Knowledge spillover in corporate financing networks: embeddedness and the firm's debt performance
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
Abstract Building on social embeddedness theory, we examine how the competencies and resources of one corporate actor in a network are transferred to another actor that uses them to enhance transactions with a third actor—a strategic process we dub ‘network transitivity.’ Focusing on the properties of network transitivity in the context of small‐firm corporate finance, we consider how embedded relations between a firm and its banks facilitate the firm's access to distinctive capabilities that enable it to strategically manage its trade‐credit financing relationships. We apply theory and original case‐study fieldwork to explore the types of resources and competencies available through bank–firm relationships and to derive hypotheses about how embedded bank–firm relationships affect the strategy of small‐ to medium‐sized firms. Using a separate large‐scale data set, we then test the generalizability of our hypotheses. Our qualitative analyses show that embedded bank–firm ties provide special governance arrangements that facilitate the firm's access to bank‐centered informational and capital resources, which uniquely enhance the firm's ability to manage trade credit. Consistent with our arguments, our statistical analyses show that small‐ to medium‐sized firms with embedded ties to their bankers were more likely to take lucrative early‐payment trade discounts and avoid costly late‐payment penalties than were similar firms that lacked embedded ties—suggesting that social embeddedness beneficially affects the financial performance of the firm. Copyright © 2002 John Wiley & Sons, Ltd.
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 | 0,000 |
| 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 | 0,001 | 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 découle