MétaCan
Menu
Retour à la cohorte
Enregistrement W3124201454 · doi:10.1111/1911-3846.12345

Financial Statement Quality and Debt Contracting: Evidence from a Survey of Commercial Lenders

2017· article· en· W3124201454 sur OpenAlexvenueno aff
Dain C. Donelson, Ross Jennings, John M. McInnis

Notice bibliographique

RevueContemporary Accounting Research · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAccountingCollateralFinancial statementBusinessSample (material)DebtQuality (philosophy)Balance sheetFinanceAudit

Résumé

récupéré en direct d'OpenAlex

Abstract We survey commercial bank lenders to better understand how they evaluate and react to variation in financial statement quality and how they view recent changes in accounting standards. A unique aspect of this study is that our respondents focus on medium‐size loans to private companies. In fact, more than 90 percent of the survey respondents primarily make credit decisions on loans between $250 thousand and $50 million. This is in contrast to prior archival research, which focuses primarily on very large loans to public firms or very small loans to private firms. We find that lenders in our sample distinguish among financial statements in terms of quality, including conservatism, primarily on the basis of accrual patterns and restatements. While this general result holds throughout our sample, financial statement quality is substantially more important for lenders making larger loans (over $10 million) as compared to very small loans (under $1 million). In addition, bank lenders are much more likely to respond to low‐quality reporting with collateral and guarantee requirements than with an increase in the interest rate charged. This finding is consistent for lenders making both larger and smaller loans. Finally, despite concerns in the academic literature, bank lenders in our sample actually hold a neutral‐to‐positive view of recent changes in accounting standards. In addition, most do not support current efforts to exempt private companies from some accounting standards.

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)0,016
score de la tête « metaresearch » (Gemma)0,152
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante
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 enseignants0,151
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,152
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0020,005
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 Opus0,237
Tête enseignante GPT0,402
Écart entre enseignants0,165 · 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'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

Citations59
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

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