MétaCan
Menu
Retour à la cohorte
Enregistrement W3124162333 · doi:10.1506/927u-jgjy-35ta-7nt1

Pricing of Initial Audit Engagements by Large and Small Audit Firms*

2006· article· en· W3124162333 sur OpenAlexvenueno aff
Aloke Ghosh, Steven Lustgarten

Notice bibliographique

RevueContemporary Accounting Research · 2006
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAuditDiscountingOligopolyBusinessCompetition (biology)AccountingMarket structureJoint auditIndustrial organizationInternal auditEconomicsMicroeconomicsCournot competitionFinance

Résumé

récupéré en direct d'OpenAlex

Abstract We investigate the extent to which auditors of U.S. companies reduce fees on initial audit engagements (“fee discounting”). We hypothesize that rivalries among sellers, in terms of client turnover and price competition, are more intense among small audit firms. The data support this hypothesis. New clients account for 34 percent of all clients for small audit firms, but only 9 percent of all clients for large audit firms. We theorize that differences in client turnover rates between large and small audit firms can be explained by the market structure of the audit industry, which consists of an oligopolistic segment dominated by a few large audit firms and an atomistic segment composed of many small audit firms. We further hypothesize and confirm that fee discounting is more extensive in the atomistic sector, and our results confirm this hypothesis. Our analysis of audit fee changes indicates that clients who switch auditors within the atomistic sector receive on average a discount of 24 percent over the prior auditor's fee. However, clients who switch auditors within the oligopolistic sector receive on average a discount of only 4 percent. Given that price competition is known to be less intense in oligopolistic markets than in atomistic markets, we believe that market structure theory can explain why fee discounting is lower when larger audit firms compete for clients.

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)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,549
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
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 Opus0,036
Tête enseignante GPT0,296
Écart entre enseignants0,260 · 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.

Devis d'étudeSans objet
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

Citations220
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

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