A Cross- country study of the effect of institutional ownership on credit ratings
Notice bibliographique
Résumé
A considerable number of studies have examined the relationship between corporate governance (CG) structures and corporate performance (e.g., Yermack, 1996; Gompers et al., 2003; Beiner et al., 2006; Renders et al., 2010; Ntim et al., 2012; Kumar & Zattoni 2013; Griffin, et al., 2014). In contrast, despite its importance as demonstrated by the recent financial crisis, studies examining why and how a corporation’s CG mechanisms might influence its credit ratings are rare (e.g., Switzer and Wang, 2013;Matthies, 2013; Tran, 2014). This research, therefore, seeks to contribute to the extant literature by exploring the effects of (CG) mechanisms on corporate credit ratings. Specifically, using a sample of 200 firms from 10 OECD countries over ten years covering the pre- and post-2007/08 global financial crisis period from Anglo American (i.e., Australia, Canada, Ireland, UK, and US) and Continental European (i.e., France, Germany, Italy, Japan and Spain) traditions and employing a total of 200 listed companies, this paper hopes to achieve a number of objectives. First, the paper attempted to assess the levels of compliance with, and disclosure of, CG principles contained in the 2004 OECD CG Code in firms from two different traditions: Anglo America and Continental Europe. Second, the paper sought to investigate the relationship between CG mechanisms and credit ratings. These relationships will be explored by employing firm-level CG mechanisms (ownership structures measured by Institutional Ownership) by accounting for firm-level control variables (e.g., firm size, growth, profitability, and leverage) based on a multi-theoretical framework that incorporates insights from agency and legitimacy theories. The findings revealed that there was a strong negative relationship between institutional ownership and credit ratings. From the descriptive analysis, it was shown that institutional owners did not have a very high credit rating. When the control variables were assessed, it was shown that they had a negative influence on the credit ratings with sales growth and leverage and positive significant relationship with firm size, corruption index, power distance and Anglo American countries.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».