Fatores Macroeconômicos e a Taxa de Falência Agregada das FinTechs
Notice bibliographique
Résumé
The innovations provided by FinTechs are consolidating themselves as the main transforming agent of financial services, especially because the technology provided by such businesses, promotes the expansion of access to various products in this segment, stimulates employment, income and economic growth. But even though such startups are interested in the success of their business, many fail and become insolvent. Understanding the factors that contribute to the mortality of these organizations can be an important issue for founders, funding institutions or policymakers, since anticipating a risk situation is essential to trigger preventive or alternative actions that ultimately reduce the cost of an inevitable insolvency. Given the context presented, this study analyzes through a regression model with dynamic panel data, the relationship between the macroeconomic factors and the aggregate rate of bankruptcy of the FinTechs of the ten largest countries in total number of startups according to the Startup Ranking website (2022): United States, United Kingdom, Canada, Australia, India, Germany, France, Brazil, Spain and Indonesia, for the period between 2010 and 2020. The sample consists of 9.970 FinTechs that declared bankruptcy and 137.993 active FinTechs, totaling 147.963 FinTechs. The results showed that stock market activities, the unemployment rate, the opening rate of new FinTechs, the corruption perception index and the quality of regulations are determinants of the aggregate failure of FiTechs and suggest that macroeconomic factors can influence the level of insolvency of developed countries differently from emerging countries.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».