Bibliographic record
Abstract
Admati, Demarzo, Hellwig, et Pfleiderer (ADHP, 2018) font remarquer que les modèles statiques d’endettement optimal supposent que les entreprises n’ont aucune dette à l’origine. Dans ce cas, le levier qui maximise la valeur de l’entreprise maximise aussi la richesse des actionnaires initiaux. Toutefois, à l’aide d’un simple modèle à deux périodes avec une dette zérocoupon et un défaut possible seulement à l’échéance, ADHP prouvent deux résultats surprenants : (i) quand il existe une dette antérieure, il ne sera jamais dans l’intérêt des actionnaires de réduire le levier, peu importe le niveau plus ou moins élevé de l’endettement actuel ; (ii) il sera dans l’intérêt des actionnaires de procéder à des rondes séquentielles de financement par dette supplémentaire, et ce jusqu’à ce que l’avantage fiscal de la dette soit épuisé : il s’agit de l’effet d’engrenage de l’endettement (EEE). Une conclusion qui suit immédiatement est que les modèles (statiques) à une ronde d’émission optimale de dette sans dette préexistante génèrent de mauvaises prévisions au sujet du levier optimal de l’entreprise. Nous examinons cette affirmation dans le cadre d’un modèle de dette différent, avec un refinancement à un taux proportionnel m et une maturité moyenne de 1/ m , tel que présenté par Leland (1994a). Nous montrons que lorsque la maturité moyenne de la dette est nettement plus longue que 5 ans, un montant considérable de dette sera en effet émis par la suite, même si l’émission cesse bien avant que les avantages fiscaux soient épuisés. Avec une maturité moyenne de 5 ans, il y a très peu de dette supplémentaire émise selon différents calibrages raisonnables. Avec une maturité moyenne de 3 ans, il n’y a pas d’émission de dette supplémentaire et il peut même être optimal pour l’entreprise de racheter de la dette, en contradiction avec le EEE. Nous expliquons pourquoi notre modèle génère ces différents résultats.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.024 | 0.001 |
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".