How to Rate the Financial Performance of Private Companies? A Tailored Integrated Rating Methodology Applied to North-Eastern Italian Districts
Notice bibliographique
Résumé
This paper contributes to solving the puzzle of assessing the financial performance of private/unlisted companies. The inner characteristics of these companies make the adoption of traditional best practices in estimating risk premia difficult or impossible. Moreover, the lack of market data and comparable information biases the perception of corporate performance and generates the misallocation of credit fundings (both quantities and pricing). Hence, in this paper, we develop an Integrated Rating Methodology (IRM) to estimate a more efficient corporate “return-to-risk” measure. Our IRM is rooted in the seminal “certainty equivalent” model as developed by Lintner in 1965, but we modify it using a shortfall approach, and then compute a “confident equivalent” that is compliant with Fischer Black’s zero-beta model as well as the Basel agreements. An empirical application of the approach is conducted with a sample of 13,583 non-financial SMEs in the north-east regions of Italy, where there is evidence of inefficient bank financing. We back-test our IRM by rating these companies using corporate financial data during the period 2007–2014, which encompasses both the Great Financial Crisis and the European sovereign debt crisis. Our empirical results depict a clear crowding-out effect of credit allocations when we compare our IRM scoring measure with the actual raising ability and the cost of capital relating to these firms. We find that 36% of companies are underfunded, even if they have a superior IRM score, while 27% of them are funded without merit. Interestingly, this last figure is in line with the average non-performing loan ratio provided by official Italian statistics from 2015 to 2020. Therefore, we conclude that our IRM methodology is promising and may be better at estimating risk financing in small private companies (including start-ups) than internal banking models. These initial results will drive our forthcoming research towards creating an IRM 2.0.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».