The DOL-DFL Nexus: The Relationship between the Degree of Operating Leverage (DOL) and the Degree of Financial Leverage (DFL)
Notice bibliographique
Résumé
In the present paper, I have modelled the Degree of Operating Leverage (DOL) and the Degree of Financial Leverage (DFL) using the percentage variations of the economic quantities. I devoted a great effort to encompass the investment dynamic and its financing mix to design a robust model implementable in a business context. The relationship discovered between DOL and DFL is complex and manifold: first, it appears asymmetrical because DOL can influence DFL, but the former is unrelated to the latter. Second, there is an infra-annual relationship measurable through partial derivatives. Eventually, the stress tests shed light on some long-term impacts of one-off shocks even when the steady-state conditions are restored, disclosing an inter-annual relationship. The DOL-DFL nexus appears to be negatively related, but I also discovered positive relations and unrelated conditions. As argued in the economic literature, they cannot always behave as substitutes. The mathematical DOL-DFL model developed can admit positive, negative, and unrelated relations even though management might intervene to choose the right combination. Also, the Business Case shows positive and negative relationships, both at the infra-annual and inter-annual levels. The DOL-DFL nexus depends on circumstances and management decisions. Empirical evidence should find how management uses such a nexus and how effective such decisions have been over time.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».