基于線性回歸與神經網絡的盈余管理研究

馬海萍

【摘 要】 在以往對公司治理結構與盈余管理關系的研究中，學者們大多采用多元線性回歸的方法，但多元線性回歸只是一種描述數量間簡單線性關系的方法，使用的前提是滿足五條苛刻的假設，可能并不適合于某些實際經濟問題的研究。人工神經網絡（ANN）是一種非線性的數學計算模型，文章將人工神經網絡模型引入上述問題的研究，并將多元線性回歸與ANN兩種模型的實證研究結果進行分析與對比，用以考察兩種模型在盈余管理研究領域的有效性與預測力。

【關鍵詞】 多元線性回歸模型； 神經網絡模型； 公司治理結構； 盈余管理

中圖分類號：F224文獻標識碼：A文章編號：1004-5937（2014）17-0047-05一、引言

自20世紀90年代初股票交易市場在我國建立至今已二十余載，在這些年里，上市公司股權結構在經歷了以股權分置改革為代表的一次次改革后發生重大變化。目前，我國非流通股大部分屬于國有股、法人股與上市公司部分高管持有股。由以上分析可知，我國公司的治理結構與治理環境均發生了較大的變化，在新的股權結構下對盈余管理進行研究具有新的意義。

在已有的研究成果中，學者們關于不同公司治理結構下公司盈余管理程度的實證研究結果大不相同。究其原因，是因為學者們在實證研究過程中，選取的樣本在時間、數量、行業分布上有所不同以及自變量、因變量的設置也有很大差異。在以往的研究中，學者們采用的研究方法大多是多元線性回歸模型，但值得注意的是，在實際中，公司治理結構與盈余管理的關系是復雜與多樣的，而多元線性回歸只是一種描述數量間簡單線性關系的方法，使用的前提是滿足五條苛刻的假設，可能并不適合于某些實際經濟問題的研究。人工神經網絡是一種非線性的數學計算模型，本文將人工神經網絡模型引入公司治理結構與盈余管理關系的研究，并將多元線性回歸與ANN兩種模型的實證研究結果進行分析與對比，用以考察兩種模型在盈余管理研究領域的有效性與預測力。

二、相關概念厘定

（一）多元線性回歸模型

線性回歸分析（Linear Regression Analysis）是一種對自變量（Independent Variable）與因變量（Dependent Variable）之間的關系進行研究的方法，研究的步驟為：首先是通過計算相關系數r探索與確定變量間是否存在線性相關關系，其次是確定自變量與因變量，再次是建立回歸模型，最后是運用回歸模型進行評估與預測。線性回歸分析根據自變量個數與復雜程度可以劃分為兩類：一是簡單的一元線性回歸分析，二是相對復雜的多元線性回歸分析。多元線性回歸分析模型可以表示為：

y=b0+b1x1+b2x2+…+bkxk+e（1）

通過最小二乘法（GLS），可以得到參數的最佳估計值，在此基礎上，還要通過以下幾個有代表性的檢驗來驗證模型的擬合程度。主要包括：

1.擬合優度檢驗。多重可決系數一般用R2表示，代表回歸平方和所占y的總變化的比重，R2越大，模型的擬合優度就越好。計算公式為：

R2＝■=1-■（2）

標準差，也可以對多元線性回歸模型的擬合優度加以反映，它表示y的實際值與估計值之間存在的誤差，標準差越小，擬合優度就越好。計算公式為：

Sy=■vk=■（3）

2.回歸方程的顯著性檢驗。該檢驗是對整個回歸方程的顯著性進行檢驗，以對所有x與y的線性關系的密切程度進行評價。F檢驗的應用最為廣泛。

3.回歸系數的顯著性檢驗。該檢驗是對方程中的各個回歸系數b是否具有顯著性進行驗證，并將方程中對y沒有顯著影響的因素去除。t檢驗是經常采用的方法。

此外，還有多重共線性檢驗與DW檢驗等。

（二）神經網絡模型

人工神經網絡（Artificial Neural Network，下文簡稱ANN），是一種對生物神經網絡的結構與功能進行模仿的數學計算模型。神經網絡依靠大量的人工“神經元”聯結組合而成，每個“神經元”代表一種激勵函數（Activation Function），它屬于一種特定的輸出函數。對每兩個“神經元”間的連接都賦予一個權重（Weight），它代表通過該連接信號的加權值，這與活體生物的神經網絡相類似。網絡的激勵函數、連接方式與權重值的不同決定了網絡輸出的不同。同時，ANN是一種自適應系統，它能根據外界信息的變化改變自身的內部結構，通過對輸入、輸出變量的不同關系的分析，掌握其中的內在規律，建立不同的非線性統計性數據模型，這一建模的過程也被稱為“訓練”。

如圖1所示，a1，a2，…，an為輸入向量的各個分量；w1，w2，…，wn為神經元各個連接的權重；b為偏置；f為非線性傳遞函數；t為神經元輸出，t=f（WA'+b），其中，W為權向量，A為輸入向量，A'為A向量的轉置。ANN具備大量公式同時運行、大量數據同時計算、運算程序分布式存儲、運算結果綜合式處理、自我適應、自我組織與自我學習的能力，它自從被提出以來就在實務界得到廣泛的運用，特別是隨著近年來計算機電子技術的發展與進步，ANN逐步完成了軟件模擬與硬件實現的無縫對接，在信號處理、模式識別、專家系統、優化組合、知識控制、機器人控制等領域發揮著越來越重要的作用。ANN非常適合應用于擁有很多不同的輸入向量（即所要處理的問題需要同時考慮多種條件與因素），且輸入向量具備不精確、模糊性特征的信息處理問題。

（三）盈余管理

盈余管理（Earnings Management）是會計政策的選擇具有經濟后果的一種具體表現形式，指企業管理層在遵循會計準則的基礎上，通過對企業對外報告的會計收益信息進行控制或調整，以達到主體自身利益最大化的行為。作為影響企業會計質量的重要因素，盈余管理備受企業的管理者、所用者、債權人、政府監管部門等利益相關者的關注。因此，必須對企業的盈余管理程度進行準確、合理的評價與預測。由于公司治理結構不僅涉及一系列定量的指標，還包括了大量定性的指標，這些指標本身就非常復雜，再加上會計信息本身所特有的模糊性，對盈余管理與股權結構關系的研究造成了很大的難度。

在相關實證研究中，學者們大多數是運用多元線性回歸方法，該方法強大的分析與預測功能在很多問題的研究中均發揮了較好的作用。然而，值得注意的是，運用線性回歸模型的前提是滿足五條基本假設，即誤差的正態性、解釋變量的無關性、同方差性、無偏性、獨立性。在實際生活中，這些基本假設是很苛刻的，幾乎無法全部滿足，這就使回歸模型產生了偏差。ANN模型則避免了這些假設，將ANN納入公司治理結構和盈余管理之間關系的研究，可以有效避免多元線性回歸模型中強相關性或者輸入變量有噪聲等問題，并且ANN可以很好地模擬非線性關系，具有很強的優越性。

三、研究設計

（一）樣本選取

本文的上市公司數據全部來自于國泰安數據庫，選取截至2013年第三季度末（9月30日）之前上市的滬市A股上市公司數據，剔除ST、■ST、PT類和金融類企業，以及數據不全的上市公司，最后得到1 084家上市公司數據（見表1）。

（二）盈余管理計量方法選擇

截至目前，學術界常采用以下三種方法對盈余管理進行計量：應計利潤分離法、分布檢測法與具體項目法，其中，使用最多的方法為應計利潤分離法。所謂分離，是指運用回歸模型將應計利潤分離為可操控性與不可操控性，并以可操控性應計利潤作為衡量盈余管理的大小與程度的依據。運用該方法的關鍵是如何對應計利潤進行分離。分離應計利潤的模型很多，包括KS模型、Jones模型、修正的Jones模型、隨機游走模型、行業模型等，本文將運用Jones模型。Jones模型估量非操縱性應計利潤的公式如下：

NDAt=α1（1/At-1）+α2（ΔREVt/At-1）+α3（PPEt/At-1）

（4）

式中，ΔREVt是第t期收入和第t-1期收入的差額；PPEt是第t期期末的固定資產價值；At-1是第t-1期期末總資產；α1、α2、α3是公司特征參數。α1、α2、α3的估計值運用估計期各項數值進行回歸取得。

TAt/At-1=a1（1/At-1）+a2（ΔREVt/At-1）+a3（PPEt/At-1）+εt（5）

式中，a1、a2、a3是α1、α2、α3的OLS估計值，TAt是第t期的總應計利潤。εt為剩余項，代表各公司總應計利潤中的操控性應計利潤部分。其他變量含義和式（4）相同。

（三）研究假設

公司的治理結構包括廣義和狹義兩個層次的內容，廣義是包括外部治理結構與內部治理結構，狹義只包括內部治理結構。本文對公司治理結構采取了狹義的概念，主要研究股權結構、董事會、監事會等內部治理結構的內容。

1.股權結構

X1：第一大股東持股比例。眾所周知，我國上市公司的一個顯著特點為“一股獨大”，這常常造成大股東侵占小股東利益，由此提出假設一：第一大股東持股比例與盈余管理正相關。

X2：國有股持股比例。由于國有股的股東沒有所有權，缺乏足夠的動力去監管管理層，從而使管理層擁有更多盈余管理的機會，由此提出假設二：國有股比例與盈余管理正相關。

X3：法人股持股比例。相對于國有股，法人股對于公司管理層具有更高的監督積極性；相對于小股東，法人股具備更高的監管能力，由此提出假設三：法人股比例與盈余管理負相關。

2.董事會

X4：董事長兼任總經理。若董事長兼任總經理取1，否則取0。董事長是董事會的首腦，總經理是公司管理層的首腦，若二者由同一人擔任，無疑會大大削弱董事會對管理層的監督，由此提出假設四：兼任與盈余管理正相關。

X5：獨立董事的比例。我國《公司法》規定，獨立董事必須具有五年以上法律、經濟或者其他履行獨立董事職責所必需的工作經驗，由此提出假設五：獨立董事在董事會中所占比例與盈余管理程度負相關。

X6：董事會規模。《公司法》規定，股份有限公司的董事會由五到十九人構成，若董事會規模過大，會造成董事之間溝通的低效率與高成本，即付出的成本會超過其創造的價值，由此提出假設六：董事會規模與盈余管理正相關。

3.監事會

X7：監事會規模。《公司法》規定，監事會由三名以上的監事構成，監事會是公司的監督機構，其規模越大，越有利于對管理層的監督。由此提出假設七：監事會規模與盈余管理負相關。

X8：監事會成員持股比例。監事會成立的目的是對公司的管理層進行監督，相對較高的持股比例，可以增加監事會成員對管理層的經營管理狀況進行監督的動力，實現對盈余管理行為的抑制，由此提出假設八：監事會成員持股比例與盈余管理負相關。

（四）控制變量

鑒于上市公司盈余管理的程度不可避免地會受到一些非治理結構因素的影響，為了對解釋變量影響被解釋變量加以調節，本文設置以下三個控制變量：公司規模（取公司年末總資產的對數值）、凈資產收益率、資產負債率。

（五）模型構建

首先利用EViews7.0對Jones模型進行多元線性回歸，回歸結果顯示：調整判定系數為0.957，對應的F檢驗的p值小于0.000，由此判定模型的擬合優度良好。繼而進行t檢驗，僅有常數項未通過檢驗，即非操控性應計利潤模型為：

NDAi-t/Ai+1=6.412E8（1/Ai+1）+0.261（ΔREVi-t/At-1）+α3（PPEt/At-1）（6）

盈余管理，即操控性應計利潤可以通過減法得到，公式如下：

EMi-t=TDAi-t-NDAi-t/Ai+1 （7）

四、實證結果與分析

（一）描述性統計分析

樣本公司描述性統計結果如表2所示。

（二）多元線性回歸結果與分析

本文采用EViews7.0對自變量、因變量進行了多元線性回歸分析，回歸分析結果見表3與表4。

由表4可知，X1（第一大股東持股比例）、X2（國有股持股比例）、X7（監事會規模）、X8（監事會成員持股比例）均與企業的盈余管理程度正相關；而X6（董事會規模）與盈余管理負相關；X3（法人股持股比例）、X4（董事長兼任總經理）以及X5（獨立董事的比例）與盈余管理的關系不顯著。由表3可知，回歸方程的調整的R2為0.192，表明方程擬合優度的F檢驗的Sig.值為0.000，說明擬合優度良好，但應當注意，表示殘差平方和的SSE值較大。

（三）人工神經網絡模型的實證結果與分析

本部分將運用ANN模型對數據進行實證分析。具體步驟如下：

第一步，選取合適的ANN結構。筆者將采用三層人工神經網絡，即：輸入層、隱含層與輸出層，將從X1到X8八個指標設定為輸入層的八個節點，將操控性應計利潤設定為輸出層的唯一節點，為隱含層設定二十個節點。隱含層的激活函數為：（fx）=1/（1+exp（-x））；輸出層的激活函數為：（fx）=x

第二步，網絡參數初始化。為隱含層與輸入層之間的連接賦予權值wij、閾值θk，輸出層與隱含層之間的連接權值w'ij、閾值θ'k，所選取樣本數據的閾值為［-1，1］。

第三步，將樣本中的數據輸入，運用上文所述的式（4）對隱含層的輸入進行運算，然后運用式（5）計算隱含層的輸出；該值也是輸出層的輸入，在此基礎上繼續計算輸出層的輸出。最后，可得到輸出關系式：y=■w■■［（■）θ■■■+θ■■■］，根據式（7）可計算得出殘差平方和SSE值為0.621，大大小于多元線性回歸得出的0.975。

為了對ANN模型的預測能力進行更好的驗證，筆者將2013年的樣本數據劃分為兩個子部分，一部分為訓練樣本，另一部分為測試樣本，檢驗結果見表5。

由表5中可知，單就預測能力而言，多元線性回歸模型遠不如ANN模型的準確性強。對于這種對比分析的結果，一個更為直觀的解釋是：在現實世界中，公司治理結構中的諸多要素與盈余管理之間并非是一種簡單的線性關系，ANN模型使這種非線性模型表現出更好的模擬效果。

五、結論與下一步研究方向

本文選取了截至2013年9月30日在上交所上市的1 084家上市公司數據，對公司治理結構與盈余管理的關系分別運用多元線性回歸與ANN模型進行研究，并對兩種模型的實證研究結果進行了對比分析。結果表明，ANN模型具有較高的擬合優度，這為今后關于非線性關系的研究開辟了新的道路。但本文仍存在以下兩個方面的缺陷：一是在數據的選取上，僅以2013年前三個季度的數據為樣本，由于個別樣本可能存在異常，這可能會對這個樣本數據的回歸結果造成偏差，下一步可以考慮截取多年的時間序列數據對ANN模型與多元線性回歸模型進行對比研究；二是對于因變量公司治理結構，本文采取的是狹義的概念，將研究的范圍限定在內部治理結構，而將外部治理結構排除在外，今后可以將囊括了外部產品市場、資本市場在內的外部治理結構也納入研究的范圍，從而了解公司治理結構與盈余管理關系的全貌。●

【參考文獻】

［1］ 朱榮.真實盈余管理的經濟后果研究述評［J］.會計之友，2013（3）：72-74.

［2］ 黎春.中國上市公司財務指數研究［D］.西南財經大學，2010.

［3］ 丁真真.基于BP神經網絡的快速消費品上市公司財務風險預警系統研究［D］.東北林業大學，2012.

［4］ 王世蘭.基于神經網絡的中國上市公司財務危機預警研究［D］.西南財經大學，2011.

［5］ 徐巖，陳銀濤，于曉佳，等.EVA績效評價對盈余管理影響的實證分析［J］.會計之友，2012（21）:76-78.

［6］ 李惠，胡安琴. 機構投資者與盈余管理的關系研究［J］.會計之友，2013（23）:101-104.

［7］ 張勤，陳良華. 董事會特征與盈余管理關系的實證研究——基于我國中小板上市公司的面板數據［J］.會計之友，2012（36）:101-106.

［8］ 王木之，譚洪濤. 我國上市公司盈利比率分布特性創新研究——基于2011年滬深股市制造業的截面數據［J］.會計之友，2013（24）：72-74.

NDAt=α1（1/At-1）+α2（ΔREVt/At-1）+α3（PPEt/At-1）

（4）

式中，ΔREVt是第t期收入和第t-1期收入的差額；PPEt是第t期期末的固定資產價值；At-1是第t-1期期末總資產；α1、α2、α3是公司特征參數。α1、α2、α3的估計值運用估計期各項數值進行回歸取得。

TAt/At-1=a1（1/At-1）+a2（ΔREVt/At-1）+a3（PPEt/At-1）+εt（5）

式中，a1、a2、a3是α1、α2、α3的OLS估計值，TAt是第t期的總應計利潤。εt為剩余項，代表各公司總應計利潤中的操控性應計利潤部分。其他變量含義和式（4）相同。

（三）研究假設

公司的治理結構包括廣義和狹義兩個層次的內容，廣義是包括外部治理結構與內部治理結構，狹義只包括內部治理結構。本文對公司治理結構采取了狹義的概念，主要研究股權結構、董事會、監事會等內部治理結構的內容。

1.股權結構

X1：第一大股東持股比例。眾所周知，我國上市公司的一個顯著特點為“一股獨大”，這常常造成大股東侵占小股東利益，由此提出假設一：第一大股東持股比例與盈余管理正相關。

X2：國有股持股比例。由于國有股的股東沒有所有權，缺乏足夠的動力去監管管理層，從而使管理層擁有更多盈余管理的機會，由此提出假設二：國有股比例與盈余管理正相關。

X3：法人股持股比例。相對于國有股，法人股對于公司管理層具有更高的監督積極性；相對于小股東，法人股具備更高的監管能力，由此提出假設三：法人股比例與盈余管理負相關。

2.董事會

X4：董事長兼任總經理。若董事長兼任總經理取1，否則取0。董事長是董事會的首腦，總經理是公司管理層的首腦，若二者由同一人擔任，無疑會大大削弱董事會對管理層的監督，由此提出假設四：兼任與盈余管理正相關。

X5：獨立董事的比例。我國《公司法》規定，獨立董事必須具有五年以上法律、經濟或者其他履行獨立董事職責所必需的工作經驗，由此提出假設五：獨立董事在董事會中所占比例與盈余管理程度負相關。

X6：董事會規模。《公司法》規定，股份有限公司的董事會由五到十九人構成，若董事會規模過大，會造成董事之間溝通的低效率與高成本，即付出的成本會超過其創造的價值，由此提出假設六：董事會規模與盈余管理正相關。

3.監事會

X7：監事會規模。《公司法》規定，監事會由三名以上的監事構成，監事會是公司的監督機構，其規模越大，越有利于對管理層的監督。由此提出假設七：監事會規模與盈余管理負相關。

X8：監事會成員持股比例。監事會成立的目的是對公司的管理層進行監督，相對較高的持股比例，可以增加監事會成員對管理層的經營管理狀況進行監督的動力，實現對盈余管理行為的抑制，由此提出假設八：監事會成員持股比例與盈余管理負相關。

（四）控制變量

鑒于上市公司盈余管理的程度不可避免地會受到一些非治理結構因素的影響，為了對解釋變量影響被解釋變量加以調節，本文設置以下三個控制變量：公司規模（取公司年末總資產的對數值）、凈資產收益率、資產負債率。

（五）模型構建

首先利用EViews7.0對Jones模型進行多元線性回歸，回歸結果顯示：調整判定系數為0.957，對應的F檢驗的p值小于0.000，由此判定模型的擬合優度良好。繼而進行t檢驗，僅有常數項未通過檢驗，即非操控性應計利潤模型為：

NDAi-t/Ai+1=6.412E8（1/Ai+1）+0.261（ΔREVi-t/At-1）+α3（PPEt/At-1）（6）

盈余管理，即操控性應計利潤可以通過減法得到，公式如下：

EMi-t=TDAi-t-NDAi-t/Ai+1 （7）

四、實證結果與分析

（一）描述性統計分析

樣本公司描述性統計結果如表2所示。

（二）多元線性回歸結果與分析

本文采用EViews7.0對自變量、因變量進行了多元線性回歸分析，回歸分析結果見表3與表4。

由表4可知，X1（第一大股東持股比例）、X2（國有股持股比例）、X7（監事會規模）、X8（監事會成員持股比例）均與企業的盈余管理程度正相關；而X6（董事會規模）與盈余管理負相關；X3（法人股持股比例）、X4（董事長兼任總經理）以及X5（獨立董事的比例）與盈余管理的關系不顯著。由表3可知，回歸方程的調整的R2為0.192，表明方程擬合優度的F檢驗的Sig.值為0.000，說明擬合優度良好，但應當注意，表示殘差平方和的SSE值較大。

（三）人工神經網絡模型的實證結果與分析

本部分將運用ANN模型對數據進行實證分析。具體步驟如下：

第一步，選取合適的ANN結構。筆者將采用三層人工神經網絡，即：輸入層、隱含層與輸出層，將從X1到X8八個指標設定為輸入層的八個節點，將操控性應計利潤設定為輸出層的唯一節點，為隱含層設定二十個節點。隱含層的激活函數為：（fx）=1/（1+exp（-x））；輸出層的激活函數為：（fx）=x

第二步，網絡參數初始化。為隱含層與輸入層之間的連接賦予權值wij、閾值θk，輸出層與隱含層之間的連接權值w'ij、閾值θ'k，所選取樣本數據的閾值為［-1，1］。

第三步，將樣本中的數據輸入，運用上文所述的式（4）對隱含層的輸入進行運算，然后運用式（5）計算隱含層的輸出；該值也是輸出層的輸入，在此基礎上繼續計算輸出層的輸出。最后，可得到輸出關系式：y=■w■■［（■）θ■■■+θ■■■］，根據式（7）可計算得出殘差平方和SSE值為0.621，大大小于多元線性回歸得出的0.975。

為了對ANN模型的預測能力進行更好的驗證，筆者將2013年的樣本數據劃分為兩個子部分，一部分為訓練樣本，另一部分為測試樣本，檢驗結果見表5。

由表5中可知，單就預測能力而言，多元線性回歸模型遠不如ANN模型的準確性強。對于這種對比分析的結果，一個更為直觀的解釋是：在現實世界中，公司治理結構中的諸多要素與盈余管理之間并非是一種簡單的線性關系，ANN模型使這種非線性模型表現出更好的模擬效果。

五、結論與下一步研究方向

本文選取了截至2013年9月30日在上交所上市的1 084家上市公司數據，對公司治理結構與盈余管理的關系分別運用多元線性回歸與ANN模型進行研究，并對兩種模型的實證研究結果進行了對比分析。結果表明，ANN模型具有較高的擬合優度，這為今后關于非線性關系的研究開辟了新的道路。但本文仍存在以下兩個方面的缺陷：一是在數據的選取上，僅以2013年前三個季度的數據為樣本，由于個別樣本可能存在異常，這可能會對這個樣本數據的回歸結果造成偏差，下一步可以考慮截取多年的時間序列數據對ANN模型與多元線性回歸模型進行對比研究；二是對于因變量公司治理結構，本文采取的是狹義的概念，將研究的范圍限定在內部治理結構，而將外部治理結構排除在外，今后可以將囊括了外部產品市場、資本市場在內的外部治理結構也納入研究的范圍，從而了解公司治理結構與盈余管理關系的全貌。●

【參考文獻】

［1］ 朱榮.真實盈余管理的經濟后果研究述評［J］.會計之友，2013（3）：72-74.

［2］ 黎春.中國上市公司財務指數研究［D］.西南財經大學，2010.

［3］ 丁真真.基于BP神經網絡的快速消費品上市公司財務風險預警系統研究［D］.東北林業大學，2012.

［4］ 王世蘭.基于神經網絡的中國上市公司財務危機預警研究［D］.西南財經大學，2011.

［5］ 徐巖，陳銀濤，于曉佳，等.EVA績效評價對盈余管理影響的實證分析［J］.會計之友，2012（21）:76-78.

［6］ 李惠，胡安琴. 機構投資者與盈余管理的關系研究［J］.會計之友，2013（23）:101-104.

［7］ 張勤，陳良華. 董事會特征與盈余管理關系的實證研究——基于我國中小板上市公司的面板數據［J］.會計之友，2012（36）:101-106.

［8］ 王木之，譚洪濤. 我國上市公司盈利比率分布特性創新研究——基于2011年滬深股市制造業的截面數據［J］.會計之友，2013（24）：72-74.

NDAt=α1（1/At-1）+α2（ΔREVt/At-1）+α3（PPEt/At-1）

（4）

式中，ΔREVt是第t期收入和第t-1期收入的差額；PPEt是第t期期末的固定資產價值；At-1是第t-1期期末總資產；α1、α2、α3是公司特征參數。α1、α2、α3的估計值運用估計期各項數值進行回歸取得。

TAt/At-1=a1（1/At-1）+a2（ΔREVt/At-1）+a3（PPEt/At-1）+εt（5）

式中，a1、a2、a3是α1、α2、α3的OLS估計值，TAt是第t期的總應計利潤。εt為剩余項，代表各公司總應計利潤中的操控性應計利潤部分。其他變量含義和式（4）相同。

（三）研究假設

公司的治理結構包括廣義和狹義兩個層次的內容，廣義是包括外部治理結構與內部治理結構，狹義只包括內部治理結構。本文對公司治理結構采取了狹義的概念，主要研究股權結構、董事會、監事會等內部治理結構的內容。

1.股權結構

X1：第一大股東持股比例。眾所周知，我國上市公司的一個顯著特點為“一股獨大”，這常常造成大股東侵占小股東利益，由此提出假設一：第一大股東持股比例與盈余管理正相關。

X2：國有股持股比例。由于國有股的股東沒有所有權，缺乏足夠的動力去監管管理層，從而使管理層擁有更多盈余管理的機會，由此提出假設二：國有股比例與盈余管理正相關。

X3：法人股持股比例。相對于國有股，法人股對于公司管理層具有更高的監督積極性；相對于小股東，法人股具備更高的監管能力，由此提出假設三：法人股比例與盈余管理負相關。

2.董事會

X4：董事長兼任總經理。若董事長兼任總經理取1，否則取0。董事長是董事會的首腦，總經理是公司管理層的首腦，若二者由同一人擔任，無疑會大大削弱董事會對管理層的監督，由此提出假設四：兼任與盈余管理正相關。

X5：獨立董事的比例。我國《公司法》規定，獨立董事必須具有五年以上法律、經濟或者其他履行獨立董事職責所必需的工作經驗，由此提出假設五：獨立董事在董事會中所占比例與盈余管理程度負相關。

X6：董事會規模。《公司法》規定，股份有限公司的董事會由五到十九人構成，若董事會規模過大，會造成董事之間溝通的低效率與高成本，即付出的成本會超過其創造的價值，由此提出假設六：董事會規模與盈余管理正相關。

3.監事會

X7：監事會規模。《公司法》規定，監事會由三名以上的監事構成，監事會是公司的監督機構，其規模越大，越有利于對管理層的監督。由此提出假設七：監事會規模與盈余管理負相關。

X8：監事會成員持股比例。監事會成立的目的是對公司的管理層進行監督，相對較高的持股比例，可以增加監事會成員對管理層的經營管理狀況進行監督的動力，實現對盈余管理行為的抑制，由此提出假設八：監事會成員持股比例與盈余管理負相關。

（四）控制變量

鑒于上市公司盈余管理的程度不可避免地會受到一些非治理結構因素的影響，為了對解釋變量影響被解釋變量加以調節，本文設置以下三個控制變量：公司規模（取公司年末總資產的對數值）、凈資產收益率、資產負債率。

（五）模型構建

首先利用EViews7.0對Jones模型進行多元線性回歸，回歸結果顯示：調整判定系數為0.957，對應的F檢驗的p值小于0.000，由此判定模型的擬合優度良好。繼而進行t檢驗，僅有常數項未通過檢驗，即非操控性應計利潤模型為：

NDAi-t/Ai+1=6.412E8（1/Ai+1）+0.261（ΔREVi-t/At-1）+α3（PPEt/At-1）（6）

盈余管理，即操控性應計利潤可以通過減法得到，公式如下：

EMi-t=TDAi-t-NDAi-t/Ai+1 （7）

四、實證結果與分析

（一）描述性統計分析

樣本公司描述性統計結果如表2所示。

（二）多元線性回歸結果與分析

本文采用EViews7.0對自變量、因變量進行了多元線性回歸分析，回歸分析結果見表3與表4。

由表4可知，X1（第一大股東持股比例）、X2（國有股持股比例）、X7（監事會規模）、X8（監事會成員持股比例）均與企業的盈余管理程度正相關；而X6（董事會規模）與盈余管理負相關；X3（法人股持股比例）、X4（董事長兼任總經理）以及X5（獨立董事的比例）與盈余管理的關系不顯著。由表3可知，回歸方程的調整的R2為0.192，表明方程擬合優度的F檢驗的Sig.值為0.000，說明擬合優度良好，但應當注意，表示殘差平方和的SSE值較大。

（三）人工神經網絡模型的實證結果與分析

本部分將運用ANN模型對數據進行實證分析。具體步驟如下：

第一步，選取合適的ANN結構。筆者將采用三層人工神經網絡，即：輸入層、隱含層與輸出層，將從X1到X8八個指標設定為輸入層的八個節點，將操控性應計利潤設定為輸出層的唯一節點，為隱含層設定二十個節點。隱含層的激活函數為：（fx）=1/（1+exp（-x））；輸出層的激活函數為：（fx）=x

第二步，網絡參數初始化。為隱含層與輸入層之間的連接賦予權值wij、閾值θk，輸出層與隱含層之間的連接權值w'ij、閾值θ'k，所選取樣本數據的閾值為［-1，1］。

第三步，將樣本中的數據輸入，運用上文所述的式（4）對隱含層的輸入進行運算，然后運用式（5）計算隱含層的輸出；該值也是輸出層的輸入，在此基礎上繼續計算輸出層的輸出。最后，可得到輸出關系式：y=■w■■［（■）θ■■■+θ■■■］，根據式（7）可計算得出殘差平方和SSE值為0.621，大大小于多元線性回歸得出的0.975。

為了對ANN模型的預測能力進行更好的驗證，筆者將2013年的樣本數據劃分為兩個子部分，一部分為訓練樣本，另一部分為測試樣本，檢驗結果見表5。

由表5中可知，單就預測能力而言，多元線性回歸模型遠不如ANN模型的準確性強。對于這種對比分析的結果，一個更為直觀的解釋是：在現實世界中，公司治理結構中的諸多要素與盈余管理之間并非是一種簡單的線性關系，ANN模型使這種非線性模型表現出更好的模擬效果。

五、結論與下一步研究方向

本文選取了截至2013年9月30日在上交所上市的1 084家上市公司數據，對公司治理結構與盈余管理的關系分別運用多元線性回歸與ANN模型進行研究，并對兩種模型的實證研究結果進行了對比分析。結果表明，ANN模型具有較高的擬合優度，這為今后關于非線性關系的研究開辟了新的道路。但本文仍存在以下兩個方面的缺陷：一是在數據的選取上，僅以2013年前三個季度的數據為樣本，由于個別樣本可能存在異常，這可能會對這個樣本數據的回歸結果造成偏差，下一步可以考慮截取多年的時間序列數據對ANN模型與多元線性回歸模型進行對比研究；二是對于因變量公司治理結構，本文采取的是狹義的概念，將研究的范圍限定在內部治理結構，而將外部治理結構排除在外，今后可以將囊括了外部產品市場、資本市場在內的外部治理結構也納入研究的范圍，從而了解公司治理結構與盈余管理關系的全貌。●

【參考文獻】

［1］ 朱榮.真實盈余管理的經濟后果研究述評［J］.會計之友，2013（3）：72-74.

［2］ 黎春.中國上市公司財務指數研究［D］.西南財經大學，2010.

［3］ 丁真真.基于BP神經網絡的快速消費品上市公司財務風險預警系統研究［D］.東北林業大學，2012.

［4］ 王世蘭.基于神經網絡的中國上市公司財務危機預警研究［D］.西南財經大學，2011.

［5］ 徐巖，陳銀濤，于曉佳，等.EVA績效評價對盈余管理影響的實證分析［J］.會計之友，2012（21）:76-78.

［6］ 李惠，胡安琴. 機構投資者與盈余管理的關系研究［J］.會計之友，2013（23）:101-104.

［7］ 張勤，陳良華. 董事會特征與盈余管理關系的實證研究——基于我國中小板上市公司的面板數據［J］.會計之友，2012（36）:101-106.

［8］ 王木之，譚洪濤. 我國上市公司盈利比率分布特性創新研究——基于2011年滬深股市制造業的截面數據［J］.會計之友，2013（24）：72-74.