MétaCan
Menu
Retour à la cohorte
Enregistrement W4319296721 · doi:10.3390/jrfm16020093

The Relationship between Intellectual Capital and Audit Fees

2023· article· en· W4319296721 sur OpenAlexvenueno aff
Mahmoud Lari Dashtbayaz, Amjed Hameed Mezher, Khalid Haitham Khalid Albadr, Bashaer Khudhair Abbas Alkafaji

Notice bibliographique

RevueJournal of risk and financial management · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAuditIntellectual capitalStock exchangeBusinessAccountingFinancial statementSample (material)Panel dataInvestment (military)Joint auditCapital marketFinanceActuarial scienceEconomicsInternal auditEconometrics

Résumé

récupéré en direct d'OpenAlex

The present study investigates whether intellectual capital (IC) is related to audit fees and financial statement restatements in companies listed on the Iraq Stock Exchange (ISE). The present study is a pioneer investigation of this topic in emerging markets. Using a sample of all listed companies on the ISE from 2014 to 2020, the research hypotheses are tested with multiple regression based on panel data and the fixed-effects model. The results demonstrate that intellectual capital is positively and significantly related to normal and abnormal audit fees. Moreover, findings indicate direct and significant relationships between intellectual capital components and normal and abnormal audit fees. This means investment in IC components is likely to determine the auditors’ evaluation of a given client’s riskiness. Thus, an efficient IC investment level might be considered a key factor that companies are expected to consider. The findings of this study provide valuable implications for users of financial statements, analysts, and policymakers with information regarding IC, risk determinants, and audit fees. Policymakers can improve market efficiency by implementing regulations that foster IC disclosure as a risk-determinant factor.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,283
Score d'incertitude au seuil0,504

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,019
Tête enseignante GPT0,222
Écart entre enseignants0,203 · 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.

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

Citations12
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207