MétaCan
Menu
Retour à la cohorte
Enregistrement W4394998692 · doi:10.1287/mnsc.2022.01703

A Better Estimate of Internally Generated Intangible Capital

2024· article· en· W4394998692 sur OpenAlexaffabout
Aneel Iqbal, Shiva Rajgopal, Anup Srivastava, Rong Zhao

Notice bibliographique

RevueManagement Science · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIntellectual Capital and Performance Analysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésBusinessCapital (architecture)EconomicsIndustrial organization

Résumé

récupéré en direct d'OpenAlex

Internally developed intangibles are not included in reported assets under U.S. generally accepted accounting principles. The omission of this increasingly important class of assets reduces the usefulness and relevance of financial statement analysis, conducted with reported values of equity and assets. Recent studies overcome this deficiency by capitalizing research and development (R&D) expenses to estimate the value of knowledge capital and by capitalizing selling, general, and administrative (SG&A) expenses to estimate the value of organization capital. Those two estimates are then added to reported values for financial statement analysis. For convenience, many studies rely on two rules of thumb and assume them to be equally applicable in all instances: (1) 30% of SG&A and 100% of R&D expenses are investments, and (2) the useful life of SG&A and R&D investments is three and five years, respectively. We propose a more flexible approach by estimating the capitalization and amortization parameters on an industry–year–specific basis. Our modified values of total assets and equity, inclusive of the value of capitalized intangibles, exhibit greater association with future returns and investments compared with as-reported values and values estimated with uniform rules of thumb. We provide a better estimate of intangible capital for the consumers of financial statements. This paper was accepted by Ranjani Krishnan, accounting. Funding: A. Srivastava and R. Zhao acknowledge financial support from the Social Sciences and Humanities Research Council of Canada. A. Srivastava acknowledges financial support from the Canada Research Chairs Program of the Government of Canada. A. Iqbal acknowledges financial support from the Canadian Securities Institute Research Foundation and Chartered Professional Accountants (Alberta) Education Foundation. Supplemental Material: The data files are available at https://doi.org/10.1287/mnsc.2022.01703 .

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)0,002
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0060,004
Études des sciences et des technologies0,0000,000
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,012
Tête enseignante GPT0,240
Écart entre enseignants0,228 · 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'étudeThéorique ou conceptuel
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

Citations16
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetIntellectual Capital and Performance AnalysisTravaux en français237 207