MétaCan
Menu
Retour à la cohorte
Enregistrement W4384666240 · doi:10.1007/s11142-023-09793-6

Real earnings management and the strategic release of new products: evidence from the motion picture industry

2023· article· en· W4384666240 sur OpenAlexaboutno aff
James Jianxin Gong, S. Mark Young, Aner Zhou

Notice bibliographique

RevueReview of Accounting Studies · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Southern California
Mots-clésStudioEarningsRevenueQuarter (Canadian coin)Product (mathematics)Public financeEconomicsFinanceMarketingEarnings managementRevenue managementBusinessAdvertisingMacroeconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Prior studies on real earnings management (REM) focus mainly on estimating abnormal operating and investing activities at the firm level. We extend this literature by providing micro-level evidence regarding how financial reporting pressures influence new product release decisions, or product-level REM. Specifically, we compare how public and private studios differentially time the release of their movies. We find that, faced with pressure to boost quarterly revenues and earnings, public studios are more likely to release movies with high expected revenues in the last month of a fiscal quarter, compared to private studios. This documented result is stronger for firms with recent poor past performance, but is not present for movies in genres with a more targeted release window (e.g., romance and horror movies) and those using directors who have a history of collaboration with the studio. These results suggest that studios choose REM activities that have a lower impact on consumer demand and that minimize conflict with talent, consistent with choosing less costly activities to achieve financial reporting goals. A negative consequence of this financial reporting–driven product release strategy is that movies released in the last month of a quarter have lower international box office revenues. Taken together, these results provide evidence of the existence and consequences of product-level REM.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,467
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,279
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Accounting StudiesMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207