Do Clients’ Enterprise Systems Affect Audit Quality and Efficiency?
Notice bibliographique
Résumé
Abstract Enterprise systems ( ES s) are widely used to support business processes along the enterprise value chain. It has been shown that ES s, by integrating business functions and making information about day‐to‐day activities available, enhance operational transparency and improve the internal information environment. However, while ES ‐based business infrastructures can offer many benefits, their prevalence and increased complexity have also brought new challenges to external auditors. Motivated by the prominence of this issue for auditors and regulators and by the scarcity of research jointly examining ES s and auditors’ work, we investigate whether the presence and extent of client firms’ ES implementations are related to the quality and efficiency of auditors’ work. Using proprietary archival data on ES implementations and controlling for self‐selection, we find that ES implementation improves the quality and efficiency of current and future years’ audit work. Specifically, there are fewer restatements, a greater likelihood of auditors issuing going‐concern opinions to firms that do not survive, higher accruals‐based auditing quality, a lower likelihood of Form 10‐K filing delays, and generally lower audit fees. We further show that the benefits of ES s generally increase with the scope of implementation and are generally greater when the ES includes accounting and finance systems. Inconsistent with improvement in the quality of auditors’ work, we find no evidence that ES s help auditors identify material weaknesses in advance of restatement announcements and we find that, even in the presence of ES s, auditors issue an excessive number of going‐concern opinions to clients that survive.
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 | 0,012 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| 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 ».