MétaCan
Menu
Retour à la cohorte
Enregistrement W3158813257 · doi:10.3390/math9090975

Core Predictors of Debt Specialization: A New Insight to Optimal Capital Structure

2021· article· en· W3158813257 sur OpenAlexaff
Kanwal Iqbal Khan, Faisal Qadeer, Mário Nuno Mata, Qurat ul An Sabir, Jéssica Nunes Martins, José Filipe

Notice bibliographique

RevueMathematics · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésCapital structureDebt ratioDebtDebt-to-capital ratioDebt levels and flowsBusinessDebt-to-GDP ratioSenior debtInternal debtExternal debtWeighted average cost of capitalFinanceMonetary economicsStock exchangeEconomicsProfit (economics)Return on equityEconomic capitalEquity ratioMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Debt structure composition is an essential topic of discussion for the management of capital structure decisions. Researchers made extensive efforts to understand the criteria for selecting debts, specifically, to know about the reasons for debt specialization, concealed in identifying its predictors. This question is essential not only for establishing the field of debt structure but also for the financial managers to design corporate financial strategy in a way that leads to attaining an optimal debt structure. Sophisticated financial modeling is applied to identify the core predictors of debt specialization, influencing the strategic choices of optimal debt structure to address this issue. Data were collected from 419 non-financial companies listed at the Karachi Stock Exchange from 2009 to 2015. This study has validated debt specialization by showing that short-term debts maintain their position over the years and remain the most popular type of loan among Pakistani firms. Further, it provides a comprehensive view of the cross-sectional differences among the firms involved in debt specialization by applying a holistic approach. Results show that small, growing, dividend-paying companies, having high expense and risk ratios, followed the debt specialization strategy. This strategy enables firms to reduce their agency conflicts, transaction costs, information asymmetry, risk management and building up their good market reputation. Conclusively, we have identified the gross profit margin, long-term debt to asset ratio, firm size, age, asset tangibility, and long-term industry debt to asset ratio as reliable and core predictors of debt specialization for sustainable business growth.

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
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
Métarecherche0,0010,003
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 savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,027
Tête enseignante GPT0,220
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 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'étudeSans objet
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

Citations21
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematicsMême sujetCorporate Finance and GovernanceTravaux en français237 207