MétaCan
Menu
Retour à la cohorte
Enregistrement W2605177464 · doi:10.5296/rae.v9i1.10900

Who Really Benefits from Mandatory Adoption of IFRS? A Closer Look at Preparers and Users of Financial Information

2017· article· en· W2605177464 sur OpenAlexaff
Michel Sayumwe, Claude Francœur

Notice bibliographique

RevueResearch in Applied Economics · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensHEC MontréalUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésBusinessAccountingCreditorInternational Financial Reporting StandardsCapital marketAccounting information systemSample (material)EarningsNoticeEuropean unionFinanceDebt

Résumé

récupéré en direct d'OpenAlex

Since 1 January 2005, the European Union (EU) has mandated implementation of International Financial Reporting Standards (IFRS) for preparation of consolidated financial statements for EU-listed firms. This paper analyzes the economic impact of mandatory adoption of IFRS on firms, investors, and creditors. Relying on the positive accounting theory, we study the economic impact of the new conceptual framework of financial information from IASB (2010), especially in paragraph OB2, where investors and creditors are designated as the main users of financial information, and QC 38, which assesses whether the benefits of financial information justify the costs associated with its production and use. Our sample is composed of 2,926 European firms that adopted IFRS in 2005. Results show that firm’s cost of capital declines when comparing data before and after IFRS adoption. For creditors, our results suggest that credit rating improves after IFRS adoption. However, we do not notice any significant difference in the quality of accounting earnings for investors.We also test if these results hold in the presence of asymmetric information, financial dependence and family ownership structure. Our results confirm the above trend. We conclude that the market anticipates the content of accounting data, and that mandatory adoption of IFRS has no impact on investors.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,522
Score d'incertitude au seuil0,529

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 ouverte0,0000,001
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 Opus0,026
Tête enseignante GPT0,254
Écart entre enseignants0,228 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch in Applied EconomicsMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207