Public Company Audits and City‐Specific Labor Characteristics
Notice bibliographique
Résumé
Abstract Prior research emphasizes the centrality of audit offices in understanding auditing practices, and documents significant interoffice variation in audit outcomes based on industry expertise and office size. Our study examines how two city‐specific labor characteristics also affect audit offices and local audit markets: the city's average educational attainment, and the number of accountants in a city, which proxy for a city's human capital. Our argument draws on the urban economics literature and predicts that the level of human capital in a city is positively associated with an audit office's ability to conduct high‐quality audits. As expected, there is a positive association between audit quality (quality of audited earnings and accuracy of going‐concern reports) and average education level in the city in which the lead engagement office is located. This association is generally significant for both Big 4 and non‐Big 4 offices, but is relatively stronger for non‐Big 4 firms that are more tied to local labor markets. A company is also more likely to choose a non‐Big 4 auditor in cities with higher educational levels and relatively more accountants, and there is evidence of higher non‐Big 4 audit fees as a city's education level increases. Collectively, these results suggest that local labor characteristics affect audit offices, audit quality, and the ability of non‐Big 4 auditors to compete with Big 4 auditors in the audits of public companies.
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 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».