|
1. ابدالی، ع.، خادم، س.، و جاریانی، ک. (1399). بررسی عوامل مؤثر بر معوق شدن مطالبات بانک قوامین (مورد مطالعه: استان خراسان شمالی). کنفرانس علمی پژوهشی دستاوردهای نوین در مطالعات علوم مدیریت، حسابداری و اقتصاد ایران. SID. https://sid.ir/paper/900173/fa 2. ابراهیم‌زاده، م. (2019). بررسی عوامل مؤثر در وصول مطالبات سررسید گذشته و معوق بانکها (مطالعهٔ موردی: شعب بانک مهر اقتصاد غرب استان مازندران). مطالعات نوین بانکی، 2(2)، 289-312. 3. ابوالحسنی، م.، صمدی، س.، و واعظ برزانی، م. (1400). تعیین اثرات کوتاه‌مدت و بلندمدت متغیرهای کلان اقتصادی و بانکی بر حجم مطالبات معوق بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران (1396-1386). فصلنامهٔ مطالعات اقتصادی کاربردی ایران، 10(37)، 201-233. 4. ابوالحسنی، ا.، شایگانی، ب.، و جمشیدنژاد، ا. (1400). بررسی اثر مطالبات غیرجاری بانک‌های دولتی و خصوصی بر رشد اقتصادی ایران. پژوهشنامهٔ اقتصاد کلان Macroeconomics Research Letter, 16(31), 155-178. doi: 10.22080/iejm.2022.21981.1869 5. بخشنامهٔ شماره مب/2823 مورخ 05/12/1385 بانک مرکزی 6. حمیدیان، م.، بن گریز، ف.، و ابوالفتحی، ح.. (1397). شناسایی و رتبه‌بندی ابزارهای تشویقی مؤثر بر وصول مطالبات بانکی (مطالعه موردی: بانک تجارت در استان خوزستان). پژوهشنامهٔ اقتصاد و کسب‌وکار، پیاپی 20 40-56. 7. قاسم‌دخت، ن.، رضوی، ح. (1402). مدیریت ریسک تضامین در یک مؤسسهٔ مالی. پژوهش‌های اقتصادی ایران، 28(95)، 157-192. 8. کردمنجیری، س.، داداشی، ا.، خشنود، ز.، و غلام نیاروشن، ح. (1399). شناسایی عوامل مؤثر بر مطالبات غیرجاری بانکها با استفاده از شبکه‌های عصبی و الگوریتم ماشین بردار پشتیبان. مدلسازی اقتصادی، 14(1 (پیاپی 49))، 127-151. SID. https://sid.ir/paper/393548/fa 9. گودرزی، ا.، رضایی زاده، م.، ولی‌خانی، م.، و شیروانی جوزدانی، ع. (1401). اولویتبندی مؤلفه‌های وصول مطالبات معوق در سیاستگذاری نظام مالی بانک سپه، https://civilica.com/doc/1569092 10. Asfaw, A. S., Bogale, H. N., & Teame, T. T. (2016). Factors affecting non-performing loans: case study on development bank of Ethiopia central region. International journal of scientific and research publications, 6(5), 656-670. 11. Atoi, N. V. (2018). Non-performing loan and its effects on banking stability: Evidence from national and international licensed banks in Niger. CBN Journal of Applied Statistics (JAS), 9(2), 3. [ DOI:10.33429/Cjas.09218.3/6] 12. Bellotti, A., Brigo, D., Gambetti, P., & Vrins, F. (2021). Forecasting recovery rates on non-performing loans with machine learning. International Journal of Forecasting, 37(1), 428-444. [ DOI:10.1016/j.ijforecast.2020.06.009] 13. Berger, A. N., Frame, W. S., & Ioannidou, V. (2016). Reexamining the empirical relation between loan risk and collateral: The roles of collateral liquidity and types. Journal of Financial Intermediation, 26, 28-46. [ DOI:10.1016/j.jfi.2015.11.002] 14. Fianto, B. A., Maulida, H., & Laila, N. (2019). Determining factors of non-performing financing in Islamic microfinance institutions. Heliyon, 5(8). [ DOI:10.1016/j.heliyon.2019.e02301] [ PMID] [ ] 15. European Central Bank. (2017). Guidance to banks on non-performing loans. Guidance to Banks on Non-Performing Loans. Banking Supervision Division, 1-131. 16. Leonard, Natalie (2021). Turkey saving deposit insurance fund bank recapitalization (2000-2001). The Journal of Financial Crises: 3(3), 705-719, 2021, Available at SSRN: https://ssrn.com/abstract=3981879 or http://dx.doi.org/10.2139/ssrn.3981879 [ DOI:10.2139/ssrn.3981879] 17. Louzis, D. P., Vouldis, A. T., & Metaxas, V. L. (2012). Macroeconomic and bank-specific determinants of non-performing loans in Greece: A comparative study of mortgage, business and consumer loan portfolios. Journal of Banking & Finance, 36(4), 1012-1027. [ DOI:10.1016/j.jbankfin.2011.10.012] 18. Nawai, N., & Shariff, M. N. M. (2010). Determinants of repayment performance in microcredit programs: A review of literature. International Journal of Business and Social Science, 1(2). 19. Ozili, P. K. (2019). Non-performing loans and financial development: New evidence. The Journal of Risk Finance, 20(1), 59-81. [ DOI:10.1108/JRF-07-2017-0112] 20. Rezaei, J. (2015). Best-worst multi-criteria decision-making method. Omega, 53, 49-57. [ DOI:10.1016/j.omega.2014.11.009] 21. Sahoo, S. K., & Goswami, S. S. (2023). A comprehensive review of multiple criteria decision-making (MCDM) methods: Advancements, Applications, and Future Directions. Decision Making Advances, 1(1), 25-48. [ DOI:10.31181/dma1120237] 22. Sivamayilvelan, K., Rajasekar, E., Vairavasundaram, S., Balachandran, S., & Suresh, V. (2024). Flexible recommendation for optimizing the debt collection process based on customer risk using deep reinforcement learning. Expert Systems with Applications, 124951. [ DOI:10.1016/j.eswa.2024.124951] 23. Taherdoost, H., & Madanchian, M. (2023). Multi-criteria decision making (MCDM) methods and concepts. Encyclopedia, 3(1), 77-87. [ DOI:10.3390/encyclopedia3010006] 24. Ye, H., & Bellotti, A. (2019). Modelling recovery rates for non-performing loans. Risks, 7(1), 19. [ DOI:10.3390/risks7010019] 25. Zanoni, M., Antonijevic, M., Fenu, A., Palmisano, A., & Redaelli, R. (2019). NPL classification a random forest approach. 26. Zhang, D., Cai, J., Dickinson, D. G., & Kutan, A. M. (2017). Non-performing loans, moral hazard and regulation of the Chinese commercial banking system. Journal of Banking & finance, 63, 48-60. [ DOI:10.1016/j.jbankfin.2015.11.010] 27. Zhang, X., Zhang, Y., Scheffel, E., & Zhao, Y. (2022). A key driver for the mixed relationship between loan risk premiums and collateral: Evidence from China. International Review of Financial Analysis, 83, 102206. [ DOI:10.1016/j.irfa.2022.102206] |
