Too much of a good thing? The impact of a new bankruptcy law in Canada
Bibliographic record
Abstract
L’adoption par le Canada d’une nouvelle loi sur la faillite plus favorable aux débiteurs a multiplié par dix la proportion des entreprises insolvables optant pour la réorganisation par rapport à la liquidation. Sur la base d’un échantillon aléatoire d’entreprises ayant soumis un plan de réorganisation avant et après la nouvelle loi, nous concluons que, comparativement aux entreprises en réorganisation avant la loi de réforme sur la faillite, les entreprises en réorganisation sous la nouvelle loi sont de plus petite taille, affichent une santé financière plus fragile et déclarent des créances gouvernementales significativement plus élevées. En accordant un pouvoir de négociation accru aux débiteurs, la nouvelle loi sur la faillite a eu deux effects importants sur les créanciers : une réduction de 25 % du taux de remboursement des créances non-garanties et un allongement de la période de réorganisation. L’analyse montre également que la réforme de la loi a eu deux effets non-anticipés. Elle a accru le rôle indirect de l’état dans le financement des petites entreprises insolvables et donné une plus grande incitation aux créanciers garantis à préférer d’autres alternatives à la réorganisation financière en cas d’insolvabilité.
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".