MétaCan
Menu
Retour à la cohorte
Enregistrement W4405427779 · doi:10.3390/jrfm17120563

Does Profitability Moderate the Relationship Between the Leverage and Dividend Policy of Manufacturing Firms in Nigeria and South Africa?

2024· article· en· W4405427779 sur OpenAlexvenueno aff
Ovbe Simon Akpadaka, Musa Adeiza Farouk, Dagwom Yohanna Dang, Musa Inuwa Fodio

Notice bibliographique

RevueJournal of risk and financial management · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWorking Capital and Financial Performance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)Profitability indexDividend policyBusinessDividendFinanceMathematics

Résumé

récupéré en direct d'OpenAlex

This study examines the moderating role of profitability in the relationship between leverage and dividend policy in listed manufacturing firms in Nigeria and South Africa. Using a sample of 915 firm-year observations from 2013 to 2022, the analysis employs panel Tobit regression to manage the censored nature of dividend data, with logistic regression applied as a robustness check. The findings reveal a negative association between leverage and dividend payout ratio for Nigerian firms, while this association is less pronounced and statistically insignificant in South Africa, reflecting a more flexible financial environment. Profitability strengthens the leverage–dividend policy relationship in Nigeria, enabling firms to maintain dividends despite high leverage; however, this moderating effect is weaker in South Africa. These results underscore the importance of context-specific financial strategies, recommending that Nigerian policymakers improve access to affordable credit, while South African policymakers focus on sustaining market stability. This study advances the understanding of dividend policy in emerging markets by clarifying how leverage and profitability interact to shape dividend practices.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,017
Tête enseignante GPT0,220
Écart entre enseignants0,203 · 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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

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