Accrual‐Based Earnings Management and Regulation: A Literature Review*
Notice bibliographique
Résumé
ABSTRACT This paper reviews how the accounting literature has investigated accrual‐based earnings management (AEM) in relation to regulation. After describing the development of accrual‐based models to measure earnings management, I provide evidence that the accounting literature has investigated AEM and regulation to answer six types of research questions. First, researchers investigate whether firms manage earnings before a regulatory event to benefit from it or to avoid its negative consequences. Second, they look at whether firms engage in AEM after the implementation of a new regulation to avoid the regulatory costs associated with lack of compliance or to respect regulatory industry ratios. Third, researchers use accruals quality metrics to investigate the change in quality of accounting after a change in regulation. Fourth, they use accruals quality metrics to analyze the impact of differences between regulatory environments. Fifth, researchers exploit Accounting and Auditing Enforcement Releases to clearly identify samples of low‐quality firms in order to develop new earnings management models, test the specifications of existing models, or identify new patterns linked to earnings management. Sixth, the accounting literature employs regulation to investigate potential complementarity or substitution effects between accrual‐based and real earnings management. I also discuss how the emergence of new technologies such as machine learning, the ongoing debate between single‐accrual and aggregate models, regulatory events other than laws, and recent regulations create opportunities for future research into AEM in relation to regulation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».