MétaCan
Menu
Retour à la cohorte
Enregistrement W784661111

Research and Development Expenditures, Stock Returns and Sales Growth of Biopharmaceutical Firms (Затраты на Научно-Исследовательскую Деятельность, Доходность Акций и Рост Продаж Биофармацевтических Компаний)

2014· article· ru· W784661111 sur OpenAlexaff
Evgeny Ilyukhin

Notice bibliographique

RevueSSRN Electronic Journal · 2014
Typearticle
Langueru
DomaineEconomics, Econometrics and Finance
ThématiqueInnovation Policy and R&D
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésPortfolioStock (firearms)BiopharmaceuticalFixed assetBusinessInvestment (military)EconomicsMonetary economicsEconometricsFinanceMicroeconomicsProduction (economics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

English Abstract: The study examines the relationship between research and development expenditures, stock prices and sales growth of biopharmaceutical firms. According to the accounting principles generally accepted in the USA, intangible assets are out the balance sheets and firms report research and development expenditures as expenses. In order to demonstrate that this kind of expenditures can be adopted as intangible assets, the standard analysis methods (portfolio and cross-section) and calculations (price- and equally-weighted) have been used. A sample includes 72 biopharmaceutical firms traded in the USA with available accounting data over the period from 2002 to 2012. The firms are sorted on the basis of research and development spending intensity. Both high and low intensive firms have been considered as potential investment targets. Equally-weighted calculations of stock returns and sales growth of biopharmaceutical firms with high intensity of research and development spending find some reasons for buying their stocks while priceweighted ones contradict this suggestion mostly. In addition, the following findings have been made: the research and development intensity level can be used as a selection criterion; the selection criterion based on this intensity level generally underperform traditional selection criteria; sales growth is not always incorporated into stock prices; the ratios research and development to the market and enterprise values are more appropriate for measuring of intensity compared to research and development to sales ratio.Russian Abstract: В работе рассматривается отношение между затратами на научно-исследовательскую деятельность (НИД), доходностью акций и ростом продаж биофармацевтических компаний. В соответствии с общепринятыми принципами бухгалтерского учета в США в балансах нематериальные активы не отражаются, и компании представляют затраты на НИД в качестве расходов. Чтобы продемонстрировать, что данный вид затрат может быть принят в качестве нематериальных активов, были использованы стандартные методы анализа (портфельный и кросс-секционный) и расчетов (взвешенных по цене и равновзвешенных). Образец включает 72 торгуемые в США биофармацевтические фирмы с доступной бухгалтерской отчетностью с 2002 по 2012 г. Компании сортируются исходя из их уровня интенсивности затрат на научно-исследовательскую деятельность. Организации с высокой и низкой интенсивностью рассматриваются в качестве потенциальных объектов для инвестирования. Равновзвешенные доходность акций и рост продаж биофармацевтических компаний с высокой степенью затрат на НИД находят некоторые основания для покупки их акций, в то время как взвешенные по цене в основном противоречат этому утверждению. Кроме того, были сделаны следующие выводы: уровень интенсивности затрат на научно-исследовательскую деятельность может быть использован в качестве критерия отбора; критерий отбора, основанный на данном уровне интенсивности затрат, в целом уступает традиционным критериям отбора; рост продаж не всегда учтен в ценах на акции; коэффициенты научно-исследовательской деятельности к рыночной стоимости и стоимости компании больше подходят для определения интенсивности затрат по сравнению с коэффициентом затрат на научно-исследовательскую деятельность к продажам.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,259
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,005
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,069
Tête enseignante GPT0,321
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetInnovation Policy and R&DTravaux en français237 207