social, and Governance (ESG) indicators to forecast bank financial distress using a sample of 362 commercial banks headquartered in the US and EU-28 members states from 2012 to 2019. Our results demonstrate that ESG improves the predictive capability of our model to correctly identify distress. Notably, ESG strongly reduces the likelihood of misclassifying distressed/defaulted banks as healthy. Our model, which we estimate using six alternative approaches, including traditional statistical techniques, machine learning approaches, and ensemble methods, has implications for both practical implications by banking sector supervisors, as well as literature on default prediction.
Keywords : Financial distress, Bank default, Prediction models, ESG
۱.Introduction
Bank failures, typically costlier to resolve than non-bank failures (El Diri et al., 2021), can impose significant externalities on key stakeholders, including taxpayers. Consequently, predicting bank financial distress remains a critical but difficult task for banking supervisors. Since distress is usually anticipated by several warning symptoms, better understanding of contributory factors can facilitate prompt corrective action, which can mitigate distress, prevent or reduce costs associated with failures, and improving the supervisory process by allowing supervisory bodies to better allocate resources – inter alia, by prioritizing onsite bank examinations (Flannery and Bliss, 2019).
Since the 2008 global financial crisis there has been renewed interest in examining determinants of financial distress (e.g., Soenen and Vennet, 2022), with new early-warning systems developed to detect and prevent severe bank financial distress. Yet, predictive models have almost exclusively focused on accounting variables, which are backwards looking and may represent poor predictors of future performance (Agarwal and Taffler, 2008) .1 Consequently, several authors suggest including additional variables such as market information (Flannery and Bliss, 2019), macroeconomic indicators (Flannery, 1998; Mare, 2015) and non-financial information (Berger et al., 2016) to improve the predictive accuracy of models and the efficacy of bank supervision (Flannery and Bliss, 2019). While macroeconomic variables and market information have been tested (M¨annasoo and Mayes, 2009; Chiaramonte and Casu, 2017), there is only limited evidence regarding the influence of non-financial indicators on bank default probability…
۴.conclusion
We introduce a novel bank financial distress model which incorporates ESG factors. Estimating our model using three broad alternative approaches, our main findings support the inclusion of ESG in predictive models of financial distress. Notably, inclusion of ESG strongly reduces the likelihood of misclassifying distressed banks as healthy. Our findings have implications for bank supervisors in designing effective models to predict bank financial distress and for improving the efficacy of supervisory efforts. Specifically, they suggest that ESG factors be included as potential indicators even in advanced prediction models and empirically confirm an importance of incorporating ESG factors into regulatory authorities’ supervisory mechanisms (European Banking Authority, 2021; Aevoae et al., 2022).