MétaCan
Menu
Retour à la cohorte
Enregistrement W2557255156 · doi:10.34989/swp-2016-44

Financial Constraint and Productivity: Evidence from Canadian SMEs

2021· preprint· en· W2557255156 sur OpenAlexaffabout
Shutao Cao, Danny Leung

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensStatistics CanadaBank of Canada
Organismes subventionnairesnon disponible
Mots-clésConstraint (computer-aided design)ProductivityFinanceBusinessMeasure (data warehouse)EconometricsEconomicsComputer scienceMacroeconomicsMathematicsData mining

Résumé

récupéré en direct d'OpenAlex

The degree to which financial constraint is binding is often not directly observable in commonly used business data sets (e.g., Compustat). In this paper, we measure and estimate the likelihood of a firm being constrained by external financing using a data set of small- and medium-sized Canadian firms. Our measure separates the need for financing from the degree of constraint, conditional on the need for financing. We find that firm size, the current-debt-to-asset ratio and cash flow are robust indicators that can be used as a proxy for financial constraint. The total debt-to-asset ratio is not, however, a statistically significant indicator of financial constraint. In addition, firms with higher cash flow are less likely to need external financing and to be constrained if they do need it. We then estimate firm-level total factor productivity by taking into account the measured likelihood of binding financial constraint. Estimates of the coefficients for labour and capital in the structural estimation of the production function can be downward-biased if financial constraint is omitted, because production inputs are negatively correlated with the likelihood of being constrained by external financing. This in turn leads to an upward bias of total factor productivity estimates, which is about 4 per cent according to our estimation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,036
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,223
Écart entre enseignants0,189 · 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 tête enseignante, pas un consensus.

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

Citations9
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetFirm Innovation and GrowthTravaux en français237 207