MétaCan
Menu
Retour à la cohorte
Enregistrement W2962505879

The Adoption of Cost-Benefit Analysis as an Indicator for Evaluate the Accounting Performance of Business Entities(The Case Study for Canadian Railway)

2019· article· en· W2962505879 sur OpenAlexaboutno aff
Ali Qasim Hasan Al-Obaidi, Amal Mohammed Salman

Notice bibliographique

RevueAcademy of Accounting and Financial Studies journal · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAccountingSample (material)Management accountingOrder (exchange)BusinessCost accountingProcess (computing)Set (abstract data type)Test (biology)Cost–benefit analysisActuarial scienceOperations managementEconomicsFinanceComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study tested the relationship between the total cost and expected benefits to the project that proposed by top management of company selected. It was based on a key hypothesis that states, the outcome of proper and accurate analysis of the cost-benefit relationship can be considered as an indicator that can be used to assess the financial benefit of the proposed project and at the same time evaluation the accounting performance of the accountants who responsible for carrying out this process. The study contributed to formulating a group of objectives, in order to achieve the main objective of the study and test the main hypothesis, a study sample was chosen (Canadian Railway Co.) by examine a certain case in it related to study. Finally, the study reached a number of conclusions and recommendations, most importantly are, the application of the concept CBA in a proper manner will help the company to obtain a set of benefits, not limited to the assessing of the performance of accountants within company but expanded as to include the encouraging the accounting authorities within country in the selection of best accounting practices and applications that enhancing the accountants duties in future.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,646
Score d'incertitude au seuil0,703

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0060,007
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,053
Tête enseignante GPT0,296
Écart entre enseignants0,244 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Accounting and Financial Studies journalMême sujetAviation Industry Analysis and TrendsTravaux en français237 207