MétaCan
Menu
Retour à la cohorte
Enregistrement W2607115274 · doi:10.1108/ara-03-2016-0027

Investment decisions and bank loan contracting

2017· article· en· W2607115274 sur OpenAlexaff
Wenxia Ge, Tony Kang, Gerald J. Lobo, Byron Y. Song

Notice bibliographique

RevueAsian Review of Accounting · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensMcMaster UniversityUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésLoanCollateralBusinessMaturity (psychological)Non-performing loanCorporate governanceCross-collateralizationParticipation loanInvestment (military)Bridge loanShareholderNon-conforming loanCash flowPrincipal–agent problemFinanceSample (material)AccountingAgency costEconomics

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to examine how a firm’s investment behavior relates to its subsequent bank loan contracting. Design/methodology/approach Using a sample of US firms during the period 1992-2011, the authors examine the association between overinvestment (underinvestment) and three characteristics of bank loan contracts: loan spread, collateral requirement, and loan maturity. Findings The authors find that overinvesting firms obtain loans with higher loan spreads. Additional tests show that the effect of overinvestment on loan spreads is generally more pronounced in firms with lower reputation, weaker shareholder rights, and lower institutional ownership. The effect of overinvestment on collateral requirement is mixed, and investment efficiency has no significant relation to loan maturity. Research limitations/implications The results are subject to the following caveats. First, while the study provides empirical evidence that investment efficiency affects bank loan contracting terms, especially the cost of bank loans, the underlying theory is not well-developed. The authors leave it up to future research to provide a theoretical framework to clearly distinguish the cash flow and credit risk effects of past investment behavior from those of existing agency conflicts. Second, due to data limitation, the sample size is small, especially when the authors control for corporate governance measured byG-indexand institutional ownership. Practical implications The finding that overinvestment is costly to corporations suggests that managers should consider the potential trade-offs from such investment decisions carefully. The evidence also alerts shareholders and board members to the importance of monitoring management investment decisions. In addition, the authors find that corporate governance moderates the relationship between investment decisions and cost of bank loans, suggesting that it would be beneficial to design effective governance mechanisms to prevent management from empire building and motivate managers to pursue efficient investment strategies. Originality/value First, the findings enhance understanding of the potential economic consequences of overinvestment decisions in the context of a firm’s private debt contracting. The evidence suggests that lenders perceive higher credit risk from overinvestment than from underinvestment, likely because firms squander cash in the current period by investing in (negative net present value) projects that are likely to result in future cash flow problems. Second, the study contributes to the literature on the determinants of bank loans by identifying an observable empirical proxy for uncertainty in future cash flows that increases credit risk.

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)0,010
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 enseignants0,005
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,028
Tête enseignante GPT0,267
Écart entre enseignants0,238 · 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

Citations9
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Review of AccountingMême sujetCorporate Finance and GovernanceTravaux en français237 207