Firm Attributes and Corporate Tax Aggressiveness: A Comparative Study of Nigeria and South Africa Banks
Notice bibliographique
Résumé
The aim of this paper is to investigate the link between firm attributes and tax aggressiveness in Nigeria and South Africa. A comparative analysis was carried out on the variables of firm size, age, profitability, leverage, liquidity, complexity, foreign ownership and tax aggressiveness on banks in Nigeria and South Africa. The study employed the longitudinal research design and took a comparative analysis approach. The population consists of the 13 listed commercial banks quoted on the Nigerian Stock Exchange and the 16 local commercial banks listed on the Johannesburg Stock Exchange. The time frame for the study was from 2012-2020. Data collated was analysed using the techniques of descriptive statistic, correlation and panel data regression technique while MAPE and Theil’s inequality coefficient were used in evaluating the forecast abilities of the models. Two alternative measures of tax aggressiveness (GAAP-ETR and D_BTD) were adopted as dependent variables. The panel data collected was analysed. The result of the Nigerian model (using the D_BTD measure) showed that firm size and firm complexity both have a significant positive relationship with tax aggressiveness while firm age and profitability asserted significant negative impacts on tax aggressiveness. The outcome of the South Africa model (using the GAAP-ETR measure) showed that firm age and profitability have a significant negative relationship with tax aggressiveness while firm size and liquidity have significant positive relationships with tax aggressiveness. The study recommends, that regulatory bodies and tax authorities should beam their searchlight on tax saving strategies of small size companies with a view to effectively monitoring their aggressive tax avoidance schemes.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».