Voluntary cybersecurity risk disclosures and firms’ characteristics: the moderating role of the knowledge-intensive industry
Notice bibliographique
Résumé
Purpose This study examines voluntary cybersecurity risk disclosures (VCRD) by listed Indian companies. It also investigates how it relates to firm-specific characteristics such as size, leverage, profitability, liquidity, beta, market growth and industry. Design/methodology/approach The extent of VCRD was measured by assessing the cumulative occurrence of cybersecurity risk keywords in the annual report of 100 listed Indian non-financial companies. Keyword extraction and occurrence counts were performed using Python software. A multiple regression analysis was applied to predict the characteristics of VCRD. Findings The results showed that the theoretical frameworks underpinned by agency and signalling theories continued to provide a valid explanation of VCRD by Indian companies. Specifically, the findings emphasized the importance of firm size, leverage, and beta as significant VCRD determinants. Additionally, the study found that knowledge-intensive industries had a favourable impact on the extent of VCRD. Research limitations/implications This study is relevant because it informs company management, regulators and investors about the nature and characteristics of companies that satisfy stakeholder demands to prevent cyber breaches. Originality/value Understanding disclosure characteristics is crucial from policy and regulatory perspectives. Studies on cybersecurity disclosures are related to developed economies such as the United States of America and Canada. This is the first study to explore this issue in a developing nation, in general, and in India, in particular, where cybersecurity risk disclosure has yet to be recognized.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».