MétaCan
Menu
Retour à la cohorte
Enregistrement W3124979482 · doi:10.1177/0148558x17726141

Health Insurer Bargaining Power and Firms’ Incentives to Manage Earnings: Evidence From an Economic Shock

2017· article· en· W3124979482 sur OpenAlexaff
Francesco Bova, Yiwei Dou, Ole‐Kristian Hope

Notice bibliographique

RevueJournal of Accounting Auditing & Finance · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBargaining powerEarningsIncentiveShock (circulatory)BusinessSelf-insuranceAuto insurance risk selectionInsurance policyKey person insuranceEx-anteHealth insuranceActuarial scienceEconomicsLabour economicsHealth careFinanceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Health insurance premiums account for a significant portion of the cost base of U.S. corporations. A recent study finds that health insurance premiums increase for firms that experience positive profit shocks, suggesting that the U.S. health insurance market is not perfectly competitive. Motivated by this finding and the economic importance of health insurance premiums, this is the first study to examine firms’ earnings management incentives in the face of insurance carriers with strong bargaining power. We use an innovative data set for a large sample of U.S. firms with detailed information on insurance premiums and insurance plan characteristics. Using an economic shock to insurance firms’ bargaining power and difference-in-differences tests, we find that firms manage their reported earnings downward when insurance providers have strong bargaining power. We further show that this effect is more pronounced in settings in which there are ex ante reasons to expect stronger incentives to manage earnings downward. We also provide preliminary evidence suggesting that downward earnings management has the intended effect of mitigating future increases in health insurance premiums. Our analyses highlight an inefficient health insurance market as an important determinant of firms’ financial reporting choices.

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)0,003
score de la tête « metaresearch » (Gemma)0,014
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 enseignants0,175
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0030,009
Science ouverte0,0020,001
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 Opus0,014
Tête enseignante GPT0,262
Écart entre enseignants0,248 · 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

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Accounting Auditing & FinanceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207