Междуфирмената задлъжнялост в България – проблеми и възможни решения
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
The effective trade credit and debt collection management is a problem that every company faces sooner or later. Pursuant to Euler Hermes, customer receivables usually account more than 40% of a company’s assets and one in ten invoices on average become overdue, many of which end up as unpaid bad debt. According to the estimates and expectations of Bulgarian National Bank for the first quarter of 2022 intercompany indebtedness in Bulgaria is growing, although at a slow pace, which is a prerequisite for the increasing of the bankruptcies number. Ciela Info reports show that the number of companies going bankrupt grows every year. The debtor companies are progressively rescheduling their payments and it is more and more difficult for them to repay their debts. As a result of the COVID crisis and the situation in Ukraine, even the largest companies in the country begin to suffocate and prolong the days of deferred payment. In order to continue to exist, businesses need to take only a well-measured trade risk, which is expressed in the granting of trade credits that do not negatively affect the operating result. This risk needs to be analysed, predicted and managed. The report represents the current state of the intercompany indebtedness in Bulgaria, identifying and analysing the factors that cause its escalation, as well as focusing on possible solutions to deal with the problem.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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