MétaCan
Menu
Retour à la cohorte
Enregistrement W2901364562 · doi:10.6000/1929-7092.2018.07.31

The Impact of the Central Bank Key Rate and Commercial Banks Credit Rates on Creating and Maintaining of a Favorable Investment Climate in the Country

2018· article· en· W2901364562 sur OpenAlexvenueno aff
Peter Brusov, Tatiana Filatova, Natali Orekhova, V.L. Kulik, Irwin Weil, Andrey Brailov

Notice bibliographique

RevueJournal of Reviews on Global Economics · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Issues in Ukraine
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProfitability indexNet present valueLeverage (statistics)Investment (military)DebtFinanceBusinessMonetary economicsInvestment valueFinancial systemEconomicsMacroeconomicsMathematics

Résumé

récupéré en direct d'OpenAlex

Paper is devoted to study of the impact of the Central Bank key rate and commercial banks credit rates on creating and maintaining of a favorable investment climate in the country. Within the framework of modern investment models created by the authors, the dependence of the efficiency of investments on the level of debt financing within a wide range of values of equity costs and debt capital costs under different project terms (long –term projects as well as projects of arbitrary duration) and different investment profitability coefficients b is investigated. The effectiveness of investments is determined by Net Present Value, NPV. The study is conducted within the framework of investment models with debt repayment at the end of the project term. It is found that NPV depends practically linearly on leverage level L, increasing or decreasing depending on profitability coefficient b and credit rate values k d . The cut off credit rate values k d *, separating the range of increasing NPV(L) from range of decreasing NPV(L), are determined. The Central Bank should keep its key rate at the level which allow commercial banks keep their credit rates below the cut off credit rate k d * values in order to create and maintain a favorable investment climate in the country.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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 seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,032
Tête enseignante GPT0,292
Écart entre enseignants0,260 · 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

Citations51
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Reviews on Global EconomicsMême sujetEconomic Issues in UkraineTravaux en français237 207