New CEOs and Old SG&A: Managing Inherited Intangible Assets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT We consider the role of inherited intangible assets in the performance of newly appointed CEOs. Using selling, general, and administrative expenses (inclusive of research and development expenses) to measure investments in intangible assets we find that, on average, CEOs manage inherited intangible assets less well than their own investments in intangibles. Turnovers involving outside successors drive this result. Industry-year and firm fixed effects help rule out explanations that industry conditions or heterogeneity across firms explain our results. The results are robust to controls for the outgoing CEO’s performance and continue to hold on a subsample of firms conducting restructuring activities coincident with CEO turnover. Higher SG&A spending in the final two years of outgoing CEOs’ tenures reduces the likelihood that boards select outside replacements following voluntary turnovers, suggesting boards are aware of the problems of managing inherited intangible assets. Data Availability: The data underlying this article are subject to third-party restrictions. The data that support the findings of this study are available from Standard & Poor’s via its Compustat and Execucomp data products. Restrictions apply to the availability of these data, which were used under license for this study. The forced turnover data come from two sources. Some were provided by Dirk Jenter. We also obtained forced turnover data at https://doi.org/10.5281/zenodo.4543893. Hand-collected data from annual reports are available upon request. JEL Classifications: M40; J24; J41; J63.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle