Bibliographic record
Abstract
Kâr kalitesi, firma kârlarının nakit akışlarıyla ne kadar iyi desteklendiğine bağlıdır. Kâr kalitesini ölçebilmek için, karmaşık modellere nazaran uygulanması çok daha pratik olan kâr kalitesi göstergelerini kullanmak mümkündür. Bu makalede, bir firmanın net kârı ile esas faaliyetlerinden nakit akışı arasındaki ilişkiye dair faydalı bilgiler sağlayan bir kâr kalitesi göstergesi ve erken uyarı sinyali olan Artakalan Nakit Marjı (ANM) ayrıntılı olarak incelenmektedir. Net kârlar ve esas faaliyetlerden nakit akışları, uzun dönemler boyunca benzer oranlarda değişmiyorsa, ANM’de görülebilecek tutarsızlıklar, kârların kalitesiz olduğuna işaret edebilir. ANM'de kısa dönemde görülen tutarsızlıklar ise, kârların kalitesiz olduğu anlamına gelmeyebilir. Mevsimsel değişiklikler, konjonktürel olaylar, firmanın yaşam döngüsündeki değişiklikler ve firmaya özgü olaylar, net kârların değişim oranları ile esas faaliyetlerden nakit akışlarının değişim oranları arasında farklılıklara neden olabilir. Ayrıca vurgulamak gerekir ki, ANM’nin amaçları doğrultusunda faydalı olabilmesi, ANM denklemindeki belirli parametrelerde birtakım düzeltmelerin yapılmasına bağlıdır.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.073 | 0.023 |
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".