盈余管理与融资行为实证分析

时间：2022-11-09 理论教育版权反馈

【摘要】：从外源融资和内源融资的偏好来看，我国上市公司明显偏好于外源融资，这与大多数企业仍然处于快速成长期，整体融资量较大，内部资金量缺乏有一定的联系。对样本运用EViews 3.1进行描述性统计分析，对所有样本选取DA／ETA为指标，来衡量全部截面数据的非正常性应计利润和总体应计利润的占比。本部分主要目的在于研究我国上市公司融资行为与盈余管理的关系。同时，处理后的几个变量的系数均显著不为零，作为控制变量具有很好的作用。

6．4　盈余管理与融资行为实证分析

6．4．1　我国企业融资行为比较

对样本运用EViews 3.1进行描述性统计分析，对所有样本选取ΔREV，ΔD，ΔE用当年该公司的A标准化值做描述性统计分析，数据分析结果如图6.1至图6.3所示。

图6．1　ΔREV／A描述性统计分析

图6．2　ΔD／A描述性统计分析

图6．3　ΔE／A描述性统计分析

从以上对这三个指标的描述性统计来看，企业的内源融资量明显小于权益融资量和债务融资量。从比较有效的数据的平均值来看，债务融资的量大于权益融资的量。从外源融资和内源融资的偏好来看，我国上市公司明显偏好于外源融资，这与大多数企业仍然处于快速成长期，整体融资量较大，内部资金量缺乏有一定的联系。

6．4．2　我国上市企业盈余管理程度的描述性统计分析

对样本运用EViews 3.1进行描述性统计分析，对所有样本选取DA／ETA为指标，来衡量全部截面数据的非正常性应计利润和总体应计利润的占比。数据分析表格如图6.4所示。

图6．4　变量描述性统计分析

从总体上来看，DA／ETA的平均值为0.22，且从图6.4来看，这个数值大多处于0附近，且大于0的部分平均值在0.84左右。从这个意义上可以看出，在正常的较为普遍的利润值均为正的情况下，我国上市公司在这些样本年中非正常性应计利润的数量占比平均来看是较大的。

从分行业来看，房地产行业和耐用消费品行业的盈余管理水平较高，汽车零部件行业和公共事业行业的平均水平相差不多，其他几个行业大多数小于平均水平。从更细致的结构分析来看，不同行业对盈余管理的认识和应用还是有较大差异的。具体原因有可能是因为不同行业的盈利模式不同，产品周期不同导致行业的收入确认方式不同。例如，房地产行业的生产周期较长，使得在会计报表披露的时间段中有很多盈余管理的空间。

对于DA和DA／A的描述性统计分析结果如表6.3和表6.4所示。

表6．3　DA描述性统计分析

表6．4　DA／A描述性统计分析

平均来看，所有样本的DA是小于0的，但从结构上来看，还是有大于50%的DA平均值在7.8 × 10⁷，所以相关的文章有关于DA均值为负的结论和解释都可能存在一定的问题，例如存在对于盈余管理计量的行业分类使得计量模型中的行业系数差别很大等原因。

6．4．3　公司盈余管理与融资动机的实证分析

由于之前的文章所用数据为面板数据，而面板数据的处理实际上应该涉及时间序列上的稳定性检验，但一些研究者利用所取样本量较大来克服时间序列数据造成的自相关性等问题，从而得出相关的结论。本书对这一点有所质疑，因此采用两种数据分别进行回归，一种是采用2008年的1482家我国A股上市公司的财务数据进行回归，另一种是采用2002—2008年的我国A股上市公司财务数据进行回归，试图将回归结果比较。

1 ．多年期截面数据回归分析

本部分主要目的在于研究我国上市公司融资行为与盈余管理的关系。首先对于四个模型中的变量进行多重共线性的检验，如表6.5对各个回归指标进行相关性检验，发现解释变量之间的相关性不高，几个模型的被解释变量之间ΔREV／A（表6.5中用REVA表示，下同）和ΔEA 、ΔDA和Δleverage的相关性较大。从表6．5可看出，DA／A与REVA 、EA成正相关，与DA 、levchang成负相关，与假设有出入。从各个解释变量之间的相关度来看，非正常性应计利润与ROE的相关度较高，SIZE和P的相关度也较高，因此在以下的回归中可以考虑逐步回归法，将ROE 、 SIZE或者P等指标进行剔除。

表6．5　各指标之间的相关系数

四个模型的回归结果如下：

（1）模型（6.4）

对模型（6.4）进行的回归之后发现，R²只有24.78%，F值和各个t值也都很显著。但由于怀疑模型有异方差性，因此进行怀特检验，发现F值和t值显著，R²较高，可以认为异方差性显著。因此，用1／abs（resid）作为权重对模型进行加权最小二乘法（WLS）回归，回归结果有很明显的改善，R²达到了99.99%，F值和t值均很显著，得到的方程中非正常性应计利润的系数显著不为零，且显著正相关，从而证明了假设一是成立的。同时其他几个指标也与被解释变量具有显著相关关系，在之前的文献中被剔除的盈利性指标和新加入的公司治理结构指标也都在很高的显著性水平下有很好的相关关系。模型（6.4）的回归结果见表6.6 。

表6．6　模型（6.4）回归结果

注： R²＝0.999910 ； F‐statistic＝21768896 ； Adjusted R‐squared＝0.999910 ； Prob（F‐statistic）＝0.000000 。

（2）模型（6.5）

从模型（6.5）的回归结果看，其R²的值更加小，只有4.9%，F值较大，但一些变量的t值不够显著，经过多次逐步回归法仍然不能消除这些不利因素。因此对原模型进行同样的异方差检验，从怀特检验显示出的F值和R²来看，可以尝试用1／abs（resid）作权重来做加权最小二乘法（WLS）。从尝试的结果来看，R²达到了99.99%，F值和t值均很大，说明通过加权最小二乘法的处理模型中的不利因素被去除掉了。非正常性应计利润和被解释变量之间的关系显著不为零，但相关关系为负，这与假设（6.5）的结果不同。模型（6.5）的回归结果见表6.7 。

表6．7　模型（6.5）回归结果

注： R‐squared＝0.999913 ；F‐statistic＝22474215 ； Adjusted R‐squared＝0.999913 ； Prob（F‐statis‐tic）＝0.000000 。

（3）模型（6.6）

模型（6.6）的回归结果同前面的结果差不多，最终去除掉模型中的不利因素之后，非正常性应计利润与被解释变量之间显著不为零，且为正相关关系，与假设不同。同时，处理后的几个变量的系数均显著不为零，作为控制变量具有很好的作用。模型（6.6）的回归结果见表6.8 。

表6．8　模型（6.6）回归结果

注： R‐squared＝0.999950 ；F‐statistic＝39127530 ； Adjusted R‐squared＝0.999950 ； Prob（F‐statis‐tic）＝0.000000 。

（4）模型（6.7）

模型（6.7）的回归结果显示，其中R²只有12%，经过异方差检验之后的结果有了显著的改善，其中PB的系数显著为零，其他系数显著不为零，非正常性应计利润与被解释变量成显著负相关。模型（6.7）的回归结果见表6.9 。

表6．9　模型（6.7）四回归结果

注：R‐squared＝0.996869 ；F‐statistic＝623169.5 ；Adjusted R‐squared＝0.996868 ；Prob（F‐statistic）＝0.000000 。

2 ．单期截面数据回归分析

大多数研究者用多年期混合的截面数据进行回归分析，实际上这样做会受到时间序列的影响，因而需要对模型的稳定性进行检验。但由于模型的变量多、个数较多，模型的稳定性检验比较复杂。因此，本书利用2008年和2007年的数据对模型进行回归，对两者的结果进行比较，从一定程度上来验证之前研究者用多年期混合的截面数据回归的正确性。

进行多重共线性检验，从表6.10中可以看出PB和ROE 、lnSize的相关性较明显，P和ROE 、lnSize之间的相关性也较强，因此在回归时如果出现问题可以考虑剔除掉其中的变量从而改善回归结果。

表6．10　各指标之间的相关系数

（1）模型（6.4）

用新的数据回归的模型（6.4）的结果没有较大的变化，经过异方差处理之后，非正常性应计利润与股权融资量成显著性正相关。模型回归结果见表6.11 。

表6．11　模型（6.4）回归结果

注： R‐squared＝0.999678 ；F‐statistic＝915848.5 ； Durbin‐Watson stat＝1.725053 ； Prob（F‐statis‐tic）＝0.000000 。

（2）模型（6.5）

与多重共线性检验的结果相似，模型（6.5）的非正常性应计利润的系数显著为零，剔除公司规模和盈利性指标的共线性影响后，其也没有较大的改善。因此，可判断非正常性应计利润与债务融资量之间的相关关系不明显。之前用混合型截面数据的结果与用截面数据的结果有很大的差异，因此至少对于该模型来说两种数据的稳定性是值得怀疑的。模型回归结果见表6.12 。

表6．12　模型（6.5）回归结果