Bibliographic record
Abstract
Cílem tohoto příspěvku bylo posoudit, do jaké míry vznik mimořádné situace, kterou v roce 2020 a 2021 způsobil SARS-CoV-2, ovlivňuje výnosové oceňování. Dopady na výnosové oceňování podnikatelských subjektů mohou být neutrální, negativní nebo pozitivní podle toho, jak bylo příslušné odvětví ovlivněno SARS-CoV-2. V případě negativního dopadu dochází k poklesu výnosů oproti plánovaným hodnotám v rámci výnosového oceňování, a tedy i ke snížení hodnoty výnosově oceňovaného podnikatelského subjektu. Intenzita tohoto negativního vlivu bude vycházet ze schopnosti daného subjektu vypořádat se s dopady krize neboli z příslušného vnitřního potenciálu tohoto oceňovaného subjektu, a také na tom, zda krize SARS-CoV-2 postihla období v rámci první fáze oceňování nebo až v rámci pokračující hodnoty. Negativní dopad se projevuje především v rámci strategické analýzy i analýzy finanční. Dochází k odlišnému vývoji trhu jako celku, ale ke změnám dochází také vlivem měnících se konkurenčních pozic. I přes krizí způsobené problémy má výnosové oceňování své místo a svojí vypovídací schopnost, přičemž je třeba posílit analýzu vnitřního potenciálu oceňovaného podnikatelského subjektu z hlediska schopnosti čelit případné krizi.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".