Financing Constraints and Investment Efficiency in Canadian Real Estate and Construction Firms: A Stochastic Frontier Analysis
Notice bibliographique
Résumé
This article models the behavior of 179 listed and unlisted real estate and construction firms (RECFs) in Canada to study how financial constraints impact the investment efficiency of these real estate firms during the 2004–2020 period. Investment efficiency is interpreted here as the ability and ease of a firm to convert investment opportunities into actual investments. The results show that Canadian RECFs are strongly dependent on two sources of financing: equity financing and debt financing. Equity financing helped ease financing constraints due to a cash flow increase but was unlikely to decrease the uncertainty of follow-up financing of investments of these companies. This study constructed an investment efficiency index (IEI) for all 179 RECF firms. The results showed an investment rate loss of approximately 62% of the RECF firms due to financing constraints during the above period. The IEI of RECFs in Canada has demonstrated a descending pattern, and the investment efficiency level slipped from 0.47 to 0.40 from 2004 to 2020. Furthermore, a regional analysis demonstrates that compared with the RECFs located in Ontario, the investment efficiency indices of RECFs in Quebec and British Columbia were more volatile. Small RECFs demonstrated a very steady trend in investment efficiency during the sample period, which was completely different from the patterns displayed by large and medium RECFs.
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 ».