L’influence de la taille sur l’endettement des entreprises industrielles grecques
Bibliographic record
Abstract
Cet article analyse les résultats d’une étude empirique sur l’effet de la taille sur la structure financière des entreprises industrielles grecques. Il fait également une comparaison systématique des résultats obtenus avec ceux d’autres études réalisées sur le même thème en Grèce et à l’étranger. On démontre que la structure financière des entreprises industrielles grecques de grande taille présente certaines caractéristiques stables qui les différencient nettement des grandes entreprises de pays d’un niveau de développement supérieur. Ces caractéristiques sont les taux d’endettement très élevés, sensiblement plus élevés que ceux des entreprises des autres tailles, en particulier vis-à-vis des institutions de crédit. Les déterminants de ces particularités sont recherchés dans l’influence simultanée de deux facteurs : du caractère familial de la majorité d’entre elles et des structures bancaires. Le premier facteur influe au niveau de la structure financière des entreprises en augmentant le coût de financement par émission d’actions et en encourageant une politique de distribution de bénéfices. Les structures bancaires grecques déterminent des pratiques au niveau de la politique de crédit, qui encouragent le surendettement des entreprises de grande taille en diminuant le risque d’endettement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".