Modeling Firm Dynamics to Identify the Cost of Financing
Notice bibliographique
Résumé
Economic development requires the growth of productive …rms. However, …nancing constraints may limit …rms’investment abilities. This paper estimates the cost of …nancing constraints to …rms, for example in terms of idle investment opportunities, and their aggregate implications. To this end, I develop and estimate a dynamic model of …rm-level investment. The model allows me to deal with the main identi…cation problem faced by work that studies …nancing constraints, namely to identify the investment opportunities and the constraints of a …rm separately. The model also allows for other potential explanations of the observed phenomenon, in particular adjustment costs and uncertainty. I solve the model using dynamic programming methods and estimate it via simulation methods, using …rm level data from Ghana. Counterfactual analyses are then carried out to quantify the importance of …nancing constraints. These counterfactuals indicate that removing the constraints would imply economically signi…cant increases in investment that are associated with higher levels of consumption. I am grateful to Steve Berry, Chris Timmins, and Chris Udry for advice throughout this project. I also would like to thank Pat Bayer, Sigga Benediktsdottir, Hanming Fang, Garth Frazer, Nicola Fuchs-Schündeln, George Hall, Ethan Ligon, John Rust, and participants at several workshops for very helpful comments. I thank Cletus Kosiba
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».