MétaCan
Menu
Retour à la cohorte
Enregistrement W3122187350 · doi:10.5089/9781513554488.001

In the Eye of the Storm Firms and Capital Destruction in India

2020· article· en· W3122187350 sur OpenAlexaff
Martino Pelli, Jeanne Tschopp, Natalia Bezmaternykh, Kodjovi Eklou

Notice bibliographique

RevueIMF Working Paper · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensToronto Metropolitan UniversityUniversité du Québec à MontréalUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésProductivityCreative destructionBusinessShock (circulatory)Capital (architecture)Industrial organizationProduction (economics)ManufacturingPanel dataStock (firearms)Monetary economicsEconomicsCommerceMarket economyMarketingMicroeconomicsMacroeconomics

Résumé

récupéré en direct d'OpenAlex

This paper examines the response of firms to capital destruction, using a new measure of firm exposure to tropical storms as a negative exogenous shock on firms’ capital stock. Drawing on a panel of Indian manufacturing firms between 1995 and 2006, we establish that, depending on their strength, storms destroy up to 75.3% of the fixed assets of the median firm (in terms of its productivity and industry performance). We quantify the response of firm sales within and across industries and find effects akin to Schumpeterian creative destruction, where surviving firms build back better. Within an industry, the sales of less productive firms decrease disproportionately more, while across industries capital destruction leads to a shift in sales towards more performing industries. This build-back better effect is driven by firms active in multiple industries and, to a large extent, by shifts in the firm-level production mix within a firm’s active set of industries. Finally, while there is no evidence that firms adjust by investing in new industry lines, firms tend to abandon production in industries that exhibit lower comparative advantage.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,038
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,024
Tête enseignante GPT0,207
Écart entre enseignants0,183 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIMF Working PaperMême sujetFirm Innovation and GrowthTravaux en français237 207