The Capital Structure of Business Start-Up: Is There a Pecking Order Theory or a Reversed Pecking Order? —Evidence from the Panel Study of Entrepreneurial Dynamics
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
Using the Panel Study of Entrepreneurial Dynamics, we study if the problems of asymmetry and opacity of information, asset specificity, agency problem and signaling theory predict the financial structure at inception. Thus, we conduct a study in two steps. First, by analyzing the descriptive statistics, we find that novice entrepreneurs turn first to internal sources of finance. Then, they apply to external debts and finally to equity finance. We prove then the applicability of the Pecking order theory in case of entrepreneurial firms. Second, by analyzing the role of financial theory in predicting the capital structure of entrepreneurial firms we find the following results. In fact, evidence from analyzing the role of information opacity, asset specificity and signaling theory, proves that the main source of finance is equity rather than debt. In the majority of the cases, depth interviews show from studying the financial theory an inverted pecking order. Two main reasons for this pattern can be established. First, entrepreneurs consider debt as a personal liability as it requires to be underwritten by personal guarantees. Entrepreneurs place a self-imposed limit on the extent to which they are prepared to mortgage their assets. Second, entrepreneurs deliberately seek out equity investment as a means of obtaining added value. This external equity which has been viewed as expensive is viewed as good value. A well chosen investor can add business skills and social capital in the form of commercial contacts and access to relevant networks.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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