Notice bibliographique
Résumé
Firms engaged in product transactions are financially linked through various financing arrangements, most notably trade credit, yet many aspects of this linkage remain unclear. This dissertation aims to contribute to the understanding of firms' financing choices and their role in the dynamics of firm-to-firm trade relationships, particularly in an international context. In the first chapter, I thoroughly survey the existing theories and empirical evidence related to the use of trade credit. The literature on financing practices between firms offers numerous theories that attempt to explain why suppliers often finance transactions. Additionally, in the international context, several studies have explored how exporters' and importers' choices of finance arrangements are influenced by cross-country differences in contract enforcement and financial market conditions. By linking these theories to existing empirical works, I provide readers with a comprehensive overview of this extensive literature. The second chapter of this study examines the evolution of trade finance usage within trade relationships as they interact more over time. Using transaction-level customs data with buyer and seller identities, I find that within-relationship evolution contributes only minimally to the previously implicated and observed pattern in the existing literature. Specifically, the observation that transactions conducted by older relationships are associated with a higher likelihood of using trade credit than new relationships is primarily driven by compositional effects. Relationships of longer longevity consistently use more trade credit at every stage. Furthermore, the heterogeneity in trade finance use across relationships is primarily explained by variations across exporters and importers, rather than variations across products. The last chapter investigates whether the use of trade finance in trade relationships shaped their reaction to the recent global financial crisis. Using the same dataset as in the second chapter, I find that trade relationships relying more extensively on trade credit experienced significantly smaller reductions in trade value and a smaller increase in exit rates compared to others during the crisis. Moreover, this divergence persisted even after the crisis, suggesting a lasting impact of the shock. The results hold firm when accounting for various fixed effects and applying Inverse Propensity Score Reweighting to make trade relationships using trade credit to different extents more comparable.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».