Incentive mechanisms, loan decisions and policy rationing
Notice bibliographique
Résumé
Purpose The purpose of this paper is to investigate whether negative incentives in the pay-for-performance mechanism would trigger loan officers to strategically reject potentially good loans. If so, what is the feasible solution to alleviate the problem. Design/methodology/approach A framed field experiment was conducted to test loan decision behaviors using loan officers from Rural Credit Cooperatives in Shandong, China. A 2 by 2 between-subject design was adopted to generate variation in incentives and prior information about credit risks. Findings Results showed that loan officers did ration credit by rejecting more loans when facing risks of personal income loss. However, providing risk information about the application pool boosted the approval rate and offset the behavioral responses by a roughly same magnitude. Research limitations/implications Findings in this study suggest that certain institutional settings can result in credit rationing via strategic loan misclassification. Further, information sometimes generates similar effects as those costly incentives or mechanisms that are not implementable in practice. Originality/value This study adopted an innovative monetized experimental design that allows researchers to examine the (otherwise unobservable) trade-offs between Type I and Type II error in loan misclassification as incentives change. In addition, an anchoring prior information treatment is used to solicit the relative power of almost costless information and costly monetary incentives, and to point out a potentially feasible solution.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».