Payout differences between family and nonfamily listed firms: a socioemotional wealth perspective
Notice bibliographique
Résumé
Purpose The objective of this study is to explain family firm payout decisions based on socioemotional wealth (SEW) considerations. Design/methodology/approach A sample of publicly listed Canadian companies is examined for the period from 2003 to 2008. Distinguishing family firms from nonfamily firms, a Probit regression is used to analyze the likelihood of making a payout. For payout firms, regressions are used to analyze the relationship between payout level (dividends and share repurchases) and payout mix and family firms. Findings Results indicate that family firms are more likely to make a payout than nonfamily firms. Among payout firms, the level of payout among payout firms is lower for family firms than for nonfamily firms and their portion of payout in the form of dividends is higher. Lone founder family firms have a lower likelihood of making payouts than other family firms. However, among payout firms, they pay out more than other family firms and have a smaller percentage of their total payout in dividends than other family firms. Research limitations/implications Results are impacted by the definition of what constitutes a family firm. Family ownership was used as a proxy for the underlying SEW considerations. Future research could involve interviews with family firm representatives to investigate the relative importance of SEW considerations in their payout decisions. Originality/value In providing an alternative theoretical framing of family firms’ payout policies, the study suggests that payout differences between family and nonfamily firms may be driven in part by SEW considerations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 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 ».