MétaCan
Menu
Retour à la cohorte
Enregistrement W4213073229 · doi:10.1142/s0219091522500011

Other Side of Voluntary Clawback Provisions in Executive Compensation Contracts: Evidence from the Investment Efficiency

2022· article· en· W4213073229 sur OpenAlexaff
Sohyung Kim, Cheol Lee, Santanu Mitra

Notice bibliographique

RevueReview of Pacific Basin Financial Markets and Policies · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésInvestment (military)Monetary economicsBusinessExecutive compensationCompensation (psychology)EconomicsCorporate governanceFinance

Résumé

récupéré en direct d'OpenAlex

This study examines how firm-initiated clawback provisions in executive compensation contracts affect firms’ investment efficiency. While existing the literature provides evidence on positive aspects of adopting clawback provisions, the potential impact of clawback adoption on firms’ long-term investment efficiency remains unexplored. Using three investment proxies (i.e., capital expenditure, new investment, and total investment), we find that clawback adopters tend to reduce their long-term investments after the clawback provisions are put in place, compared to nonadopters. In particular, we find evidence that the adoption of clawback policies decreases the investment efficiency in the post-adoption period, especially for the firms whose ex ante probability of underinvestment is high. Our additional analyses reveal that observed reduction in the investment efficiency for the firms that are likely to underinvest is more evident for the firms with financial constraints and the firms that adopt risk-taking and performance-based clawback triggers. In contrast, the clawback adopters that are likely to overinvest do not change their investment behavior in the post-adoption period. Overall, our findings suggest that the impleme ntation of clawback provisions may lead to unintended consequences for firms’ long-term investment practices, resulting in a decrease in the investment efficiency.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,150
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,020
Tête enseignante GPT0,239
Écart entre enseignants0,219 · 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 tête enseignante, 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Pacific Basin Financial Markets and PoliciesMême sujetCorporate Finance and GovernanceTravaux en français237 207