MétaCan
Menu
Retour à la cohorte
Enregistrement W4280565703 · doi:10.1111/1911-3846.12793

Determinants and Consequences of the Severity of Executive Compensation Clawbacks*

2022· article· en· W4280565703 sur OpenAlexvenueno aff
Bright Asante‐Appiah, Divesh S. Sharma

Notice bibliographique

RevueContemporary Accounting Research · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExecutive compensationExtant taxonAccountingCompensation (psychology)Stock optionsBusinessStock (firearms)EarningsEarnings managementCorporate governanceActuarial sciencePsychologyFinanceSocial psychology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT We examine the determinants and consequences of the severity of executive compensation clawbacks. As one of the most substantial, prolonged, and controversial proposals to reform executive compensation, clawback rules recently regained the SEC's focus. We construct an intuitive clawback severity score and find that clawbacks are considerably heterogeneous and not homogenous as assumed in the literature. Our determinants analyses suggest that clawback severity is increasing in firms with greater board effectiveness and with higher cash and stock awards in director compensation. In contrast, higher director stock option compensation and more powerful CEOs attenuate the severity of clawbacks. The consequences analyses indicate that while severe clawbacks deter financial restatements, management circumvents severe clawbacks by reducing R&D expenses to avoid earnings decreases. One consistent finding throughout our analyses is that the associations are entirely driven by more severe clawbacks. However, we observe that the financial reporting benefits of severe clawbacks can be diminished by the dynamics in the boardroom. Our study extends extant clawback literature, makes a timely contribution to the SEC's decision to reinitiate discussion on clawbacks, and informs various stakeholders interested in the efficacy of clawbacks. Finally, our clawback score can be used to evaluate clawback policies.

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)0,004
score de la tête « metaresearch » (Gemma)0,029
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 enseignants0,004
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,029
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,070
Tête enseignante GPT0,306
Écart entre enseignants0,236 · 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

Citations18
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetCorporate Finance and GovernanceTravaux en français237 207