Organizational Risk Management and Performance from the Perspective of Fraud: A Comparative Study in Iraq, Iran, and Saudi Arabia
Notice bibliographique
Résumé
This study aimed to examine the impact of enterprise risk management (ERM) on the firm performance of capital markets in developing nations such as Iran, Saudi Arabia, and Iraq. In order to achieve the study’s primary purpose, the economic environments of Iran, Iraq, and Saudi Arabia, three neighboring and developing nations, were examined from 2012 to 2019. The hypotheses were tested using panel regression analysis. According to the data, ERM might boost the return on assets and lower the total assets of Iranian enterprises while raising the total assets of Iraqi firms. In addition, the data demonstrated that ERM decreased sales growth and boosted net profit margins in Saudi Arabian companies. ERM enhanced the return on assets in Iranian enterprises and sales growth in Saudi Arabian firms while lowering sales growth in Iraqi firms. In addition, it was shown that total asset turnover increased in non-fraudulent Iranian companies but fell in their Iraqi counterparts. The outcomes of this study revealed substantial evidence regarding the financial conditions and performance of companies operating in emerging nations. As a result, it can be inferred that ERM efficiency and firm performance can be influenced by the firm’s nature and structure, as the findings in these three economic environments were fundamentally distinct. This research contributed to the literature on ERM as one of the essential elements influencing business performance in emerging economies with varying capital market laws. In addition, the literature and acquired data demonstrate the scope of fraud and its influence on the performance of businesses in developing nations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».