The Effect of Risk, R&D Intensity, Liquidity, and Inventory on Firm Performance during COVID-19: Evidence from US Manufacturing Industry
Notice bibliographique
Résumé
Because prior knowledge may not generalize to the COVID-19 setting, scholars are racing to test the efficacy of existing theoretical frameworks during COVID-19. Most business studies are conceptual or surveys of damage. The main purpose of the paper is to extend the forthcoming stream that tests firm performance by examining it during COVID-19. We examine the sales growth of 1298 US manufacturers during COVID-19 compared to their pre-COVID-19 baselines. Riskier firms with higher R&D intensities performed better during COVID-19, especially when cash-to-inventory levels were low. This study is among the first to empirically identify actionable predictors of firm performance during COVID-19 via a quantitative analysis of strategies and performance outcomes. Understanding what type of firms perform at higher levels during COVID-19 will help decision makers make more informed decisions moving forward. Employing ordinary least squares (OLS) regression to test our hypotheses, our findings suggest that R&D intensive firms should pivot tactically regarding current asset management, if needed, but not strategically, while prioritizing inventory versus cash retention. The positive effect of inventory versus cash extends theory by suggesting a new boundary condition related to pandemics that reverses the positive link between cash and performance found during crises with more conventional levels of turbulence. Our most important contribution, however, is practical, via the testing of predictors that can help firms during COVID-19. For example, we found that firms with higher levels of operating risk experienced 60 percent more sales growth than risk-averse firms. This knowledge that risk-taking predicted performance during COVID-19 (especially when coupled with a focus on R&D intensity and inventory level) may encourage those that can adopt less risk-averse strategies, while others focus on tactical adjustments or mitigative measures during COVID-19 and future black swan events.
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 ».