MétaCan
Menu
← Retour à la cohorte
Enregistrement W4293773446 · doi:10.3390/jrfm15090387

How Does Market Competition Affect Shareholder Voting? Evidence from Branching Deregulation in the U.S. Banking Market

2022· article· en· W4293773446 sur OpenAlexafffundvenue
Karel Hrazdil, Jeong‐Bon Kim, Lijing Tong, Min Zhang

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensSimon Fraser University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaNational Natural Science Foundation of China
Mots-clésShareholderDeregulationVotingCorporate governanceCompetition (biology)BusinessProxy votingMonetary economicsMarket economyMarket competitionBanking industryEconomicsFinancial systemAccountingFinancePoliticsPolitical scienceDisapproval voting

Résumé

récupéré en direct d'OpenAlex

Exploiting interstate branching deregulations during 1994–2005 as exogenous shocks to banking market competition, we examine the impact of increased market competition on shareholder voting in the U.S. banking industry. Voting is one of the primary mechanisms through which shareholders participate in corporate governance and “voice” their opinions to company management, yet little is known about how external market environments shape shareholder voting behavior. Using a difference-in-differences design, and a sample of 596 banks (17,783 bank-year proposals), we are the first to provide large-sample, systematic evidence that the intensification of market competition leads to an increase in rates of disapproval for management proposals. We further document that the relation between the two is more pronounced among states with higher degrees of deregulation and weaker levels of pre-deregulation competition. Overall, our findings are consistent with the notion that increased competition among U.S. banks induces more shareholders to vote against management proposals.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,028
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,011
Tête enseignante GPT0,195
Écart entre enseignants0,184 · 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

Citations0
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial management→Même sujetCorporate Finance and Governance→Travaux en français237 207→