Le risque des PME québécoises pour les banques l'information d'abord-- : étude empirique des principales causes des taux d'intérêt bancaires relativement élevés
Bibliographic record
Abstract
Ce travail cherche à expliquer les causes des taux d'intérêt bancaires relativement élevés assumés par les PME québécoises. Nous présentons un modèle qui s'inscrit dans le schéma théorique d'une différence dans l'efficience des marchés de crédits selon la taille des entreprises. Ce modèle suppose que l'asymétrie d'information marquant le marché de crédits aux petites entreprises est à l'origine du déséquilibre de marché du crédit. Les estimations, réalisées à partir de données tirées des statistiques du bilan des sociétés non financières du gouvernement du Québec, indiquent une corrélation entre la qualité en terme de risque d'une entreprise et le volume de crédits bancaires à court terme octroyés. Toutefois, cet effet est aléatoire. Nous identifions une relation entre le degré de concentration du marché de crédit local et la fonction de demande de crédits bancaires à court terme des petites entreprises. Ces résultats concordent largement avec ceux trouvés aux Etats Unis [i.e. États-Unis] par Barclay et Smith, 1995, et par Asli Demirguç-Kunt et Vojislav Maksimovic, 1999. Les analyses approfondies qu'on a développé [i.e. développées] permettent d'identifier des effets régionaux fixes sur le volume d'emploi des crédits bancaires à court terme, qui sont particulièrement dominants dans la région administrative de la Gaspésie et des Iles de la Madeleine.
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 | 0.004 |
| 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 | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".