The value of hard business credit i

The value of hard business credit information fully mirrors
the results for the previous regression models, in which we included all four attributes of business credit information (columns
(1) and (2)). Put differently, the hard business credit information
is the key factor that drives our previous results. This finding has
an interesting parallel to the recent research on sources of private information in banking (e.g., Mester et al., 2007; Norden
and Weber, 2010). Related studies document that proprietary
information on credit line usage and checking account activity
help banks better predict borrower defaults and manage their
credit relationships with firms. Norden and Weber (2010) show
that these benefits are most pronounced in the case of SMEs
and individuals but rather weak for large firms. That result is
consistent with our finding on the importance of hard business
credit information, which initially was private information of
the firm, its supplier, and their banks before it was shared with
others through the credit bureau. We find a positive impact of
FIRMS_PER_EMPLOYEE on the value of hard business credit
information in model (2).

ผลลัพธ์ (ไทย) 1:

ค่าของข้อมูลสินเชื่อธุรกิจยากเต็มกระจก
ผลลัพธ์สำหรับโมเดลถดถอยก่อนหน้านี้ ซึ่งเราได้รวมคุณลักษณะ 4 ทั้งหมดของธุรกิจข้อมูลเครดิต (columns
(1) และ (2)) นำแตก ข้อมูลสินเชื่อธุรกิจยาก
เป็นปัจจัยสำคัญที่ไดรฟ์ของผลลัพธ์ก่อนหน้านี้ finding นี้ได้
ขนานน่าสนใจการวิจัยล่าสุดบนแหล่งข้อมูลส่วนตัวในธนาคาร (เช่น Mester et al., 2007 Norden
และ แบ่งแยก 2010) ที่เกี่ยวข้องกับการศึกษาเอกสารที่ฟทร์แวร์
ข้อมูลเครดิตบรรทัดการใช้งานและตรวจสอบบัญชีกิจกรรม
ช่วยธนาคารในการทำนายค่าเริ่มต้นการกู้ และจัดการดีของ
เครดิตความสัมพันธ์กับ firms Norden และแบ่งแยก (2010) ดู
benefits เหล่านี้ส่วนใหญ่ออกเสียงในกรณีที่ SMEs
และบุคคล แต่ค่อนข้างอ่อนแอใน firms ขนาดใหญ่ ผลคือ
สอดคล้องกับ finding ของเราในความสำคัญของธุรกิจยาก
เครดิตข้อมูล ซึ่งเริ่มต้นข้อมูลส่วนตัวของ
firm ผู้จำหน่าย และธนาคารของพวกเขาก่อนที่จะถูกใช้ร่วมกับ
ผ่านสำนักงานสินเชื่อผู้อื่น เราบวกกับผลกระทบของ find
FIRMS_PER_EMPLOYEE ค่าของสินเชื่อธุรกิจยาก
ข้อมูลในแบบจำลอง (2)

ผลลัพธ์ (ไทย) 2:

ค่าของข้อมูลสินเชื่อธุรกิจอย่างหนักอย่างเต็มที่สะท้อน
ผลสำหรับรุ่นที่ถดถอยก่อนหน้านี้ที่เรารวมทั้งสี่ลักษณะของข้อมูลสินเชื่อธุรกิจ (คอลัมน์
(1) และ (2)) ใส่ที่แตกต่างกันข้อมูลสินเชื่อธุรกิจอย่างหนัก
เป็นปัจจัยสำคัญที่ผลักดันผลการก่อนหน้านี้ Nding ไฟนี้มี
ขนานที่น่าสนใจในงานวิจัยล่าสุดเกี่ยวกับแหล่งที่มาของข้อมูลส่วนบุคคลในธนาคาร (เช่น Mester et al, 2007. Norden
และเวเบอร์, 2010) การศึกษาที่เกี่ยวข้องกับเอกสารที่เป็นกรรมสิทธิ์ของ
ข้อมูลเกี่ยวกับการใช้วงเงินสินเชื่อและการตรวจสอบการทำงานของบัญชี
ธนาคารดีขึ้นช่วยให้การคาดการณ์ค่าเริ่มต้นผู้กู้และการบริหารจัดการของพวกเขา
ความสัมพันธ์ของสินเชื่อที่มีอาร์ไฟ Norden และเวเบอร์ (2010) แสดงให้เห็น
ว่าสิ่งเหล่านี้ TS ประโยชน์ไฟที่เด่นชัดที่สุดในกรณีของ SMEs
และบุคคล แต่ค่อนข้างอ่อนแอสำหรับ RMS ไฟขนาดใหญ่ ผลที่
สอดคล้องกับ Nding ไฟของเราเกี่ยวกับความสำคัญของธุรกิจอย่างหนัก
ข้อมูลเครดิตที่แรกคือข้อมูลส่วนตัวของ
RM Fi, ผู้จัดจำหน่ายของตนและธนาคารของพวกเขาก่อนที่จะถูกใช้ร่วมกันกับ
คนอื่น ๆ ผ่านเครดิตบูโร เรา fi ครั้งที่ผลกระทบเชิงบวกของการ
FIRMS_PER_EMPLOYEE กับมูลค่าของสินเชื่อธุรกิจอย่างหนัก
ในแบบจำลองข้อมูล (2)

ผลลัพธ์ (ไทย) 3:

ค่าของข้อมูลเครดิตทางธุรกิจที่ยากอย่างกระจก
ผลสำหรับตัวแบบการถดถอยก่อนหน้านี้ ที่เราทั้งสี่ลักษณะของข้อมูลสินเชื่อธุรกิจ ( คอลัมน์
( 1 ) และ ( 2 ) ทำให้แตกต่าง , ข้อมูลสินเชื่อธุรกิจยาก
เป็นปัจจัยสำคัญที่ทำให้ผลงานของเราก่อนหน้านี้ นี้จึงหาได้
น่าสนใจขนานกับงานวิจัยล่าสุดในแหล่งที่มาของข้อมูลส่วนบุคคลในธนาคาร ( เช่น Mester et al . , 2007 ; และนอร์
เวเบอร์ , 2010 ) การศึกษาที่เกี่ยวข้องกับเอกสารที่เป็นข้อมูลการใช้บัตรเครดิต

กิจกรรมและตรวจสอบบัญชีช่วยให้ธนาคารดีกว่าคาดการณ์เริ่มต้นกู้และจัดการความสัมพันธ์ของสินเชื่อ
กับถ่ายทอดเรื . และทำให้เวเบอร์ ( 2010 ) แสดง
เหล่านี้ดีจึง Ts เด่นชัดมากที่สุดในกรณีของ SMEs
และบุคคล แต่อ่อนแอ rms จึงใหญ่ ที่สอดคล้องกับผล
ของเราจึงหาในข้อมูลสำคัญของธุรกิจบัตรเครดิต
อย่างหนัก ซึ่งเริ่มมีข้อมูลส่วนบุคคลของ
จึง RM , ผู้ผลิต , และธนาคาร ก่อนที่จะถูกใช้ร่วมกันกับผู้อื่นผ่านทางเครดิตบูโร
. เราจึงมีผลกระทบในเชิงบวกของ
ครั้งfirms_per_employee กับค่าของข้อมูลเครดิต
ธุรกิจอย่างหนักในรูปแบบ ( 2 )