MétaCan
Menu
Retour à la cohorte
Enregistrement W2965337479 · doi:10.5539/ijef.v11n8p138

Potential and Real Operating Leverage

2019· article· en· W2965337479 sur OpenAlexvenueno aff
Marco A. Paganini

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCapital Investment and Risk Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOperating leverageRevenueLeverage (statistics)EconomicsEarnings before interest and taxesEconometricsFinanceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper has been analysed the EBIT dynamic of a firm with high margins, strong revenues growth not paired by an adequate EBIT growth. The concept of the Degree of Operating Leverage developed by the economic literature was useful to highlight such a problem without explaining the root causes. Even standard income statement analyses cannot explain in depth such an unsatisfactory trend without turning to management accounting that was not available, like in many SMEs. The Author used some information coming from income statements, Revenues accounting and the discrimination between Variable and Fixed Costs to investigate the business case. He developed a method that throws light on EBIT dynamic between two financial periods in terms of quantity, mix, price and cost variations either managed or planned by the Top Management. The basic finding is that EBIT dynamic is explained by some parameters in period 1, the past period, and some variations in period 2, the current period. The link between such periods is the Degree of Operating Leverage, declined in an ex-ante measure, already given for the past period, and the variations of the current period that determines its ex-post measure. In this framework becomes immediately glaring how it is possible to find high margins coupled with inadequate EBIT growth and where the faults lie. In general, the method developed is very useful to understand the EBIT dynamic of any firm and to plan its future course more accurately.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,592
Score d'incertitude au seuil0,334

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,206
Écart entre enseignants0,193 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetCapital Investment and Risk AnalysisTravaux en français237 207