MétaCan
Menu
Retour à la cohorte
Enregistrement W2414094054 · doi:10.5539/jpl.v9n4p58

Investigating the Policy of International Trading Companies of Iran in Using Letters of Credit

2016· article· en· W2414094054 sur OpenAlexvenueno aff
Atefe Ghasemi, Azita Mallahi, Hadiseh Sadeghi, Mohammad Reza Hatamiasdabadi

Notice bibliographique

RevueJournal of Politics and Law · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueLaw, logistics, and international trade
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPaymentBusinessPersianLetter of creditAccountingActuarial scienceMonetary economicsFinancial systemFinanceEconomicsTheology

Résumé

récupéré en direct d'OpenAlex

Letters of credit play a crucial role in international trade. In this study, we investigate the most preferable characteristics of letters of credit for the international trading companies in Iran. We seek to investigate which kind of guarantee (commercial L/C or standby L/C) they prefer to secure the performance of their client's obligations. Studied companies were 20 international trading companies in Tehran, from which 50 experts were participated in our survey study. For measuring the participants and their policy in using letters of credit, a questionnaire in Persian was designed. For analyzing data we used statistical tests (One-sample t-test). Data showed that being a guarantee, integration, documentary conditions, and secondary payment mechanism are four important reasons for international trading companies in Iran to use letters of credit in their contracts. Statistical results showed that “being a guaranteed credit” is the most important factor with a mean of 3.660 ± 1.135.Also, we found significant relationship between these four factors and the L/C usage policy (p <0.01, and p< 0.05). We concluded that they mostly prefer standby letters of credit for securing their transactions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,282
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Politics and LawMême sujetLaw, logistics, and international tradeTravaux en français237 207