Changing Graph Use in Corporate Annual Reports: A Time‐Series Analysis
Notice bibliographique
Résumé
Abstract Graphs in corporate annual reports form part of a powerfully designed annual report package that offers considerable potential for “impression management.” The primary purpose of this paper is to determine whether graph use depends on corporate performance. Time‐series analysis, not previously used in the financial graphs literature, allows discretionary changes in graph use by companies to be identified and related to changes in individual companies' corporate performance over time. Based on the prior financial graphs and accounting choice literature, we develop two hypotheses that relate changes in graph use to changes in corporate performance. These hypotheses focus on the aggregate and individual company levels. We base our analysis on the corporate annual reports of 137 top UK companies that were in continued existence during the five‐year period from 1988 to 1992. At both the aggregate and individual company levels, we find the decision to use key financial variable (KFV) graphs, the primary graphical choice, to be associated positively with corporate performance measures. This finding is consistent with the manipulation hypothesis ‐ that is, that financial graphs in corporate annual reports are used to “manage” favorably the reader's impression of company performance, and hence that there is a reporting bias.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,009 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».