The Impact of the Small Business Lending Fund on Community Bank Lending to Small Businesses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Following the financial crisis, total outstanding loans to businesses by commercial banks dropped off substantially. Large loans outstanding began to rebound by the third quarter of 2010 and essentially returned to their previous growth trajectory while small loans outstanding continued to decline. Furthermore, much of the drop in small business loans outstanding was evident at community banks. To address this perceived lack of supply of credit to small businesses, the Small Business Lending Fund (SBLF) was created as part of the 2010 Small Business Jobs Act. The fund was intended to provide community banks with low‐cost funding that they could then lend to their small business customers. As of 31 December, 2013, the US Department of the Treasury reports that SBLF participants had increased their small business lending by $12.5 billion over their baseline numbers. The current paper uses Call Report data from community banks and thrift institutions to look at the impact of receiving funds from SBLF on their small business lending. The analysis controls for economic and demographic conditions, market structure and competition. Simple regression estimates indicate that participants in the SBLF program increased their small business lending by about 10 percent more than their non‐participating counterparts, in line with numbers reported by Treasury. However, estimates that control for the ongoing growth path in small business lending indicate no statistically significant impact of SBLF participation on small business lending.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle