Measuring the voluntary disclosure of graphical information in annual reports using a new disclosure index
Notice bibliographique
Résumé
The use of graphs in disclosing financial information in corporate annual reports represents a significant dimension of management’s disclosure strategy.This study extends previous research into financial graphs by documenting the nature and extent of graphs use among the 2003 corporate annual reports of the top 50 and bottom 50 listed Malaysian companies ranked by net profit before tax.A disclosure index known as Graphical Information Disclosure Index (GIDI) is developed to measure the level of graphical disclosure.Additionally, the research examines whether companies with ‘good’ and ‘poor’ performance disclose graphs differently; and whether the voluntary disclosure of graphical information can be explained by signalling theory.Drawing on signalling theory, six hypotheses are developed and tested.Sixty-four per cent of companies use graphs; the mean number is 5.3, with plantation companies using the most graphs.The most commonly graphed financial variables are sales, profit, EPS and shareholders’ fund. Evidence is found that graph use is contingent upon favourable performance.Using a wider industry classification, this study also finds a significant difference in the level of disclosure by different industry sectors.Comparison with prior single-country studies reveals that graphs are used less extensively in Malaysia than in the U.S.A., Canada, U.K. and Australia; but more extensively than Hong Kong.The implications of these findings are considered and areas of further research discussed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».