ECONOMIC ECOSYSTEMS: EXPLORING THE SYMBIOTIC RELATIONSHIP BETWEEN INTEREST RATES, PRODUCT PRICES, AND TRADE CREDIT TERMS
Notice bibliographique
Résumé
This study investigates the impact of trade credit on the effectiveness of monetary policy transmission, addressing the empirical observation that trade credit tends to mitigate the effects of central bank actions. To elucidate this phenomenon, we develop a partial equilibrium model that incorporates third-degree price discrimination and menu costs. Our primary finding reveals that optimizing credit terms and product prices yields minimal net present value (NPV) gains compared to the minute menu costs associated with short-term interest rate adjustments during low-inflation periods. Consequently, credit terms and product prices remain relatively stable over time, in alignment with empirical evidence presented by Ng, Smith, Smith (1999), and Mateut (2005). Furthermore, our model provides insights into the Meltzer (1960) hypothesis, suggesting that trade credit experiences less volatility than bank credit in the context of monetary policy transmission. This implies that firms strategically set trade credit terms to maximize NPV while considering menu costs, thereby rationalizing certain credit channel-related empirical phenomena. The paper also explores parallels between trade credit dynamics and exchange rate pass-throughs, shedding light on the effectiveness of monetary easing during a pandemic. These findings contribute to a deeper understanding of the intricate relationship between trade credit and monetary policy, with potential implications for policy design and implementation.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,000 | 0,004 |
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 tête enseignante, 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 ».