MétaCan
Menu
Retour à la cohorte
Enregistrement W4407821538 · doi:10.1111/jbfa.12860

Corruption and Default Risk: Global Evidence

2025· article· en· W4407821538 sur OpenAlexaff
Sivathaasan Nadarajah, Muhammad Atif, Vincent Tawiah, Jia Liu, Geoffrey Wood

Notice bibliographique

RevueJournal of Business Finance &amp Accounting · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCorruption and Economic Development
Établissements canadiensWestern University
Organismes subventionnairesRMIT University
Mots-clésLanguage changeBusinessEconomicsPolitical sciencePhilosophyLinguistics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT The extant literature explores the consequences of corruption on firms’ growth and survival. However, its impact on default risk remains unexplored. On the basis of a sample of 189,109 firm‐years from 2004 to 2021 across 47 countries, our study reveals that a one standard deviation increase in corruption is associated with an 11.3% increase in default risk. Our channel analysis identifies information asymmetry and managerial risk‐taking as key mechanisms through which corruption influences default risk. This adverse effect is particularly pronounced in countries with opaque information environments, weak governance frameworks and inadequate external monitoring of firms. We further highlight the detrimental impact of corruption on firms’ borrowing costs and banks’ loan performance. Our study emphasizes the importance of enhancing information transparency and implementing stringent control mechanisms as a basis of mitigating corruption's detrimental effects across a range of different socio‐political contexts.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,333
Score d'incertitude au seuil0,337

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
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 savante0,0000,001
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 Opus0,030
Tête enseignante GPT0,326
Écart entre enseignants0,296 · 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

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Business Finance &amp AccountingMême sujetCorruption and Economic DevelopmentTravaux en français237 207