我国上市公司盈余管理决策存在同群效应吗？

冯 玲，崔 静

(福州大学 经济与管理学院，福州 350108)

内容提要：作为公司决策的主体，管理者的行为和决策不可避免地存在同群的相互依赖性，公司高管在盈余管理决策中可能存在使自身行为与同群行为保持一致的倾向性。本文采用我国A股上市公司2012-2017年数据，通过蒙特卡洛模拟构造基于分析师共同关注的同群群组，以“同群的同群”作为工具变量对线性均值结构式模型进行识别，并采用条件方差识别方法对盈余管理同群效应的乘数效应进行测度。研究结果证实了我国上市公司盈余管理决策存在同群效应，但具有方向上的不对称性，受同群公司向上盈余管理的影响较为显著，对同群公司向下盈余管理的影响不显著。因此，监管部门应重视盈余管理同群效应的外溢影响，特别是公司向上的盈余管理行为。

现代企业所有权与经营权的分离导致了经理人有机会利用自身的信息优势和自由裁量权，有目的地干预盈余的产生和报告过程。本文采用基于分析师共同关注的方法对同群企业进行识别，通过引入“同群的同群”构造工具变量，对公司盈余管理决策同群效应的存在性进行检验，并采用条件方差识别的方法对盈余管理同群效应重新进行检验，发现该同群效应具有方向上的不对称性。

一、研究假设与研究设计的提出

(一)研究假设

作为公司决策主体的管理者面临着来自资本市场和企业内部的双重压力，其行为和决策不可避免地存在同群的相互依赖性，公司高管在盈余管理决策中可能存在模仿或跟随的特征，趋向于使自身行为与同群行为保持一致。当面对不确定性时，公司高管可能通过对各种备选策略进行直接分析来决策，但这种方式成本很高且耗时。一个可行的策略是依靠他人的信息，通过与参照群体成员的直接交流或讨论，或是对参照群体成员行为决策的观察来制定决策。盈余管理会给企业带来明显的短期利益，但是也面临着被监管部门发现而受到惩戒的风险。面对这种不确定性，公司高管可能会通过与同群成员相互讨论，或者通过观察同群成员的行为进行学习而获得有关决策的相关信息。当公司高管发现同群公司高管进行盈余管理时也会进行盈余管理。另外，通过选择与其参考群体所遵循的社会规范相符的行为，同群公司的盈余管理行为也成为公司高管为自身行为进行道德辩护的依据，增加了其进行盈余管理的可能性。如果某一行为在群组中出现的频率较高，那么因其集体惩罚机制或者社会隔离机制会对群组中那些未实施这种行为的公司产生极大的社会影响，从而促使他们实施这样的行为。所以，当同群公司的会计信息质量普遍较高时，公司会保持较高的会计信息质量；而一旦同群公司进行了盈余管理行为，那么公司管理层出于同侪压力或者是业绩竞争压力也会进行盈余管理(Gao and Zhang,2016)，说明公司盈余管理决策可能存在着同群效应。据此，提出假设：

H：上市公司的盈余管理决策存在同群效应，即公司的盈余管理决策会受到同群公司盈余管理决策的显著影响。

(二)研究设计

1.样本选择。根据下述基于分析师共同关注的同群公司识别结果，为了体现数据的完整性和准确性，本文选择2012-2017连续6年，每年都有同群群组的上市公司作为研究样本，此时的样本公司数为597家。在此基础上，进一步剔除了金融行业和财务数据不连续的公司，最终的有效样本公司数为552家。为消除极端值影响，所有连续型变量在1%水平上进行Winsorize处理。

2.变量定义。

被解释变量：应计盈余管理|Da|。当前国内企业主要是通过应计项目进行盈余管理，通过真实盈余管理来操纵业绩的现象并不普遍(李春涛等,2016;王珏玮等,2016)。因此，本文选择应计项目作为盈余管理的代理变量。参照国内大多数学者研究(李春涛等,2016;宋岩等,2016)，采取修正的Jones模型来度量应计盈余管理Da。Da>0表示进行了增加利润的盈余管理，即向上的盈余管理；Da<0表示进行了减少利润的盈余管理，即向下的盈余管理。不管是向上或者向下的盈余管理都反映了公司披露盈余与其真实值的偏离，因此在对盈余管理同群效应存在性进行检验时，采用应计盈余管理的绝对值|DaDa|作为公司盈余管理程度的测度指标。

解释变量和控制变量：解释变量为|PeerDaDa|，代表了同群公司的盈余管理程度，用同群公司盈余管理程度的平均值来度量。参照相关研究(宋岩等，2016)，控制以下特征变量：公司规模(Size)，等于期末总资产的自然对数；公司盈利能力(Roa)，等于期末净利润除以期末总资产；资产负债率(Lev)，等于期末总负债除以期末总资产；公司成长性(Growth)，等于营业收入同比增长率；公司经营现金流(Cash_flow)，等于经营活动产生的现金流量净额除以期末总资产。表1列出了各主要变量的描述性统计结果。

表1 主要变量描述性统计

二、基于卖方分析师共同关注的同群公司识别

作为分析师最重要的属性(Brown等,2014)，行业专长在很大程度上决定了分析师获取行业信息的深度与宽度。如Hong and Kubik(2003)发现大型证券公司会雇佣大量专注于不同行业的分析师，而小型证券公司一般专门从事特定行业或者特定类型的股票。分析师的覆盖选择还可以反映有关公司除行业以外的其他相似性信息，如公司的商业模式、顾客群体等。既然分析师具有特定行业或特定类型公司的专长，那么他们的覆盖选择就直接反映了有关企业相似性的信息(Kaustia and Rantala，2013)。如果两个公司同时被若干分析师共同关注就说明它们具有某些相关性，可以被视为同群企业，基于分析师共同的覆盖选择可以识别出公司的同群公司。

借鉴Kaustia and Rantala(2013)方法，本文采用了基于卖方分析师共同关注的识别方法来识别同群公司。虽然分析师大都关注属于同一行业的公司，但事实上两家公司同时被相同的分析师关注并不足以说明它们真的具有相似性，并不是所有的分析师都专注于研究相似的公司，有些分析师是“多面手”(Michaely and Womack,1999)，无关的公司因为偶然因素也可能会获得共同的分析师关注，确定两个公司之间必须至少拥有多少个共同分析师才足以把这些偶然因素排除是至关重要的。为此，本文为每家公司设立了一个标准值C，当另一家公司当年至少与该公司有C个相同的分析师时才能认定其为该公司的同群公司。由这些同群公司构成了该公司当年的同群群组。对任意公司i，标准值C是依据当年关注该公司的分析师数量，以及这些分析师当年所关注的除公司i外其他公司的数量，通过蒙特卡洛模拟得到的①。假设在第t年共有M家上市公司获得分析师关注。对公司i，在一次模拟中，关注i公司的这些分析师逐个地从M中随机选择其他数量的公司进行关注，模拟重复运行1000次。为尽可能排除无关公司作为同群企业的可能性，本文设置了尽可能大的C值，从而使得由偶然因素导致的与i公司拥有C个(及以上)共同分析师的可能性低于1%。这也就意味着在1000次模拟中，随机选择的公司与i公司同时拥有C个(及以上)共同分析师的情况出现的次数要少于10次，由此确定每个公司的标准值C。对每个公司逐年进行蒙特卡洛模拟，每个公司每年的标准值C并不相同，每个公司的同群群组也是逐年更新的。

对于任意公司，由上述模拟过程可知标准值C的最小值为2。当年没有分析师关注或者只有一个分析师关注的公司是不会有同群公司的，但是有两个以上分析师关注仅仅是公司能够识别出同群公司的必要而非充分条件。当公司与其他公司拥有的共同分析师个数总是小于模拟计算出来的标准值C时，该公司仍然没有同群公司。另外，基于分析师共同关注识别出的同群关系并不总是相互的，也就是说很有可能A公司是B公司的同群公司，但B公司并不是A公司的同群公司。如通过模拟识别出A公司的标准值C为5，B公司的标准值C为3，而这两个公司拥有的共同分析师数量为4。此时A公司就是B公司的同群公司，但是B公司并不是A公司的同群公司。

本文选取2012-2017年我国A股上市公司为研究样本，分析师数据来自国泰安数据库②，其他年度财务数据来自Wind数据库。行业划分采用证监会最新修订的2012行业分类标准，制造业取两位代码分类，其他行业取一位代码分类。数据筛选过程如下：(1)剔除当年没有或只有一个分析师关注的公司(2)剔除当年只关注一个公司的分析师(3)参照Kaustia and Rantala(2015)文献，剔除当年关注了50家以上公司的分析师。表2为识别结果的描述性统计，为对照说明识别效果，在表2中同时列示了各年份上市公司总数。

就平均而言，由表2可知每年约有67.7%的上市公司获得了至少两个分析师的关注，有61%的上市公司可以寻找到同群公司。群组规模平均数为18意味着在整个样本期间，每个同群群组大约包含了18个同群公司。同群识别的标准值C均值为4.3，中位数为4，最大值为8，大约有78.3%的标准值C在3-5之间，结果与Kaustia and Rantala(2015)结论基本保持一致。平均而言，公司i的第t-1年同群公司中，有70%的公司仍然是其第t年的同群公司。表3则更详细地说明了同群群组规模情况。

在整个样本期间，由表3可知模拟识别出的全部群组规模平均值为18，中位数为17，四分位数范围为7-26。证监会一级行业分类的群组规模平均值为156，中位数为46，四分位数范围为25-96；证监会二级行业分类的群组规模平均值为37，中位数为18，四分位数范围为7-39。基于分析师共同关注的方法识别出的同群群组规模明显小于基于行业分类的群组规模。Bizjak等(2011)发现，公司在参照同群企业制定高管薪酬时，一般会使用规模较小的同群群组。表4对照说明了有“同群”的公司若干财务特征，其中公司规模为公司当年期末总资产的自然对数。相对于整体上市公司而言，可知有“同群”的公司，其公司规模一般更大、市净率更低、股息率更高，符合本文的预期。

表2 识别结果的描述性统计

表3 同群群组规模描述性统计

表4 有“同群”的公司财务特征描述性统计

值得说明的是，虽然识别出的同群公司一般具有相同的行业类别，但所得到的同群群组并不是现有行业分类的子集，这说明基于分析师共同关注的同群公司识别方法所得到的结果独立于现有的行业分类标准。表5详细说明了同群群组的行业构成情况，群组行业分布情况与Kaustia and Rantala(2015)结果基本保持一致。

表5 同群群组行业构成描述性统计

三、盈余管理同群效应的存在性识别

为了检验同群效应的存在性，借鉴Leary and Roberts(2014)的研究，本文的模型构建如下：

|Dai,t|=α0+α1|PeerDai,t|+∑βmControlsi,t-1+∑λmPeerControlsi,t-1+ηi+νt+ξi,t

(1)

其中，等式左边是公司的盈余管理程度，等式右边包括同群公司的盈余管理程度以及相关控制变量。为了尽可能消除关联效应的影响，本文还控制了行业效应ηi和时间效应λt。由于互为因果的反射问题，即内生性解释变量的存在，使得线性均值结构式模型参数无法得到有效识别(Manski,1993)。为了克服反射问题、去除关联效应影响，借鉴了Zhang等(2014)和Moriarty等(2016)思路，本文利用“同群的同群”构建工具变量，方法如下：

对公司i，从其同群公司中随机抽取任一公司j，再从j公司的同群公司中随机抽取任一公司k，则k公司的盈余管理程度就可以作为同群公司盈余管理程度的工具变量。该方法构建的工具变量满足工具变量使用的两个前提条件：(1)与内生解释变量相关，因为k公司是同群公司的同群公司，所以k公司盈余管理程度和同群公司的盈余管理程度是相关的，满足相关性的要求。(2)与随机干扰项不相关，k公司与i公司分属不同的群组并且是通过随机抽取的方式选择的，一般来说k公司的盈余管理程度对i公司的盈余管理程度没有影响，满足外生性的条件。在此基础上采用工具变量固定效应模型对模型(1)进行检验，结果如表6所示。

根据工具变量固定效应模型结果可知第1阶段工具变量系数在1%水平上显著，说明工具变量与内生解释变量|PeerDaDa|是高度相关的；Cragg-Donald Wald F统计值为96.08，明显大于Stock-Yogo在10%水平上的临界值16.38，显著拒绝弱工具变量的假设。参照Wooldridge(2002)对工具变量的外生有效性进行间接检验，用第二阶段回归残差项对工具变量进行回归，结果显示工具变量在10%置信水平下均不显著。这说明工具变量和回归残差项之间没有显著的统计相关性，满足工具变量的外生性条件(彭晓博和秦雪征,2014)，表明以“同群的同群”作为工具变量是有效的。由表6可知公司盈余管理指标|DaDa|与同群公司盈余管理指标|PeerDaDa|在1%水平下显著正相关，结果说明同群公司盈余管理程度越高，则公司的盈余管理程度也越高，即我国资本市场上公司盈余管理决策中存在着同群效应，假设得证；同时，同群公司对公司盈余管理的影响力要大于其他传统因素，因为|PeerDaDa|系数远大于公司财务特征系数及同群公司相关财务特征系数。

表6 结构式模型回归结果

注：系数下方括号内为对应P值,***、**和*分别表示在1%、5%和10%水平显著(下同)。

四、条件方差识别

有的学者采用Glaeser等(2003)方法测度同群效应所产生的社会乘数效应，但是Glaeser等(2003)方法无法克服关联效应的影响问题，结果是有偏的。为此，Graham(2008)提出了条件方差识别的方法，该方法可以有效去除关联效应的影响。Graham(2008)验证了教育领域中同群效应的存在性，Popadak(2014)则将条件方差识别法引入到财务领域，验证了公司股利决策中行业同群效应的存在性并测度了其乘数效应。为了保证结果的稳健性，并对盈余管理同群效应所产生的乘数效应进行测度，本文采用Graham(2008)方法对盈余管理同群效应问题重新进行了检验。如果不考虑同群效应，根据统计学相关知识(贾俊平等,2014)，不同群组之间观测值的差异(即组间误差)可能来源于以下两部分：(1)组内误差是指同一群组中所抽取的样本观测值之间的差异，如同一群组中的样本公司盈余管理程度之间的误差。它是由抽样的随机性所造成的随机误差。(2)系统误差是指由群组自身的系统性因素造成的差异，如群组面临的某些共同变量对整个群组的盈余管理程度产生的系统影响。系统误差部分，也即是Manski(1993)所指的关联效应问题。可以利用单因素方差分析方法，通过比较组间方差和组内方差的方式来判断系统误差的存在性。将超额方差定义为剔除掉组内方差后组间方差剩余的残差项部分，此时的残差项部分度量了系统误差的大小。

如果考虑到同群效应，不同群组之间观测值的差异来源于三个部分：(1)组内误差(2)系统误差(3)群组内个体交互影响(即同群效应)所形成的差异。此时的超额方差中不仅包括了系统误差，还包括了同群效应产生的影响部分。如何区分系统误差和同群效应，就成了识别的关键。Graham(2008)指出，当系统性因素在不同规模的群组中分布相同③，而公司盈余管理能力在不同规模群组中分布不同时，就可以单独识别出同群效应。

依据规模的大小(即包含的公司数量多少)可将公司群组分成两类：大规模群组和小规模群组。当某一群组的规模大于所有群组规模的中位数时，定义该群组为大规模群组，否则定义为小规模群组。本文样本数据中所有群组的规模中位数是22，将那些含有的公司数量大于22的群组，定义为大规模群组；含有的公司数量小于22的群组，定义为小规模群组。大规模群组中既包含了盈余管理能力较高的公司，又包含了盈余管理能力较低的公司，这两类公司对群组盈余管理程度的影响相互抵消。所以在大规模类的群组中不同群组的盈余管理程度应该是比较接近的，但是小规模群组中可能仅包含了盈余管理能力较高的公司，或者仅包含了盈余管理能力较低的公司，缺乏相互抵消的作用。因此，在小规模类的群组中不同群组的盈余管理程度之间的差异较大。也就是说，不同类群组之间的公司盈余管理能力分布的不同，导致了小规模类群组的盈余管理程度差别较大，而大规模类群组的盈余管理程度较为接近。同群效应则描述了群组内个体的交互影响，公司盈余管理程度会随着同群公司盈余管理程度的提高而提高。所以，同群效应的存在使得两类群组之间盈余管理程度的差异进一步“放大”。条件方差识别的基本思想在于通过对经过同群效应“放大”和未经同群效应“放大”的两类群组之间盈余管理程度的差异进行比较，进而对同群效应的存在性进行识别。

(2)

分子部分为小规模类群组的组间方差减去大规模类群组的组间方差。因为系统性因素对群组均值的影响不会因为群组规模的类型而发生系统性的改变，系统性因素的影响在相减的过程中被剔除了。此时分子部分仅反映了经过同群效应“放大”后的两类群组盈余管理程度间差异之差，分母部分为小规模群组的组内方差减去大规模群组的组内方差。由于组内方差不受同群效应及系统性因素的影响，分母部分可以表示未经同群效应放大的，“预期的”两类群组盈余管理程度间差异之差。类似单因素方差分析思路，如果不存在同群效应，则整个公式(3)的值应该接近于1，如果存在同群效应，则这个值就会大于1，公式(2)可以用于同群效应的识别。

表7 基于条件方差识别的盈余管理同群效应

五、盈余管理同群效应存在非对称性吗？

按方向和目的不同，盈余管理可分为向上的盈余管理和向下的盈余管理。为了避免亏损或者利润下降带来的影响，公司会进行向上的盈余管理，以调高当期利润。为了平滑利润，公司会进行向下的盈余管理，以降低当期利润(蔡吉甫，2015)。对于同群公司不同方向的盈余管理，本文预期公司做出的反应可能是不同的。当同群公司进行向上的盈余管理，即同群公司调高利润时，出于业绩压力和市场竞争的需要，公司也会积极地进行盈余管理；当同群公司进行向下的盈余管理时，即同群公司调低利润时，公司自身可能并不需要平滑利润，公司并不会积极地跟随同群公司进行调整，即是公司盈余管理同群效应可能存在着非对称性。为了检验非对称性问题，构造模型(3)。

Dai,t=α0+α1Peer_Upi,t+α2Peer_Downi,t+∑βmControlsi,t-1+ηi+νt+ξi,t

(3)

其中，被解释变量Da为公司的应计盈余管理，既包括向上的盈余管理，也包括向下的盈余管理。解释变量Peer_Up和Peer_Down分别衡量同群公司盈余管理的方向，当同群公司中进行向上的盈余管理公司数目大于向下的盈余管理公司数目时，Peer_Up取值为1，否则为0。当同群公司中进行向下的盈余管理公司数目大于向上的盈余管理公司数目时，Peer_Down取值为-1，否则为0。其他控制变量与前文一致，结果如表8所示。

表8 盈余管理同群效应非对称性结果

由表8可知公司盈余管理指标Da与同群公司盈余管理方向指标Peer_Up在1%水平上显著正相关。当大多数同群公司进行向上的盈余管理时，公司也会积极地进行盈余管理，而公司盈余管理指标Da与同群公司盈余管理方向指标Peer_Down呈正相关，但是不显著。这表明大多数同群公司进行向下的盈余管理时，公司并不会积极跟随同群公司进行调整，说明盈余管理同群效应存在着非对称性，符合本文预期。

六、稳健性检验

(一)改变计量方法

除固定效应外，为保证结论的稳健性，本文还采取了工具变量随机效应和工具变量混合效应模型对盈余管理同群效应结构式模型重新进行了检验，结果仍然支持本文结果。因篇幅限制，此处未报告结果。

(二)改变计量模型

参照Ahern(2014)，重新采用了线性均值简化式模型对盈余管理同群效应的存在性再次进行了检验，简化式模型可以提供有关同群效应的初步结果。结论保持不变，如表9所示。

表9 线性均值简化式模型结果

表10 结构式模型稳健性检验结果

(三)改变被解释变量的度量方式

本文采用基本Jones模型(Jones,1991)来估计企业的盈余管理程度，重新对模型(1)进行了检验(结果如表10所示)，可以看出改变盈余管理的度量方式不影响盈余管理同群效应存在性的结论。

七、结论和启示

公司盈余管理决策的影响因素研究历来是理论界与实务界关注的热点问题，通过蒙特卡洛模拟构造基于分析师共同关注的同群群组，本文引入“同群的同群”作为工具变量对线性均值模型进行了识别，结论证实了我国上市公司盈余管理决策中存在着同群效应，说明了盈余管理同群效应具有不对称性，公司的盈余管理受到同群公司向上盈余管理的显著影响，但是对同群公司向下盈余管理的反应并不显著。

公司盈余管理带来的影响是巨大的，会影响金融市场的流动性、信贷资源配置等各个方面(杨洁等,2017;马永强等,2014)，监管部门在颁布相关政策法规时要充分考虑盈余管理同群效应的外溢影响，相对于公司向下的盈余管理应更加关注公司向上的盈余管理行为。政府应着力推进企业内控建设，加强审计监督。因为当一个公司减轻了其盈余操纵的程度时，实际上也同时减轻了其同群公司进行盈余操纵的压力，从而使得整个群组的盈余操纵程度得到降低(Gao and Zhang,2016)。

本文也存在着不足之处，正如Leary and Roberts(2014)在其论文中声明的，用工具变量对结构式模型回归结果可能是有偏的，因为此时对工具变量的外生性要求更为严格。实际上这也是工具变量法普遍存在的问题，即很难保证工具变量完全的外生性。条件方差识别只能排除关联效应的影响，无法对内生效应和外生效应进行有效区分，只有内生效应才会产生社会乘数效应，对政策制定才具有重要意义。因此，条件方差识别法仍然只能对乘数效应进行相对谨慎地测度(Graham,2008)。在今后的研究中应考虑如何更好的解决同群效应模型识别难题，并更好的测度由其产生的乘数效应大小。