MétaCan
Menu
← Retour à la cohorte
Enregistrement W2526386518 · doi:10.5539/ibr.v9n11p70

Examining the Relationship between Disproportional Ownership Mechanisms and Company Performance: An Empirical Research

2016· article· en· W2526386518 sur OpenAlexvenueno aff
Sara Saggese

Notice bibliographique

RevueInternational Business Research · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExpropriationShareholderBusinessAccountingCash flowSample (material)Control (management)Empirical researchEmpirical evidenceFinanceIndustrial organizationCorporate governanceEconomicsMarket economyManagement

Résumé

récupéré en direct d'OpenAlex

The paper explores the relation between the use of disproportional ownership mechanisms and firm performance in listed companies. Literature suggests that such tools deviate from the proportionality principle between cash-flow rights and control rights and negatively affect firm outcomes. Differently, some studies emphasize that disproportional ownership mechanisms have a positive effect on company performance as controlling shareholders can be motivated to maximize corporate outcomes, providing outperforming benefits than the potential minority expropriation risk. Moreover, it is still an open issue whether firm performance can be interpreted as determinant of disproportional ownership mechanisms. Therefore, it is an empirical question whether company performance can be considered as an implication and/or a driver of disproportional ownership devices. Moving from these premises, the article relies on a unique hand-collected dataset and examines a sample of Italian listed companies through regression analyses. Findings show that the use of disproportional ownership devices is affected by past company performance and highlight that these ownership tools worsen firm outcomes. The research has both theoretical implications for future studies and practical implications for policy makers.

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)0,003
score de la tête « metaresearch » (Gemma)0,010
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 enseignants0,004
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,356
Tête enseignante GPT0,413
Écart entre enseignants0,057 · 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 revueInternational Business Research→Même sujetCorporate Finance and Governance→Travaux en français237 207→