MétaCan
Menu
Retour à la cohorte
Enregistrement W3213922643 · doi:10.3390/jrfm14110536

Solvency Risk and Corporate Performance: A Case Study on European Retailers

2021· article· en· W3213922643 sur OpenAlexvenueno aff
Alexandra Horobeţ, Ștefania Cristina Curea, Alexandra Smedoiu Popoviciu, Cosmin-Alin Boţoroga, Lucian Belaşcu, Dan Gabriel Dumitrescu

Notice bibliographique

RevueJournal of risk and financial management · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWorking Capital and Financial Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSolvencySolvency ratioBusinessLiquidity riskMarket liquidityFinancial risk managementMarket riskCredit riskFinancial systemRisk managementMonetary economicsFinanceEconomics

Résumé

récupéré en direct d'OpenAlex

This paper proposes a new approach toward understanding the financial performance dynamics in the EU retail sector (pre-pandemic); we focus on the connection between indebtedness and solvency risk and other areas of corporate performance (e.g., liquidity, assets efficiency, and profitability). Its contribution resides in identifying the drivers behind solvency risk in a sector that went through significant transformations in recent decades, as well as the links between the various areas of performance of retailers, and their impacts on solvency risk, using the machine-learning random forest methodology. The results indicate a declining trend for solvency risk of EU food retailers after the global financial crisis and up until the beginning of the pandemic, which may reflect their maturity on the market, but also an adjustment to legal changes in the EU, meant to equalize the tax advantages of debt versus equity financing. Solvency risk accompanied by liquidity risk is a mark of the retail sector, and our results indicate that the most critical trade that EU retailers face is between solvency risk and liquidity, but is fading over time. The volatility of liquidity levels is an important predictor of solvency risk; hence, sustaining a stable and good level of liquidity supports lower risks of financial distress, and may mitigate the shock impacts for EU retailers. A higher solvency risk was accompanied by increased efficiency of asset use, but reduced profitability levels, which led to higher returns available to shareholders for high solvency risk retailers. Overall, retailers should focus on operational performance evidenced by financial indicator levels than on the volatility of these indicators as predictors of solvency risk.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
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 Opus0,016
Tête enseignante GPT0,195
Écart entre enseignants0,178 · 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

Citations36
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetWorking Capital and Financial PerformanceTravaux en français237 207