The Effects on Financial Leverage and Performance: The IFRS 16
Notice bibliographique
Résumé
This paper analyses the potential impacts of the introduction of a new accounting standard, International Financial Reporting Standard 16 (IFRS 16) – Leases, on financial leverage and performance of entities. This new accounting standard was introduced on 13 January 2016, and will become effective on 1 January 2019; it will have material impacts on the financial statements of listed companies adopting IFRS and change the basic principles of the current accounting system. Our aim is to estimate the impacts of the application of IFRS 16 on listed issuers of financial statements and the different impacts that the new standard could have in different activity sectors. This research estimates the effects of IFRS 16 on the ratios of debt/total assets, EBITDA/revenues and debt/equity. The conclusions summarize the effects on entity performance and net financial position. The research shows that in the financial statements of the lessee, there will be important changes. In particular, in the balance sheet, there will be an increase in lease assets, an increase in financial liabilities and a decrease in equity, while in the income statement, there will be an increase in EBITDA and an increase in finance costs. The impact of the application of IFRS 16 will be different depending on the use of operating lease contracts among the different business sectors. Leases are an important and flexible source of financing; listed companies, using IFRS and U.S. GAAP, are estimated to have around US$ 3.3 trillion in lease commitments. Finally, this study aims to analyse the possible impacts of communication of entities, focusing on alternative performance measures.
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 | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».