1.1  Introduction

Emerging evidence suggests that employees actively use public earnings information to assess the relative value of their current employment against external job opportunities. Dehaan et al.   (2022),  using Glassdoor review activity as a proxy for employee job search, find that such activity intensifies around earnings announcement (EA) weeks—particularly when internal information is scarce or external labour market conditions are favourable.   This underscores that earnings reports serve not only as signals for investors but also as important cues for employees assessing firm performance, job security, and career progression. While traditional accounting literature has largely focused on how earnings management might be affected by investors’ and capital providers’ sentiment, this case study shifts the focus to employees as key internal stakeholders.  This individual report requires you to explore how employee review activity may influence firms’ earnings management activities.   Managers can manage earnings in two ways-  (1) Discretionary accruals (DACC) and (2) Real earnings management (REM1  & REM2).

1.  Discretionary accruals (DACC) are accounting adjustments made by management to manipulate/manage financial results. They are considered discretionary because they are not necessary for the company’s

day-to-day operations but are used to meet certain financial objectives or manage the appearance of the company’s financial performance.  Discretionary accruals can include adjustments to estimated expenses, such as allowances for bad debts or inventory write-downs, as well as adjustments to revenue recognition practices. These adjustments can be made to either inflate or deflate reported earnings, depending on the reporting entity’s goals.

While discretionary accruals can be legal, they can also be used to engage in financial fraud or to mislead investors.  As a result, regulatory agencies such as the Australian Securities & Investments Commission (ASIC) closely monitor the use of discretionary accruals and require companies to disclose the extent to which they have been used in financial reporting.

2.  Real earnings management (REM) uses operational or business activities to manipulate a company’s

financial results. This differs from accrual-based earnings management, which involves manipulating

accounting entries to manipulate financial results.   Real  earnings  management  typically  involves

actions taken by management to either increase or decrease reported earnings through operational

decisions.  For example, a company may defer maintenance on equipment to reduce expenses in the

current period or accelerate sales to increase revenue in the current period.  These actions are often

taken in response to financial pressures, such as meeting earnings targets or increasing share prices.

While real earnings management is not necessarily illegal, such distortions can signal uncertainty about a firm’s true financial health, long-term viability, or strategic direction.  Cost-cutting or re- duced investment in growth initiatives may imply constrained career development opportunities, lower future wages, or increased risk of layoffs.  Employees—especially those without access to in- ternal financial data—may interpret these signals as red flags, prompting them to reevaluate their current roles and explore alternative job prospects.

In Australia, financial reporting plays a vital role not only in capital allocation but also in shaping labour market behaviour. While many large ASX-listed companies today are less dependent on external financing due to strong cash reserves, their most critical resource is human capital.  As shown in economics and man- agement literature, voluntary employee turnover imposes significant costs—from recruitment and onboard- ing to the loss of institutional knowledge and productivity.  In this context, earnings announcements have become an increasingly influential tool for employees to assess job-related risks and opportunities.  These dynamics have attracted the attention of regulators.   The Australian Securities and Investments Com- mission  (ASIC), particularly during periods of economic uncertainty such as the COVID-19 pandemic, has expressed concern over the potential for earnings manipulation.  ASIC noted that some firms may have employed aggressive accounting or operational tactics in 2020 and 2021 to present a more favourable financial position.  In response, it required firms to justify any significant deviations from prior perfor- mance—highlighting the regulator’s broader commitment to financial transparency.

Yet the consequences of earnings management extend beyond investor deception. When employees rely on earnings reports as one of their few transparent signals of firm health, any distortion may lead to mistrust, misinformed career decisions, and higher turnover.  This is especially relevant when manipulated reports conceal declining investment in staff, suppression of labour costs, or signs of organisational instability, thus may serve as a key trigger for job search activity.  Even if a company appears financially sound on paper, employees may still respond to subtle cues in earnings reports—particularly if they sense inconsistencies or signs of short-termism.

To examine these dynamics in greater depth, ASIC has initiated an investigation into potential earnings management practices among SP/ASX200 firms during the period spanning 2014 to 2023—capturing both pre- and post-pandemic conditions.  The project employs a two-stage data analytics approach: beginning with data preparation and exploratory analysis in Excel, and progressing to advanced statistical modelling in RStudio. The goal is to identify firms that may have engaged in earnings management and to evaluate the potential impact of these practices on internal stakeholders, particularly employees.  By exploring the intersection of financial reporting quality and employee decision-making, this case provides new insights into how employee sentiment could be a potential factor for earnings management, particularly to capture the significance of workforce behaviour.   The  findings aim to inform regulatory oversight and support the development of more transparent, employee-conscious reporting practices within Australia’s corporate environment.

1.2  Initial Reading

Wilson,  M.  (2011). Earnings management in Australian corporations. Australian  Accounting  Review, 21(3), 205-221. (Must read!!)

Enomoto, M., Kimura, F., & Yamaguchi, T. (2015). Accrual-based and real earnings management:  An in- ternational comparison for investor protection. Journal of Contemporary Accounting  & Economics,  11(3), 183-198. (Must read!!)

Dehaan,  E.,  Li,  N.,  &  Zhou,  F.  S.  (2023). Financial  reporting  and  employee job  search. Journal  of Accounting Research,  61(2), 571-617.

1.3  Task 1:  Perform  ETL and initial analysis

1.  Download two files containing 200 companies’ data in XLSX format and an Excel work file labelled ‘2025 Working Excel File Assessment 2’ from the Stream site.  You are required to complete all the steps for task 1 in the Working Excel File.

2. First, open the ‘2025 Working Excel File Assessment 2’ to combine the two Excel files into a single dataset using Power Query.  While combining data in Power Query, you must also carry out the data transformation process using Power Query.  Follow the week 6 materials to complete this task. The steps in Power Query that involve cleaning and transforming the data are as follows:

• Combining/merging files for transformation.

•  Checking datasets to be “sufficiently different” in format/structure from one another.

•  Paying close attention to the state of the data and cleaning as necessary to improve the data quality and subsequent analysis. Common data cleaning procedures may involve:

(a) Formatting the date to match the acceptable format for your tool. Also, correct/exclude when encountering special characters (*, #, “, ’) or missing data.  (e.g., apply the filter in Power Query)

(b) Watching for invalid number formats when starting sorting. For example, accounting symbols such as dollar signs, commas, and parentheses are pervasive in spreadsheet data (e.g., $12,345.22 or (1,422.53)).

(c)  Splitting column if it contains two different pieces of information in one.  (e.g., Split column - By Delimiter)

(d)  Generating, excluding, renaming and labelling variables to prepare the data for anal- ysis.

(e)  Remove duplicate items based on suitable criteria (e.g., Company ID, year).

(f)  The last observation should be 2,154.

3.  Once you are happy with the transformation process, save and load the data into the ‘2025 Working Excel File Assessment 2’ and copy the data to the worksheet named 1.  Final Data (and delete the old one!).  Now, you will conduct some basic analysis using the final data as per the following instructions.

• Using a pivot table, calculate the DACC, REM1  and REM2 by industry, year and company.

(make sure you take the average value rather than the total)

•  Create a bar chart by industry and a scatter plot by the company for DACC, REM1  and REM2.

4.  Once you have finished with the initial analysis in Excel, then save the file and transfer graphs and initial results to the individual report’s first part as per the template and explain the following aspects of the initial findings:

• Do the Bar chart  (Graph  1.1  &  1.3) plots initially reveal any potential earnings man-

agement?  By comparing the bar chart (Graph 1.1) between DACC, REM1  and  REM2, can you identify which industries are more significantly involved with downward earnings management?

•  Describe how the earnings management has varied over time in relation to employee reviews in Graph 1.2.  Identify the key changes in the relationship between EM and employees’ reviews pre and post-COVID-19 pandemic.  (take 2019 as the cutoff point to compare the pre and post-changes)

• Identify skewness of DACC, REM1, REM2  and ENR.

•  Once Task 1 is complete, create a separate Excel file based on the “Final Data” work- sheet from the “2025 Working Excel File Assessment 2.” Save this new file with an appropriate name, such as R File (.xlsx).

*Earnings management could be managed both upward and downward.  Therefore, industries/firms with too much upward and downward value earnings represent a higher risk of earnings management.

1.4  Task 2:  Performing the test using statistical tools and analysing the results

Data Analytics approaches rely on a series of statistical techniques that are used to understand data and gain insights into the underlying causes and effects of business decisions.  You will use Rstudio to perform the following statistical tests to generate results that you will use later for recommendations.  The definitions of variables are provided below:

Table 1: Variable descriptions

DACC                         Represent accrual-based earnings management that is estimated using a mod-

ified Jones (1991) model.

ENR                             Employee negative reviews  (ENR)  measured  as the natural logarithm of a

firms’ Glassdoor review on a fiscal year plus one, otherwise 0.  (Use Employee negative review column to generate the variable)

VISIBLE                    Dummy  variable  equals 1 if the firm’s yearly news coverage falls above the

sample period’s median news coverage and zero otherwise.  (Use News column to generate the variable)

SIZE                            Represent firms’ size measured as the natural logarithm of a firm’s total assets.

(Use TotalAssets column to generate the variable)

LEVERAGE             Represent firm debt position measured as long term debt scaled by total assets.

(Use LongtermDebt column to generate the variable)

MTB                            Represent market to book ratio measured as the market value of equity (Use

MarketCapitalisation) divided by the book value of equity (Use TotalShare- holdersEquity).