MétaCan
Menu
Retour à la cohorte
Enregistrement W2160990933 · doi:10.1287/mnsc.1110.1339

Mandatory Fair Value Accounting and Information Asymmetry: Evidence from the European Real Estate Industry

2011· article· en· W2160990933 sur OpenAlexaff
Karl A. Muller, Edward J. Riedl, Thorsten Sellhorn

Notice bibliographique

RevueManagement Science · 2011
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensQuest University Canada
Organismes subventionnairesnon disponible
Mots-clésInformation asymmetryBusinessFair valueReal estateAccountingValue (mathematics)Accounting information systemInvestment (military)Real estate investment trustMonetary economicsFinanceEconomics

Résumé

récupéré en direct d'OpenAlex

We examine the effects of mandating the provision of fair value information for long-lived tangible assets on firms' information asymmetry. Specifically, we investigate whether European real estate firms' compulsory adoption of International Accounting Standard 40 (IAS 40; Investment Property), which mandated the provision of investment property fair values in 2005, resulted in reduced information asymmetry across market participants. Using as a control group firms that voluntarily provided these fair values prior to the mandatory adoption of IAS 40, we find that mandatory adoption firms exhibit a larger decline in information asymmetry, as reflected in lower bid–ask spreads. However, we also find that mandatory adoption firms continue to have higher information asymmetry than voluntary adoption firms, which appears partially attributable to the lower reliability of fair values reported by the mandatory adoption firms. Together, this evidence adds to the debate on fair value accounting by demonstrating that common adoption of fair value, even for long-lived tangible assets, under a mandatory reporting regime can reduce, but not necessarily eliminate, information asymmetry differences across firms. This paper was accepted by Stefan Reichelstein, accounting.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,699
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,013
Science ouverte0,0020,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,212
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207