Determinants and Drivers of Large Negative Book-Tax Differences: Evidence from S&P 500
Notice bibliographique
Résumé
Temporary book-tax differences (BTDs) serve as critical proxies for understanding corporate earnings management and tax planning. However, the drivers of large negative BTDs (LNBTDs)—where book income falls below taxable income—remain underexplored. This study investigates the determinants and components of LNBTDs, focusing on their relationship with deferred tax assets (DTAs) and liabilities (DTLs). Utilizing hand-collected data from the tax disclosures of S&P 500 firms’ 10-K filings (2007–2023), I analyze 4685 firm-year observations to identify specific accounting items driving LNBTDs. Findings reveal that deferred revenue, goodwill impairments, R&D, CapEx, environmental obligations, pensions, contingency liabilities, leases, and receivables are significant contributors, often generating substantial DTAs due to timing mismatches between book and tax recognition. Notably, high-tech industries, like the pharmaceutical, medical, and computers and software industries, exhibit pronounced LNBTDs, driven by upfront revenue recognition for tax purposes and deferred recognition for financial reporting, capitalization, amortization and depreciation effects, and other deferred tax components. Regression analyses confirm strong associations between these components and LNBTDs, with asymmetry in reversal patterns suggesting that initial differences do not always offset symmetrically over time. While prior research emphasizes large positive BTDs and tax avoidance, this study highlights economic and industry-specific characteristics as key LNBTD drivers, with limited evidence of earnings manipulation via deferred taxes. These insights enhance the value relevance of deferred tax disclosures and offer implications for reporting standards, tax policy, and research into BTD dynamics.
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 | 0,001 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».