Corporate Financial Leverage in Canadian Manufacturing: Consequences for Employment and Inventories
Notice bibliographique
Résumé
Abstract This paper investigates the link between financial structure and employment growth and the link between financial structure and inventory growth, among incorporated Canadian manufacturers over the period 1988 to 1997. It finds that financially vulnerable firms—smaller firms and those with higher leverage—tend to shed more labour than healthier firms for an equal sized drop in product demand. When a demand shock occurs, a firm with high leverage sheds nearly 10% more employment for than a firm with average leverage. The influence was larger during the recession of 1990–1992 and more significant in sectors that were hit hardest by the recession. This is as one would expect given that credit constraints become more binding during recessions. The influence was also larger in sectors that experienced larger cyclical fluctuations. On average, firms with high leverage also tend to cut inventories more (+5%) when a shock in demand occurs. Résumé Cette étude porte sur le lien entre la structure financière et la croissance de l'emploi et des inventaires des fabricants canadiens constitués en société au cours de la période allant de 1988 à 1997. On observe que pour une certaine baisse dans la demande de produits, les entreprises financièrement vulnérables—c'est‐à‐dire celles qui sont de petite taille ou qui ont un ratio de levier financier élevé—ont tendance à réduire davantage leurs effectifs que les entreprises en meilleure santé financière. Lorsqu'un choc à la baisse survient dans la demande de produits, les coupures d'emploi sont près de 10 % plus élevées dans les entreprises avec un ratio de levier financier élevé, en comparaison avec les entreprises dont le ratio se situe dans la moyenne. Cette influence était plus marquée durant la récession de 1990 à 1992, et était plus significative dans les industries qui ont été plus durement touchées par la récession. Ce résultat n'est pas surprenant dans la mesure où les conditions de crédit sont plus contraignantes en période de récession. Enfin, les entreprises avec un ratio de levier financier élevé tendent à réduire davantage leurs inventaires (dans une proportion de 5 %) lorsque survient un choc de la demande.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 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 ».