Bibliographic record
Abstract
Je développe ici une nouvelle évaluation de la qualité de la fonction d'audit interne (FAI) basée sur des données d'entrée et j'examine les facteurs qui poussent les entreprises à mettre en place une FAI de haute qualité ainsi que les conséquences économiques d'une FAI de haute qualité. Afin de rendre opérationnelle mon analyse empirique, je crée un échantillon d'archivage de FAI international unique en associant une enquête d'auditeur interne menée au niveau international intitulée CBOK 2010 à des données publiques présentes dans la base de données Worldscope. En me basant sur les Normes Internationales pour la Pratique Professionnelle d'Audit Interne proposées par l'Institut des Auditeurs Internes, je mesure la qualité de la FAI en fonction des attributs et des pratiques de FAI souhaitables qui prennent en compte la compétence (1), l'indépendance (2), les pratiques de reporting et de planification (3), et les pratiques d'amélioration et de vérification de la qualité (4) de la FAI. En ce qui concerne les facteurs décisifs de la qualité de la FAI, je constate que la qualité de la FAI est affectée par les cadres opérationnels et les caractéristiques d'autres mécanismes de gouvernance des entreprises y compris les mesures incitatives de supervision du conseil d'administration, la diligence du comité d'audit et les pouvoirs du PDG. En outre, les mesures incitatives des entreprises destinées à une FAI de haute qualité sont renforcées par les exigences strictes et détaillées en matière de FAI présentes dans les codes de gouvernance d'entreprise des pays. Enfin, je documente le fait que d'autres mécanismes de gouvernance, en particulier les mesures incitatives de supervision des directeurs, jouent un plus grand rôle pour influencer la qualité de la FAI lorsque le cadre réglementaire dans son ensemble est fragile. En ce qui concerne les conséquences économiques d'une FAI de haute qualité, j'aborde le rôle que joue la FAI pour fournir des services de vérification en matière de reporting financier et je constate que la qualité de la FAI est associée de manière positive à la qualité des revenus. En prenant en compte l'implication croissante de la FAI dans la gestion du risque et les initiatives stratégiques, qui a pour conséquence le fait que la FAI joue un rôle accru pour fournir des services de consulting appropriés aux opérations des entreprises, je fournis en outre les preuves qu'une FAI de haute qualité est importante pour la performance opérationnelle des entreprises. Je documente de manière spécifique le fait que la vitesse de reprise de la performance opérationnelle suite à la crise financière récente est considérablement plus rapide pour les entreprises qui bénéficient d'une FAI de haute qualité que pour les entreprises dont la FAI est de mauvaise qualité, et que la qualité de la FAI est associée de manière positive à la bonne capacité d'investissement des entreprises au cours de la période post-crise financière. De plus, je constate que le degré d'implication de la FAI dans les activités de consulting stratégique a un effet positif incrémentiel sur la reprise de la performance, ce qui suggère que fournir des services de consulting est une façon importante pour la FAI de procurer de la valeur aux entreprises. Les bénéfices d'une telle expansion des activités de consulting ont cependant un coût pour les entreprises dont la FAI est de mauvaise qualité, car je constate que l'implication de la FAI dans le consulting stratégique peut nuire au rôle que joue la FAI pour fournir des services de vérification et par conséquent affecter de manière négative la qualité des revenus lorsque la qualité de la FAI est mauvaise mais non pas lorsque la qualité de la FAI est bonne. De manière générale, ces constatations suggèrent que si l'on s'attend à ce que la FAI procure de la valeur aux entreprises en fournissant à la fois des services de vérification et de consulting, il est alors essentiel de maintenir un niveau de qualité de FAI adéquat.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.023 | 0.125 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".