Preventing fraudulent financial reporting with reputational signals of strategic auditors
Notice bibliographique
Résumé
Abstract Financial reporting fraud continues to cost companies millions of dollars annually and is a major source of concern for regulators, stakeholders, and auditors. While academic research has largely focused on external auditors' fraud detection efforts, we analyze whether auditors can help prevent occurrences of fraud through low‐cost reputational signals of higher “strategic reasoning”; strategic reasoning refers to strategies that individuals take in light of the anticipated actions of others (see van der Hoek et al., 2005, A logic for strategic reasoning, AAMAS '05, 157−164). Specifically, we consider the potential impact on manager behavior of signaling whether audit professionals use zero‐, first‐, and second‐order audit approaches. Zero‐order audit approaches involve making decisions based mostly on the auditor's incentives, first‐order approaches involve decisions based mostly on the client's incentives, and second‐ or higher‐order audit approaches involve decisions based on the client's incentives while recognizing that the client will respond to the auditor's decisions (see Wilks & Zimbelman, 2004, Accounting Horizons , 18 (3), 173–184). Using a context‐rich experiment in which manager participants have no history of interacting with the auditor, we find that the likelihood of fraud occurring is lower when it is signaled that audit partners and their teams use a first‐ or second‐order strategic audit approach compared to a zero‐order approach, due to an increase in the perceived likelihood of the auditor detecting fraud. We also consider whether signaling an auditor's level of strategic reasoning influences the level of effort used to conceal fraud and find an increase in the expected level of fraud effort for managers in the first‐ and second‐order audit conditions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».