MétaCan
Menu
Retour à la cohorte
Enregistrement W2409096933 · doi:10.5296/ijafr.v6i1.9581

The Impact of IFRS Adoption on Accounting Conservatism in the European Union

2016· article· en· W2409096933 sur OpenAlexaff
Daniel Zéghal, Zouhour Lahmar

Notice bibliographique

RevueInternational Journal of Accounting and Financial Reporting · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensWilfrid Laurier UniversityInstitute on GovernanceUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAccountingAccrualConservatismEuropean unionOriginalitySample (material)BusinessInternational Financial Reporting StandardsEmpirical researchValue (mathematics)Empirical evidencePolitical scienceInternational tradePoliticsLawEarnings

Résumé

récupéré en direct d'OpenAlex

Purpose –The purpose of this study is to analyze mandatory IFRS adoption’s impact on accounting conservatism. Design/methodology/approach – Our empirical study is conducted on a sample of 15 European countries, observed from the year 2000 to 2010. We analyze both conditional and unconditional conservatism, which we measured, respectively, by timely bad news recognition as compared to recognition of good news and discretionary accruals. Findings – The results of the empirical study confirm a significant reduction of accounting conservatism in the IFRS adoption period. This reduction is affected by the accounting model prevailing in a particular country. Moreover, the study shows a reduction of the gap between the two accounting models in the post-IFRS adoption period. Practical implications – The results obtained would be relevant for many decision makers such as investors, standard setters, IASB, European Union countries as well as those wishing to adopt International Standards. Originality/value – Our study complements and enriches the existent literature about the impact of the International Standards adoption. It dresses an important issue in a relatively long period to better assess the impact of IFRS.

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)0,010
score de la tête « metaresearch » (Gemma)0,045
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,526
Score d'incertitude au seuil0,963

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,045
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,260
Écart entre enseignants0,245 · 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

Citations22
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Accounting and Financial ReportingMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207