Determinants of External Audit Fees: Evidence from the Banking Sector in Nigeria
Notice bibliographique
Résumé
Studies abound on market structures for audit services in developed economies of the USA, UK, Canada and Australia with abysmal very few on the African continent. Across these studies is the continuous trend of exclusion of the financial sector. This study seeks to provide empirical examination of client attributes which significantly explain variations in the amount of external audit fees charged by bank auditors in Nigeria. A standard audit fee model, modified accordingly, is used to investigate the specific effect of bank size, risks and complexities on audit fees for top ten (10) publicly quoted commercial banks, which constitute over 70% of the total assets of the industry. Multiple OLS regression was adopted as the estimation technique on the panel data gathered through content analysis of annual reports and accounts of these banks over a 4-year post consolidation periods covering 2009-2012. The findings from this study reveal that bank size is also an important factor that is priced by bank auditors having shown a positive and significant influence accounting for 63% variations. Risk proxied by capital adequacy and non performing loans ratios was insignificant but positive and negative respectively; while only the number of branches used to operationalise complexities associated with bank audit displayed a negative and significant influence. The massive deployment of Information Technology (IT) in the industry, especially for the rendering of returns by branches of these banks to their head offices could account for this result. Keywords: Audit fees, External audit, Banking sector, Nigeria.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».