The Effect of Diversification under Different Ownership Structures and Economic Conditions: Evidence from the Great Recession
Notice bibliographique
Résumé
The effect of corporate diversification on firm performance has been extensively documented in the literature. In the general finance literature, Kuppuswamy and Villalonga (2015) studied the diversification effect during the 2007–2009 financial crisis and found that diversification adds value in the presence of external financing constraints. Motivated by this finding, we investigate whether a similar effect applies to insurance firms and we develop hypotheses for their different ownership structures (stock vs. mutual insurers; and group vs. non-group affiliated insurers). Using a sample of property-liability insurers over a period of 2004 to 2013, we find that the effect of diversification on performance is contingent on ownership structures and economic conditions. The diversification effect for stock insurers and insurers affiliated with a group is not significantly affected by economic conditions. However, the diversification effect for mutual insurers and non-affiliated insurers is reversed during the financial crisis. More specifically, diversified firms with these kinds of ownership structures perform better than focused firms during normal economic conditions, but their performance was significantly worse during the financial crisis. Our results are robust to alternative measures of performance and diversification, and to corrections for endogeneity. Our study contributes to the diversification literature by showing how the effect of diversification varies with ownership structure under different economic conditions and the results shed light on the specific circumstances in which diversification can improve or reduce performance.
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 | 0,001 | 0,000 |
| 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 ».