MétaCan
Menu
Retour à la cohorte
Enregistrement W853713713

Operational Hedging and Exchange Rate Risk: A Cross-sectional Examination of Canada’s Hotel Industry

2009· article· en· W853713713 sur OpenAlexaboutno aff
Charles Chang, MA Li-ya

Notice bibliographique

RevueCornell Peter and Stephanie Nolan School of Hotel Administration (Cornell University) · 2009
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCurrencyLiberian dollarForeign exchange riskOccupancyRevenueBusinessLocal currencyExchange rateMonetary economicsEconomicsFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Rather than engage in expensive and complicated currency hedging, hotels operating in an international environment can gain similar benefits from their normal operations, including revenue management. An analysis of 1,032 Canadian hotels over a period of over two and one-half years shows that due to exhange rate interactions, ADR, occupancy, and RevPAR increase in weak currency environments, while they decrease in strong environments. As a local currency fluctuates in relation to the dollar, euro, or yen, changes in ADR, occupancy, and (thus) RevPAR offset losses from currency translation in weak environments and modify gains when the currency is strong. When a local currency loses value against the dollar, for instance, travelers consider hotels priced in that currency to be less expensive, even though the nominal price hasn?t changed. Additional travelers who are attracted by "bargain" prices increase occupancy and cause the hotel?s revenue management system to recommend higher rates. Even with higher rates, the hotel?s rates might still be favorable, and the hotel?s revenue per available room would be augmented by both higher room rates and higher occupancy. The implication is that multinational hotel chains have significantly less exposure to foreign exchange risk than implied by traditional hedging practices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,121

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,006
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,019
Tête enseignante GPT0,196
Écart entre enseignants0,177 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCornell Peter and Stephanie Nolan School of Hotel Administration (Cornell University)Même sujetAuditing, Earnings Management, GovernanceTravaux en français237 207