The Geographical, Economic and Legal Regionalization of the Changes in Dividend Payments in the World
Notice bibliographique
Résumé
The dynamic growth of nominal and real values of dividends paid in the world, observed since the last quarter of the twentieth century, is determined by the companies with the largest capitalization. However, the increase in global dividend payments is not the same in all countries and is subject to geographical, economic and legal regionalization. It is also disturbed by economic fluctuations (especially the 2008 crisis) and, more recently, by the COVID-19 pandemic. The paper, using the data from the survey of Janus Henderson Investments, analyses changes in dividend payments in geographical (continents) economic (countries with a similar level of economic development) and legal (countries with similar legal systems) regions by the 1,200 largest companies in the world between 2009 and 2021. Linnear trend models taking into account the COVID-19 pandemic in the world and in separate regions and subregions, as well as the panel partial adjustment model of dividends vs. GDP, were estimated. The conducted research confirmed the impact of different forms of regionalization on the rate of dividend payments by the world’s largest companies. In the years 2009–2021 dividend payments in Australia and Asia grew the fastest. COVID-19 significantly reduced dividend payments in 2020 in Europe. Dividend payments in emerging markets countries grew faster than in developed markets countries and COVID-19 did not significantly reduce payouts on emerging markets. However, it is the developed markets that still provide the vast majority of dividends. The common law system is more favorable to dividend payments.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».