Earticle

초록

영어

This research explores how machine learning (ML), deep learning (DL), and explainable AI (XAI) can be applied to identify earnings management (EM) among Korean listed companies over the 2015–2024 period. We demonstrate model-task specialization: Ensemble SoftVoting best predicts AEM, while Recurrent Neural Networks (RNN) excel in REM detection, reflecting distinct underlying logics. Our XAI analysis introduces a dual-logic framework explaining distinct theoretical mechanisms behind AEM and REM. We find models independently learn two distinct theoretical logics: (1) AEM is identified as an Opportunistic response to Financial Distress and Liquidity Constraints (driven by Interest Coverage and Net Income, validating the Financial Distress Hypothesis); and (2) REM is identified as a Strategic response to Political Costs and Market Visibility (driven primarily by Firm Size and Profitability, validating the Political Cost Hypothesis). This framework bridges the long-standing accuracyinterpretability gap by uncovering distinct theoretical logics underlying AEM and REM. The findings provide actionable insights for auditors and regulators to design theory-grounded oversight mechanisms in high-stakes financial contexts. Specifically, this study answers two research questions concerning model performance and explainable-theory alignment.

한국어

본 연구는 2015년부터 2024년까지의 한국 상장기업을 대상으로, 기계학습, 딥러닝, 그리고 설명가능한 인공지능을 활용하여 이익조정을 탐지하는 방법을 분석한다. 연구 결과, 모델과 과제 간의 전문화 현상이 확인되었다. 즉, 앙상블 소프트보팅은 발생액 기반 이익조정 예측에서 가장 우수한 성능을 보였으며, 순환 신경망은 실물활동 기반 이익조정 탐지에서 탁월한 성능을 보였다. 이는두유형의 이익조정이상이한이론적논리에기반하고있음을시사한다. 설명가능한인공지능 분석을 통해 본 연구는 이중 논리 프레임워크를 제시하며, 발생액 기반 이익조정과 실물활동 기반 이익조정을설명하는서로다른이론적메커니즘을규명하였다. 구체적으로, 발생액기반이익조정은 유동성위기에대한기회주의적생존대응으로나타났으며, 이는이자보상배율변수에의해주도되어 재무곤경 가설을 지지한다. 실물활동 기반 이익조정은 정치적 비용과 시장 가시성에 대한 전략적 대응으로 나타났으며, 이는 기업 규모(시가총액) 변수에 의해 가장 강력하게 설명되어 정치적 비용 가설을 지지한다. 이 프레임워크는 발생액 기반 이익조정과 실물활동 기반 이익조정의 내재된 이론적 논리를 동시에 밝혀냄으로써, 기존의 정확도와 해석가능성 간의 간극을 해소한다. 또한, 본연구의결과는감사인과규제당국이이론기반의감시및감독메커니즘을설계하는데실질적인 시사점을제공한다. 요약하면, 본 연구는모델성능과 설명-이론 정합성이라는 두가지연구질문에 대한 답을 제시한다.

목차

Abstract
Ⅰ. Introduction
Ⅱ. Literature Review
1. Earnings Management
2. Explainable AI
3. Research Questions
Ⅲ. Data and Variable Construction
1. Data
2. Accruals Based Earnings Management
3. Real Earnings Management
4. Dependent Variable
5. Independent Variable
6. Descriptive Statistics
Ⅳ. Analysis Methods and Data Preprocessing
Ⅴ. Evaluation Metrics
Ⅵ. Main Results
1. Predicting REM and AEM
2. Feature Attribution Analysis Through SHAP
3. Feature Attribution Analysis Through LIME
4. Theoretical Interpretation of SHAP and LIME Results
Ⅶ. Conclusion
References
초록

키워드

저자

• Wang, Wei [ 왕웨이 | Ph.D. Candidate, Department of Business and Finance Education, Kongju National University, South Korea ] First Author
• Seo, Dongwook [ 서동욱 | Assistant Professor, Department of Business and Finance Education, Kongju National University, South Korea ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  상업경영연구(구 상업교육연구) [Korean Journal of Business & Management]

• 간기

  계간

• pISSN

  1229-8867

• 수록기간

  2000~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 376 DDC 373