MétaCan
Menu
Retour à la cohorte
Enregistrement W2887950655 · doi:10.1111/1911-3846.12415

Deviations from the Mandatory Adoption of IFRS in the European Union: Implementation, Enforcement, Incentives, and Compliance

2018· article· en· W2887950655 sur OpenAlexvenueno aff
Grace Pownall, Maria Wieczynska

Notice bibliographique

RevueContemporary Accounting Research · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnforcementInternational Financial Reporting StandardsBusinessAccountingIncentiveEquity (law)European unionEconomicsInternational tradeMarket economy

Résumé

récupéré en direct d'OpenAlex

ABSTRACT In this paper, we evaluate the common assumption that European Union (EU) firms began using international financial reporting standards (IFRS) in 2005 when the EU formally adopted IFRS. Although the incidence of firms using local (or some other) GAAP declined between 2005 and 2012, it is still non‐trivial. By 2012 the incidence of non‐IFRS financial statements was still in excess of 17 percent (87 percent of which were fully consolidated). We estimate a model of the non‐adoption of IFRS as a function of implementation features of the IFRS regulation, country‐specific enforcement, and firm‐specific reporting incentives. As expected, being specifically required by EU‐wide and country‐specific rules to adopt IFRS is positively associated with IFRS adoption but does not constitute a complete explanation. Proxies for enforcement are significantly associated with non‐adoption, but the marginal effects of the enforcement variables are weak. We find that larger firms, firms with foreign operations and more analyst following, and firms that issue new debt and equity were more likely to adopt IFRS, both when the regulation was initially imposed and in subsequent years. We conclude that many EU firms do not use IFRS; that some firms exploited definitions, exemptions, and deferrals to avoid adopting IFRS while some firms simply failed to comply with the regulation; and that firms responded to their incentives in deciding whether to adopt 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)0,009
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,273
Score d'incertitude au seuil0,678

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0010,001
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 Opus0,073
Tête enseignante GPT0,332
Écart entre enseignants0,259 · 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

Citations51
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207