Earnings Management and Corporate Performance in the Scope of Firm-Specific Features
Notice bibliographique
Résumé
Various models have been created all around the world to identify enterprises that manipulate their earnings. These earnings management techniques aid businesses in enhancing their financial performance or gaining some competitive advantages. The primary goal of this article was to identify the firm-specific characteristics that affect how businesses manage their earnings using a sample of 15,716 businesses from various economic sectors in the Slovak environment during a 3 year period. The level of earnings management was measured by discretionary accruals using the Kasznik model. In this paper, a correspondence analysis using the chi-square distance measure was applied to find the dependence between the earnings management practices and firm-specific features (firm size, legal form, and sectoral classification). The results of the study indicate that aggressive (income-increasing) earnings management practices are typical of small enterprises with a public limited ownership structure, mostly in sectors R and M (using the NACE sectoral classification). Conservative (income decreasing) practices can be observed in enterprises in the sectors J or F, and they are also used by medium-sized enterprises and those with private limited ownership structure. The results revealed that large enterprises do not tend to manipulate their earnings, as well as enterprises operating in sector K. The insights of this study may provide important and useful information for shareholders and regulators in evaluating determinants that are effective in mitigating earnings management practices. Authorities, regulators, analysts, and auditors may find the importance of the discovered variances helpful in identifying various strategies and techniques for earnings manipulation that may differ among industries according to their typical characteristics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».