Corporate social responsibility and accounting fraud: international evidence
Notice bibliographique
Résumé
Purpose This study aims to trace the impact of corporate social responsibility (CSR), and its social, environmental and governance dimensions, on accounting fraud. Design/methodology/approach ASSET4 data from 793 French, Canadian, British and German companies were collected over a 12-year period, from 2010–2021, and assumptions were examined using a logistic regression model. The adjusted model of Beneish (1999) was used to measure accounting fraud. Findings The results reveal that strong CSR significantly lowers the likelihood of corporate fraud, with each CSR dimension showing a negative and significant relationship with fraudulent behavior. The governance dimension consistently shows the strongest impact in reducing fraud. In addition, the COVID-19 pandemic notably decreased fraud in some countries, such as the UK, highlighting CSR’s enhanced preventive role during crises. However, this moderating effect varied across countries. Further robustness analyses affirmed the stability and applicability of these results across various model specifications. Practical implications This study highlights the vital role of CSR, especially its governance dimension, in reducing accounting fraud, offering key insights for investors, auditors and regulators. It underscores the need to integrate ethical principles into governance, particularly in times of crisis like the COVID-19 pandemic. Future research could examine how national institutional contexts influence CSR’s effectiveness in preventing fraud. Originality/value The results of this study provide valuable information on the importance of strengthening engagement in CSR activities to prevent companies from engaging in fraudulent activities.
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 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».