The measurement and regulation of shadow banking in Ireland
Notice bibliographique
Résumé
Purpose The purpose of this paper is to study financial vehicle corporations (FVCs) and other special purpose vehicles (SPVs) in Ireland. Design/methodology/approach The paper is based on a database of FVCs that are a central part of the shadow banking sector in Ireland. The database is derived from a European Central Bank (ECB) list of securities and from filings in Company Registration Office, Dublin. Findings Tax concessions are very valuable and has resulted in zero or close-to-zero effective tax rates. Although described as “bankruptcy remote”, FVCs/ SPVs in Ireland are associated with several banks that failed. Central Bank data are inconsistent with revenue data and have resulted in regulatory gaps. The main economic benefit to Ireland consists of payments to certain service providers. Research limitations/implications A complete population of FVCs/SPVs has not been used. Ownership of FVCs/SPVs has not been identified with consequent implications for identifying risk to the sponsoring firm or guarantor. Practical implications The study indicates data deficiencies in Central Bank data, with consequent implications for regulation and measuring the size of the shadow banking sector, and failure of FVCs/SPVs described as bankruptcy remote. Social implications The shadow banking sector has been a key source of instability and risk transference in the recent past. Research and understanding is vital to prevent a future occurrence. Originality/value There are no publicly available databases of individual FVCs/SPVs in Ireland. Hence, research on granular data is limited. The study develops a database derived from lists of securities published by the ECB. The study also relies on a database derived from company house records.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».