Drought risk and audit pricing: a mixed-methods study
Notice bibliographique
Résumé
Purpose Climate change has led to a rise in the frequency, intensity and scope of droughts, posing significant implications for businesses. This study examines the impact of local community drought levels on audit pricing. Additionally, it explores the moderating effects of high-tech industries, auditor busyness and the level of local community concern regarding the drought crisis. Design/methodology/approach This study employs a mixed-methods approach to rigorously test the research hypotheses. The quantitative phase of the study utilizes a sample of 1,278 firm-year observations from Iran’s capital market. For the analysis of the quantitative data, ordinary least squares regression with clustered robust standard errors is used. Additionally, this research supplements its quantitative findings with qualitative evidence obtained through semi-structured interviews with 19 Iranian audit partners. Findings The results suggest that firms operating in provinces facing severe droughts experience notably higher audit fees. Furthermore, the positive relationship between drought and audit fees is weakened when auditors are busy, local community concern regarding the drought crisis is high or the firm operates within high-tech industries. These findings are supported by a range of robustness checks and qualitative evidence gathered from the field. Originality/value This research contributes to the growing literature on climate change by examining the influence of local community drought levels on audit pricing within an Iranian context. Additionally, our study sheds light on how high-tech industries, auditor workload and the level of local community concern regarding the drought crisis moderate the relationship between drought and audit fees. Importantly, our study pioneers in providing mixed-methods evidence of the association between drought severity and audit fees.
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 | 0,003 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».