Accounting Performance and Capacity Investment Decisions: Evidence from California Hospitals
Notice bibliographique
Résumé
ABSTRACT Capacity decisions involve trade‐offs between the cost of capacity and the opportunity costs of lost sales. Accounting researchers posit that accounting performance provides sufficient information about these trade‐offs and thus can be used to formulate simple rules to assist capacity decisions. Empirical research has not examined the role of accounting information in capacity investment decisions at the department level in a multiproduct firm in the presence of social costs. Empirical analyses using department‐level data from California hospitals for the period 1998–2005 show that hospitals are more likely to make capacity investments in departments with high accounting performance. However, in the presence of demand variability, the association between accounting performance and capacity investment is attenuated because of the resulting increase in noise in accounting performance measures. Thus, the weight on accounting performance as a decision tool for capital investments reduces when there is demand variability. Another factor that reduces the weight on accounting performance is capacity utilization. Higher capacity utilization can lead to turning away or rerouting of patients to other hospitals and negatively impacts reputation and quality of care, which increases the hospital's social costs. Hence, hospitals do not require high accounting performance before investing in a department with high capacity utilization. This empirical evidence of the role of accounting performance in capacity investment decisions fills a gap in the capacity investment literature and furthers our understanding of the interactions between accounting performance and the operational determinants of firms’ capacity investment behavior.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».