FAS:n ja IFRS:n raportointivaatimusten lainsäädännölliset erot Suomen kiinteistöalalla
Bibliographic record
Abstract
Tutkimuksessa tarkastellaan IFRS-raportoinnin ja FAS:n lainsäädännöllisiä eroja Suomen kiinteistöalalla. Tutkimuksen tavoitteena on tutkia ja tunnistaa erovaisuuksia IFRS-raportoinnin ja suomalaisen kirjanpitokäytännön välillä Suomen kiinteistöalalla. Tutkimuksessa kiinnitetään myös huomioita erovaisuuksien vaikutuksista tilinpäätökseen laadinnassa ja tilintarkastuksessa. Lisäksi tutkimuksessa pyritään vastaamaan siihen, onko tunnistettujen raportoinnin erovaisuuksista johtuva työmäärä kertaluontoista vai pysyvää. Tutkimus on suoritettu laadullisena tutkimuksena. Aineisto on kerätty puolistrukturoiduilla teemahaastatteluilla, joissa on haastateltu KHT-tilintarkastajia. \n \nSuuri osa IFRS-raportoinnin tutkimuksista keskittyy tarkastelemaan IFRS:n soveltamisen hyötyjä ja vaikutuksia esimerkiksi rahoituskustannuksiin. Sen sijaan IFRS:n soveltamisen aiheuttama työmäärä ja vaivannäkö on jäänyt laajalti ilman huomiota, vaikka se on olennainen osa kokonaishyötyjen arviointia. Työmäärän ja vaivannäön muutokseen puolestaan vaikuttavat eroavaisuudet IFRS:n ja FAS:n välillä. IFRS-standardien vaikutukset ovat voimakkaasti sidottuja maa-, toimiala- ja yrityskohtaisiin ominaisuuksiin. Erovaisuuksien tunnistamiseksi IFRS-standardiston soveltamista on tarkasteltava suomalaisessa kontekstissa, koska muutokset ympäristössä aiheuttavat muutoksia kirjanpitokäytäntöön ja toisaalta muutokset kirjanpitokäytännöissä aiheuttavat muutoksia ympäristöön. \n \nTuloksina havaittiin, että IFRS-raportointi ja FAS ovat fundamentaalisesti yhdenmukaisia, mutta IFRS-raportoinnin yksityiskohtaisuus aiheuttaa työmäärän kasvua kiinteistöalalla. Tutkimuksessa havaittiin myös, että tekstin laadinta tilinpäätöksiin koetaan taloushallinnossa haastavaksi. Työmäärän kasvun havaittiin olevan laajalti kertaluontoista käyttöönoton yhteydessä tehtävää implementointia ja prosessien laadintaan liittyvää työtä. Implementoinnin osalta kiinteistöalalla todettiin olevan IFRS 16-standardin soveltamiseen hyvät valmiudet, koska toimialan luonteen vuoksi vuokrasopimusten hallinta on keskeinen toiminto. Työmäärä on kuitenkin myös pysyvästi suurempi FAS:iin verrattuna, johtuen raportoinnin yksityiskohtien määrän kasvusta. Yksittäisten standardien ei tunnistettu aiheuttavan kiinteistöalalla huomattavaa vaivannäön kasvua.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.084 | 0.019 |
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; both teacher heads agree on what is shown here.
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".