盈余质量对中国上市公司投资行为的多维度影响研究

盈余质量对中国上市公司投资行为的多维度影响研究一、引言1.1研究背景与意义1.1.1研究背景在我国经济体系中，上市公司占据着举足轻重的地位。据相关数据显示，截至2024年12月16日，我国上市公司数量已达到5386家，股票总市值突破100.44万亿元。从营业总收入来看，1990年我国上市公司营业总收入仅为9.32亿元，而到2023年这一数字飙升至72.71万亿元，增长近7.8万倍，年均复合增长率高达39.28%；2024年前三季度，我国上市公司营业总收入为52.72万亿元，占GDP的比重高达55.51%。这些数据充分表明上市公司已成为我国经济发展的重要支柱，其经营状况和发展能力对国民经济的稳定和可持续发展有着深远影响。盈余质量作为衡量上市公司经营成果和财务健康状况的关键指标，一直备受关注。高质量的盈余能够准确反映企业的实际经营业绩和财务状况，为投资者、债权人等利益相关者提供可靠的决策依据。然而，在现实中，部分上市公司存在盈余管理行为，通过操纵会计信息来美化财务报表，导致盈余质量低下，这不仅误导了投资者的决策，也破坏了资本市场的公平和效率。投资行为是企业实现扩张和发展的重要手段，合理的投资决策能够提升企业的竞争力和价值。但企业的投资决策往往受到多种因素的影响，其中盈余质量便是一个重要因素。高质量的盈余可以为企业提供准确的财务信号，帮助企业管理层做出更合理的投资决策；而低质量的盈余则可能导致企业投资决策失误，造成资源浪费和效率低下。例如，若企业通过盈余管理虚增利润，可能会使管理层高估企业的盈利能力和资金实力，从而盲目进行大规模投资，最终导致产能过剩和资产闲置。1.1.2研究意义本研究具有重要的理论和现实意义。从理论角度来看，虽然国内外学者对盈余质量和企业投资行为分别进行了大量研究，但将二者结合起来进行深入分析的文献相对较少。本研究通过探讨盈余质量对企业投资行为的影响机制，有助于丰富和完善企业投资理论和盈余质量理论，为后续研究提供新的视角和思路。从现实意义来讲，对企业自身而言，了解盈余质量与投资行为之间的关系，有助于企业管理层提高对盈余质量的重视程度，加强财务管理和内部控制，提高盈余质量，从而做出更加科学合理的投资决策，提升企业的投资效率和价值。对投资者来说，在进行投资决策时，可以将盈余质量作为重要的参考指标，识别企业的真实盈利能力和投资价值，避免因企业盈余质量问题而遭受投资损失。对资本市场而言，提高上市公司的盈余质量，优化企业投资行为，有助于增强资本市场的透明度和稳定性，促进资源的合理配置，推动资本市场的健康发展。1.2研究目标与内容1.2.1研究目标本研究旨在深入探究盈余质量与企业投资行为之间的内在关系，通过对中国上市公司的实证分析，揭示盈余质量如何影响企业的投资决策、投资规模以及投资效率。具体而言，本研究试图达成以下目标：明确盈余质量对企业总体投资规模的影响方向和程度。通过实证检验，确定高质量的盈余是否会促使企业增加投资规模，以及低质量盈余对投资规模的抑制作用。分析盈余质量与企业投资-现金流敏感度之间的关系。探究高质量的盈余是否能够降低企业投资对内部现金流的依赖，缓解融资约束，从而提高投资决策的科学性。揭示盈余质量与企业非效率投资之间的关联。识别盈余管理行为如何导致企业非效率投资的产生，以及高质量的盈余如何有助于减少非效率投资，提高资源配置效率。基于研究结果，为企业管理层、投资者和监管部门提供有针对性的建议，以促进企业提高盈余质量，优化投资行为，提升投资效率，进而推动资本市场的健康发展。1.2.2研究内容本研究将围绕盈余质量与企业投资行为展开多维度的分析，具体内容如下：盈余质量对企业总体投资规模的影响：收集中国上市公司的财务数据，运用计量经济学方法，构建投资规模模型，将盈余质量作为关键解释变量，控制其他可能影响投资规模的因素，如企业规模、成长机会、资本结构等，分析盈余质量对企业总体投资规模的影响。通过实证检验，验证高质量的盈余是否会为企业提供更多的内部资金和积极的市场信号，从而促使企业扩大投资规模；低质量的盈余是否会导致企业面临融资困难和市场信任缺失，进而抑制投资规模。盈余质量对企业投资-现金流敏感度的影响：借鉴国内外相关研究方法，构建投资-现金流敏感度模型，考察盈余质量如何调节企业投资与内部现金流之间的关系。研究高质量的会计信息是否能够降低企业与外部投资者之间的信息不对称，增强外部融资能力，从而降低投资对内部现金流的依赖程度；低质量的盈余是否会加剧信息不对称，使企业更加依赖内部现金流，导致投资-现金流敏感度上升。盈余质量对企业非效率投资的影响：识别和衡量企业的非效率投资行为，通过构建非效率投资模型，探究盈余质量与非效率投资之间的内在联系。分析企业的盈余管理行为是否会误导管理层的投资决策，导致过度投资或投资不足等非效率投资行为的发生；高质量的盈余是否能够提供准确的企业经营状况信息，帮助管理层做出合理的投资决策，减少非效率投资。基于研究结果的政策建议：根据上述实证研究结果，分别从企业管理层、投资者和监管部门三个角度提出针对性的建议。对企业管理层而言，应强调提高盈余质量的重要性，加强内部控制和财务管理，优化投资决策流程；对投资者来说，要重视盈余质量在投资决策中的作用，提高对企业真实价值的判断能力；对监管部门而言，需加强对上市公司盈余质量的监管，完善信息披露制度，规范企业投资行为，维护资本市场的公平和效率。1.3研究方法与创新点1.3.1研究方法文献研究法：广泛收集国内外关于盈余质量和企业投资行为的相关文献，梳理已有研究成果，分析研究现状和发展趋势，为本文的研究提供理论基础和研究思路。通过对相关理论和实证研究文献的综合分析，明确盈余质量的度量方法、企业投资行为的影响因素以及两者之间关系的研究进展，找出已有研究的不足之处，从而确定本文的研究方向和重点。实证分析法：选取中国上市公司的财务数据作为研究样本，运用计量经济学方法构建实证模型，对盈余质量与企业投资行为之间的关系进行量化分析。通过描述性统计分析，了解样本数据的基本特征；运用相关性分析，初步判断变量之间的相关关系；采用多元线性回归分析等方法，深入探究盈余质量对企业投资规模、投资-现金流敏感度以及非效率投资的影响，并对研究假设进行检验。通过实证分析，得出具有说服力的研究结论，为理论研究提供数据支持。案例分析法：选取具有代表性的上市公司案例，深入分析其盈余质量状况和投资行为，结合实证研究结果，进一步验证和解释盈余质量对企业投资行为的影响机制。通过详细剖析具体企业的实际情况，更加直观地展示盈余质量与企业投资行为之间的内在联系，为理论研究和实证分析提供具体的实践案例支撑，增强研究结论的可靠性和实用性。1.3.2创新点研究视角独特：从盈余质量这一视角出发，全面研究其对企业投资行为多维度的影响，包括总体投资规模、投资-现金流敏感度以及非效率投资等方面。相较于以往研究，本文将盈余质量与企业投资行为的多个关键维度相结合，拓展了研究的广度和深度，为深入理解企业投资决策机制提供了新的视角。样本数据丰富：在实证研究中，选取了大量中国上市公司多年的数据作为研究样本，涵盖了不同行业、不同规模和不同发展阶段的企业，使研究结果更具代表性和普遍性。丰富的样本数据能够有效降低样本选择偏差，提高研究结论的可靠性和说服力，为相关理论和实践提供更坚实的数据基础。研究方法综合运用：综合运用文献研究法、实证分析法和案例分析法，从理论分析、实证检验和案例剖析三个层面深入研究盈余质量与企业投资行为之间的关系。这种多方法结合的研究方式，既充分吸收了已有研究成果，又通过实证数据验证了理论假设，同时借助案例分析进一步阐释了研究结论，使研究更加全面、系统和深入，提高了研究的科学性和可信度。二、理论基础与文献综述2.1相关理论基础2.1.1MM定理MM定理，全称为莫迪利亚尼-米勒定理（Modigliani-MillerTheorem），由美国经济学家弗兰科・莫迪格利安尼（FrancoModigliani）和默顿・米勒（MertonMiller）于1958年提出，该理论是现代资本结构理论的基石，在企业投融资决策研究领域具有开创性意义。MM定理的基本内容建立在一系列严格的假设条件之上。假设市场是完美的，即不存在交易成本、税收以及信息不对称等因素；企业的经营风险具有可衡量性，且同类风险企业的风险等级相同；投资者对企业未来收益和风险的预期一致；企业的投资决策不受融资决策的影响，且企业的现金流是永续的。在无税条件下，MM定理指出企业的价值与其资本结构无关，即无论企业是采用债务融资还是股权融资，其总价值保持不变。用公式表示为V_{L}=V_{U}，其中V_{L}表示有负债企业的价值，V_{U}表示无负债企业的价值。这意味着在理想的市场环境中，企业的融资方式不会影响其市场价值，投资者对企业价值的评估仅取决于企业的盈利能力和经营风险。在考虑公司所得税的情况下，MM定理进行了修正。由于债务利息具有抵税作用，负债经营的企业可以获得税收利益，从而增加企业的价值。此时，企业的价值等于无负债企业的价值加上债务利息抵税的现值，即V_{L}=V_{U}+T\timesD，其中T为公司所得税税率，D为债务的市场价值。这表明在有税的环境下，企业适当增加债务融资比例可以提高企业的价值。MM定理的提出为企业投融资决策研究提供了重要的理论基础，具有开创性的意义。它打破了传统观念中关于资本结构与企业价值关系的认知，为后续学者研究企业融资决策和资本结构优化提供了一个基准模型，引发了学术界对企业资本结构理论的深入探讨和不断完善。该定理促使企业在进行投融资决策时，更加注重对企业自身经营状况和市场环境的分析，而不仅仅局限于融资成本的考虑。虽然MM定理的假设条件在现实中难以完全满足，但它为企业管理者和投资者提供了一种思考问题的框架，帮助他们理解企业价值的本质以及资本结构对企业价值的潜在影响。在实践中，企业可以在MM定理的基础上，结合自身实际情况，如税收政策、破产成本、代理成本等因素，来优化资本结构，做出更合理的投融资决策。2.1.2信息不对称理论信息不对称理论是指在市场经济活动中，各类人员对有关信息的了解是有差异的；掌握信息比较充分的人员，往往处于比较有利的地位，而信息贫乏的人员，则处于比较不利的地位。这一理论由乔治・阿克洛夫（GeorgeAkerlof）、迈克尔・斯宾塞（MichaelSpence）和约瑟夫・斯蒂格利茨（JosephStiglitz）三位美国经济学家在20世纪70年代提出，他们也因此获得了2001年的诺贝尔经济学奖。在企业投资决策中，信息不对称普遍存在，主要体现在企业内部管理层与外部投资者之间。管理层通常对企业的经营状况、财务信息、投资项目的真实情况等有更深入的了解，而外部投资者只能通过企业披露的财务报告、公告等有限信息来评估企业的价值和投资项目的可行性。这种信息不对称会导致投资者在评估企业投资项目时面临较高的不确定性和风险，可能会使投资者要求更高的回报率，从而增加企业的融资成本。信息不对称还可能导致逆向选择问题，即高质量的投资项目可能因投资者难以识别而得不到足够的资金支持，而低质量的投资项目却可能因信息优势而获得融资，进而降低了资源的配置效率。信息不对称对盈余质量也有着重要影响。企业管理层为了获得外部投资者的信任和支持，可能会利用自身的信息优势进行盈余管理。他们通过操纵会计信息，如调整收入确认时间、费用资本化等手段，来美化企业的财务报表，使盈余数据看起来更加理想。这种盈余管理行为会降低盈余质量，使财务报表不能真实反映企业的经营业绩和财务状况。当投资者无法准确判断企业的真实盈余质量时，会进一步加剧信息不对称，导致市场对企业价值的错误定价，影响资本市场的正常运行。为了缓解信息不对称对企业投资决策和盈余质量的负面影响，企业需要加强信息披露，提高财务信息的透明度和准确性，减少管理层与投资者之间的信息差距。同时，投资者也应提高自身的信息分析能力，充分利用各种渠道获取信息，以降低投资风险。2.1.3委托代理理论委托代理理论是现代企业理论的重要组成部分，它主要研究在信息不对称和目标不一致的情况下，委托人与代理人之间的关系以及如何通过合理的机制设计来解决代理问题。该理论最早由罗斯（StephenRoss）于1973年提出，随后经过众多学者的不断完善和发展，在企业管理、经济学等领域得到了广泛应用。在企业中，委托代理关系主要表现为股东（委托人）与管理层（代理人）之间的关系。股东作为企业的所有者，追求企业价值最大化和自身财富的增长；而管理层作为企业的经营者，其目标可能更加多元化，除了追求企业业绩外，还可能关注自身的薪酬、职位晋升、在职消费等个人利益。由于双方目标不一致，加上信息不对称，管理层可能会为了自身利益而采取一些损害股东利益的行为，这就产生了代理问题。在企业投资行为中，委托代理问题会导致非效率投资行为的发生。管理层可能出于构建“企业帝国”的动机，过度追求企业规模的扩张，进行一些净现值为负的投资项目，从而导致过度投资。管理层也可能因为担心投资失败影响自身的声誉和职业发展，而放弃一些净现值为正的投资项目，造成投资不足。这些非效率投资行为会浪费企业的资源，降低企业的价值。委托代理理论与盈余管理也密切相关。管理层为了满足股东对业绩的期望，获取更高的薪酬和奖励，或者为了掩盖自身的经营不善，可能会进行盈余管理。他们通过操纵会计信息，调整盈余水平，使企业的财务业绩看起来更好，以达到自身的目的。这种盈余管理行为会误导股东和其他利益相关者对企业真实经营状况的判断，进一步加剧委托代理问题。为了解决委托代理问题，企业需要建立有效的激励约束机制，如合理设计管理层的薪酬结构，将管理层的薪酬与企业的业绩和长期价值挂钩，激励管理层做出符合股东利益的决策；加强内部监督和外部监管，完善公司治理结构，对管理层的行为进行监督和约束，减少代理成本，提高企业的投资效率和盈余质量。2.2盈余质量相关研究2.2.1盈余质量的定义与衡量盈余质量是指企业盈余的优劣程度，它反映了企业盈利的真实性、持续性、稳定性以及与企业实际经营状况的契合度。高质量的盈余能够准确地反映企业的经营业绩和财务状况，为投资者、债权人等利益相关者提供可靠的决策依据；而低质量的盈余则可能存在盈余管理等问题，导致财务信息失真，误导利益相关者的决策。在学术研究和实践中，众多学者和专业人士从不同角度对盈余质量进行了定义。Hawkins（1998）认为，盈余质量高的公司具备持续稳健的会计政策，收益源于经常性的基本业务交易，会计销售能快速转化为现金，净收益水平和增长不依赖税法变动，企业债务水平适当且未利用资本结构进行盈余操纵，以及具有稳定、可预测并能反映未来收益水平的趋势等特征。Dechow和Schrand（2004）指出，高质量的盈余需满足三个条件：能反映当前运营状况、是未来运营状况的良好预测指标以及真实反映公司的内在价值。这些定义都强调了盈余质量与企业经营活动的紧密联系，以及对决策有用性的重要影响。为了准确衡量盈余质量，学者们提出了多种方法和指标。常见的衡量指标和方法主要包括以下几类：应计项目质量：应计项目是指那些不涉及现金收支但影响当期盈余的项目，如应收账款、应付账款、折旧等。由于应计项目具有一定的可操纵性，其质量直接影响盈余质量。通常采用琼斯模型（JonesModel）及其修正模型来衡量应计项目质量。琼斯模型通过估计企业的正常应计利润，将实际应计利润与正常应计利润的差额作为操控性应计利润，操控性应计利润越大，说明企业通过操纵应计项目进行盈余管理的程度越高，盈余质量越低。例如，若企业通过虚增应收账款来增加当期收入，从而提高盈余，这种情况下，操控性应计利润会显著增加，反映出盈余质量较差。持续性：盈余的持续性是指企业当前盈余在未来期间持续的可能性。持续性越好的盈余质量越高，因为持续的盈余意味着企业的盈利能力具有稳定性和可靠性。一般通过将当期盈余和后期盈余进行回归分析，以当期盈余的斜率作为盈余持续性的衡量标准，斜率越大，表明持续性越好。例如，一家企业连续多年主营业务利润保持稳定增长，说明其盈余具有较高的持续性，盈余质量较好；而若企业的盈利波动较大，时而盈利时而亏损，其盈余持续性较差，盈余质量也相对较低。可预测性：可预测性是指根据企业当前盈余对未来盈余进行预测的能力。可预测的盈余被认为是高质量的，因为它能为投资者等利益相关者提供关于企业未来发展的有用信息。可通过时间序列分析等方法来评估盈余的可预测性，如计算盈余的标准差、变异系数等，这些指标越小，说明盈余的波动越小，可预测性越强。例如，如果一家企业的盈余在过去几年呈现出较为稳定的增长趋势，且波动较小，那么投资者可以相对准确地预测其未来的盈余情况，该企业的盈余可预测性较高，盈余质量也较好。现金流匹配程度：企业的净利润与经营活动现金流量净额之间的关系是衡量盈余质量的重要指标。高质量的盈余通常伴随着充足的经营活动现金流量，因为现金流量是企业实际收到和支出的现金，更能反映企业的真实经营状况。一般通过计算经营活动现金流量净额与净利润的比值来评估现金流匹配程度，该比值越接近1或大于1，说明企业的盈利有充足的现金支持，盈余质量较高；若比值较小甚至为负数，则可能暗示企业存在盈余操纵或应收账款回收困难等问题，盈余质量不佳。例如，若企业净利润很高，但经营活动现金流量净额却很低，可能是企业通过应收账款等应计项目虚增了利润，实际并没有收到相应的现金，这种情况下盈余质量较低。2.2.2影响盈余质量的因素盈余质量受到多种因素的综合影响，这些因素涵盖了公司治理、会计准则、管理层动机等多个层面，它们相互作用，共同决定了企业盈余质量的高低。公司治理结构是影响盈余质量的重要内部因素。有效的公司治理能够通过建立健全的监督机制和激励机制，规范管理层的行为，减少盈余管理的可能性，从而提高盈余质量。在股权结构方面，股权过度集中可能导致大股东对公司的控制能力过强，为了自身利益，大股东可能会操纵盈余，损害中小股东的利益。例如，某些上市公司大股东通过关联交易等手段转移公司资产，虚增利润，降低了盈余质量。而适度分散的股权结构可以形成股东之间的相互制衡，对管理层的行为起到监督作用，有利于提高盈余质量。董事会作为公司治理的核心机构，其独立性和有效性对盈余质量有着重要影响。独立、高效的董事会能够对管理层的决策进行监督和审查，确保财务信息的真实性和可靠性。若董事会成员大多由内部人担任，缺乏独立性，可能无法有效监督管理层，导致盈余管理行为的发生。会计准则的制定和执行也对盈余质量产生着深远影响。会计准则为企业的会计核算和财务报告提供了规范和指导，其质量直接关系到财务信息的质量。高质量的会计准则应具有明确性、一致性和可操作性，能够确保企业如实反映其经济业务和财务状况。在会计准则的国际趋同过程中，虽然在一定程度上提高了财务信息的可比性，但也可能带来一些新的问题。某些复杂的会计准则给予企业管理层更多的职业判断空间，这在一定程度上增加了盈余管理的可能性。企业在采用公允价值计量时，由于公允价值的确定具有一定的主观性，管理层可能会利用这一特点进行盈余操纵。会计准则的执行力度也至关重要。如果监管不力，企业可能会违反会计准则，随意调整会计政策和估计，从而降低盈余质量。管理层动机是影响盈余质量的关键因素之一。管理层出于自身利益的考虑，可能会有动机进行盈余管理，从而影响盈余质量。薪酬契约是管理层行为的重要激励因素，当管理层的薪酬与企业业绩挂钩时，为了获得更高的薪酬和奖励，管理层可能会通过操纵盈余来达到业绩目标。若企业设定的业绩考核指标主要基于净利润，管理层可能会通过调整收入确认时间、费用资本化等手段来虚增利润。管理层还可能出于职位晋升、避免企业被收购等动机进行盈余管理。例如，为了避免企业因业绩不佳而被收购，管理层可能会粉饰财务报表，提高盈余水平。2.3企业投资行为相关研究2.3.1企业投资行为的理论模型企业投资行为是企业经营决策中的核心环节，其决策过程受到多种理论的指导和解释。以下介绍两种经典的投资理论模型：托宾Q理论和现金流加速模型，这些模型从不同角度对企业投资行为进行了深入剖析，为理解企业投资决策提供了重要的理论基础。托宾Q理论由美国经济学家詹姆斯・托宾（JamesTobin）于1969年提出，该理论为企业投资决策提供了一个独特的视角。托宾Q值被定义为企业市场价值与企业重置成本的比值，即Q=\frac{V}{K}，其中V表示企业的市场价值，K表示企业的重置成本。从理论上讲，当Q>1时，意味着企业的市场价值高于其重置成本，此时企业进行新的投资能够增加股东财富，因为企业在资本市场上的价值得到了高估，投资新项目可以利用这种高估获取更多收益，所以企业会倾向于增加投资；当Q<1时，企业的市场价值低于重置成本，企业进行投资会导致财富损失，因为此时在资本市场上购买现有企业的成本低于新建企业的成本，企业会减少投资，甚至可能选择出售资产。托宾Q理论强调了市场价值对企业投资决策的重要影响，它将企业的投资决策与资本市场紧密联系起来，认为企业会根据市场对其价值的评估来决定是否进行投资。在实际应用中，托宾Q理论具有一定的局限性。市场价值的波动可能受到多种因素的影响，如市场情绪、宏观经济环境等，这些因素并不一定完全反映企业的真实投资价值，从而导致托宾Q值可能无法准确反映企业的投资机会。获取企业重置成本的数据较为困难，这也在一定程度上限制了该理论的应用。现金流加速模型，又称为加速数模型，是基于凯恩斯的投资理论发展而来的。该模型认为，企业的投资支出主要取决于产出的变化，即企业根据产出的增减来调整投资规模。其基本公式为I_{t}=v(Y_{t}-Y_{t-1})，其中I_{t}表示第t期的投资，v表示加速数，Y_{t}表示第t期的产出，Y_{t-1}表示第t-1期的产出。当企业的产出增加时，为了满足生产需求，企业需要增加资本投入，从而增加投资；反之，当产出减少时，企业会减少投资。该模型强调了内部现金流在企业投资决策中的重要作用，认为企业的投资主要依赖于内部资金的支持。在实际经济中，现金流加速模型也存在一些不足之处。它假设企业的生产技术和资本产出比是固定不变的，这在现实中很难成立，因为企业的生产技术会不断进步，资本产出比也会随之变化。该模型没有考虑到企业的融资约束、投资风险等因素，这些因素都会对企业的投资决策产生重要影响。2.3.2影响企业投资行为的因素企业投资行为是一个复杂的决策过程，受到多种因素的综合影响。这些因素涵盖了企业内部和外部多个层面，它们相互作用，共同决定了企业的投资决策方向和规模。内部现金流是影响企业投资行为的重要内部因素之一。内部现金流为企业投资提供了直接的资金来源，充足的内部现金流可以减少企业对外部融资的依赖，降低融资成本和融资风险，从而使企业更有能力进行投资。当企业内部现金流充裕时，管理层可以更自由地选择投资项目，不必担心外部融资的限制和压力，有利于抓住投资机会，实现企业的扩张和发展。若企业内部现金流不足，可能会导致投资项目因资金短缺而无法实施，即使有良好的投资机会也可能被迫放弃，从而影响企业的发展。股权结构对企业投资行为有着显著的影响。在股权高度集中的企业中，大股东可能会利用其控制权优势，为了自身利益进行过度投资，以扩大企业规模，从而获取更多的控制权私利。大股东可能会投资一些对自身有利但对企业整体价值提升不大的项目，导致资源浪费和投资效率低下。而在股权相对分散的企业中，由于股东之间的制衡作用较强，管理层可能会受到更多的监督和约束，投资决策会更加谨慎，更注重企业的长期价值和整体利益。分散的股权结构也可能导致股东之间的协调成本增加，决策效率降低，在面对一些紧急投资机会时，可能无法及时做出决策，从而错失良机。宏观经济环境的变化对企业投资行为产生着重要的影响。在经济繁荣时期，市场需求旺盛，企业对未来的经济前景充满信心，投资意愿强烈。此时，企业会增加投资，扩大生产规模，以满足市场需求，获取更多的利润。经济增长率较高、消费者信心指数上升等因素都会刺激企业的投资热情。相反，在经济衰退时期，市场需求萎缩，企业面临的不确定性增加，投资风险加大，企业会减少投资，甚至可能会收缩生产规模，以降低成本和风险。失业率上升、通货膨胀率波动等因素都会使企业对未来经济形势感到担忧，从而抑制投资行为。2.4盈余质量与企业投资行为关系研究现状国内外学者对盈余质量与企业投资行为之间的关系进行了一定的研究，取得了一些有价值的成果。在国外，Biddle和Hilary（2006）研究发现，高质量的会计信息能够降低企业与外部投资者之间的信息不对称程度，使企业更容易获得外部融资，从而减少投资-现金流敏感度，促进企业投资。他们通过对美国上市公司的实证分析，验证了盈余质量对企业投资行为的积极影响。Richardson（2006）构建了企业非效率投资模型，研究表明，盈余管理会导致企业非效率投资行为的发生。管理层为了自身利益进行盈余管理，误导了企业的投资决策，使得企业进行过度投资或投资不足，降低了企业的投资效率。国内学者也对这一领域展开了深入研究。李延喜等（2010）以中国上市公司为样本，实证检验了盈余质量与企业投资规模之间的关系。研究结果表明，盈余质量与企业投资规模呈显著正相关，高质量的盈余能够为企业提供更多的内部资金和积极的市场信号，促使企业扩大投资规模。姜国华和岳衡（2005）研究发现，盈余质量较高的公司，其股票价格对盈余信息的反应更为敏感，市场对其价值评估更为准确，这有助于企业在资本市场上获得更有利的融资条件，从而支持企业的投资活动。尽管已有研究在盈余质量与企业投资行为关系方面取得了一定进展，但仍存在一些不足之处。现有研究在盈余质量的度量方法上尚未形成统一标准，不同的度量方法可能导致研究结果存在差异，影响研究结论的可靠性和可比性。已有研究大多侧重于单一因素对企业投资行为的影响，而忽视了多种因素之间的交互作用。盈余质量、企业内部治理结构、宏观经济环境等因素可能会共同影响企业的投资决策，未来研究需要综合考虑这些因素的交互影响，以更全面地揭示企业投资行为的内在机制。对于不同行业、不同规模企业的盈余质量与投资行为关系的研究还不够深入，缺乏针对性的分析。不同行业的企业面临着不同的市场环境和竞争压力，其投资决策和盈余管理行为可能存在较大差异；不同规模的企业在资源获取、融资能力等方面也存在差异，这些因素都会影响盈余质量与投资行为之间的关系。因此，未来研究需要进一步加强对不同行业、不同规模企业的细分研究，以提供更具实践指导意义的研究结论。三、研究设计3.1样本选取与数据来源为了深入研究盈余质量与企业投资行为之间的关系，本研究选取了中国A股上市公司作为研究样本。样本期间为2015年至2024年，之所以选择这一时间段，主要基于以下考虑：一方面，2015年以来，我国资本市场不断发展完善，上市公司的信息披露质量逐步提高，为研究提供了丰富的数据来源；另一方面，涵盖这十年的数据能够较好地反映不同经济周期下企业的盈余质量和投资行为，增强研究结果的可靠性和普遍性。数据来源方面，主要包括以下几个渠道：一是国泰安数据库（CSMAR），该数据库提供了上市公司丰富的财务数据、公司治理数据以及市场交易数据等，为本研究提供了基础的数据支持。二是万得数据库（Wind），其数据全面且更新及时，在补充和验证CSMAR数据库数据方面发挥了重要作用。三是巨潮资讯网，作为中国证券监督管理委员会指定的上市公司信息披露网站，巨潮资讯网提供了上市公司的年度报告、中期报告等详细资料，通过对这些报告的研读，可以获取更深入的企业信息，用于核对和补充相关数据。在样本筛选过程中，本研究遵循了以下原则：首先，剔除了金融行业上市公司。金融行业具有特殊的经营模式和监管要求，其财务指标和投资行为与非金融行业存在较大差异，为保证研究结果的准确性和可比性，将其排除在外。其次，剔除了ST、*ST公司。这类公司通常面临财务困境或存在重大不确定性，其盈余质量和投资行为可能受到特殊因素的影响，会干扰研究结论的可靠性。再者，对主要变量进行了1%和99%分位数的缩尾处理，以避免极端值对研究结果的影响，保证数据的稳健性。经过上述筛选过程，最终得到了包含[X]家上市公司，共计[X]个年度观测值的研究样本。3.2变量定义与度量3.2.1盈余质量变量本研究采用修正的琼斯模型（ModifiedJonesModel）来度量盈余质量。该模型由Dechow、Sloan和Sweeney（1995）提出，在衡量盈余质量方面被广泛应用，其基本原理是通过估计企业的正常应计利润，将实际应计利润与正常应计利润的差额作为操控性应计利润，操控性应计利润的绝对值越大，表明企业盈余管理程度越高，盈余质量越低。修正的琼斯模型具体公式如下：TA_{it}=\frac{NDA_{it}}{A_{it-1}}+\frac{DA_{it}}{A_{it-1}}其中，TA_{it}为第i家公司第t期的总应计利润，NDA_{it}为第i家公司第t期的非操控性应计利润，DA_{it}为第i家公司第t期的操控性应计利润，A_{it-1}为第i家公司第t-1期的期末总资产。非操控性应计利润的估计模型为：\frac{NDA_{it}}{A_{it-1}}=\alpha_{1}\frac{1}{A_{it-1}}+\alpha_{2}\frac{\DeltaREV_{it}-\DeltaREC_{it}}{A_{it-1}}+\alpha_{3}\frac{PPE_{it}}{A_{it-1}}其中，\DeltaREV_{it}为第i家公司第t期的营业收入变动额，\DeltaREC_{it}为第i家公司第t期的应收账款变动额，PPE_{it}为第i家公司第t期的固定资产原值。\alpha_{1}、\alpha_{2}、\alpha_{3}为行业特征参数，通过对同行业样本公司进行回归得到。操控性应计利润DA_{it}则通过总应计利润TA_{it}减去非操控性应计利润NDA_{it}得到，即DA_{it}=TA_{it}-NDA_{it}。最后，用操控性应计利润DA_{it}的绝对值|DA_{it}|作为盈余质量的代理变量，|DA_{it}|的值越小，说明企业的盈余质量越高；反之，|DA_{it}|的值越大，表明企业可能存在较大程度的盈余管理行为，盈余质量越低。3.2.2企业投资行为变量投资规模（Investment）：投资规模反映了企业在一定时期内的投资支出水平，是衡量企业投资行为的重要指标之一。本文采用企业当年购建固定资产、无形资产和其他长期资产支付的现金，加上取得子公司及其他营业单位支付的现金，再减去处置固定资产、无形资产和其他长期资产收回的现金，最后除以期初的资产总额来度量投资规模。用公式表示为：Investment_{it}=\frac{CFI_{it}-CFD_{it}}{A_{it-1}}其中，Investment_{it}表示第i家公司第t期的投资规模，CFI_{it}表示第i家公司第t期购建固定资产、无形资产和其他长期资产支付的现金以及取得子公司及其他营业单位支付的现金之和，CFD_{it}表示第i家公司第t期处置固定资产、无形资产和其他长期资产收回的现金，A_{it-1}表示第i家公司第t-1期的期末总资产。该指标数值越大，表明企业在该时期的投资规模越大。投资-现金流敏感度（IC_Sensitivity）：投资-现金流敏感度用于衡量企业投资对内部现金流的依赖程度。本文借鉴Fazzari、Hubbard和Petersen（1988）的研究方法，通过构建投资-现金流敏感度模型来度量该指标。模型如下：Investment_{it}=\beta_{0}+\beta_{1}CF_{it}+\beta_{2}Q_{it}+\beta_{3}Lev_{it}+\beta_{4}Size_{it}+\sum_{j=1}^{n}\beta_{j}Industry_{ij}+\sum_{k=1}^{m}\beta_{k}Year_{ik}+\varepsilon_{it}其中，Investment_{it}为第i家公司第t期的投资规模；CF_{it}为第i家公司第t期的经营活动现金流量净额，除以期初资产总额进行标准化处理，用以衡量内部现金流；Q_{it}为第i家公司第t期的托宾Q值，反映企业的成长机会；Lev_{it}为第i家公司第t期的资产负债率，衡量企业的负债水平；Size_{it}为第i家公司第t期的企业规模，用期末总资产的自然对数表示；Industry_{ij}和Year_{ik}分别为行业虚拟变量和年度虚拟变量，用以控制行业和年度固定效应；\varepsilon_{it}为随机误差项。回归系数\beta_{1}即为投资-现金流敏感度，\beta_{1}的绝对值越大，说明企业投资对内部现金流的敏感度越高，即企业投资越依赖内部现金流。非效率投资（Ineff_Investment）：非效率投资包括过度投资和投资不足两种情况，它反映了企业投资决策偏离最优投资水平的程度。本文借鉴Richardson（2006）的方法，通过构建投资期望模型来度量非效率投资。投资期望模型如下：Investment_{it}^{*}=\beta_{0}+\beta_{1}Growth_{it-1}+\beta_{2}Lev_{it-1}+\beta_{3}Cash_{it-1}+\beta_{4}Age_{it-1}+\beta_{5}Size_{it-1}+\beta_{6}Return_{it-1}+\beta_{7}Investment_{it-1}+\sum_{j=1}^{n}\beta_{j}Industry_{ij}+\sum_{k=1}^{m}\beta_{k}Year_{ik}其中，Investment_{it}^{*}为第i家公司第t期的预期投资水平；Growth_{it-1}为第i家公司第t-1期的主营业务收入增长率，代表企业的成长机会；Lev_{it-1}为第i家公司第t-1期的资产负债率；Cash_{it-1}为第i家公司第t-1期的货币资金持有量，除以期初资产总额进行标准化处理；Age_{it-1}为第i家公司截至第t-1期的上市年限；Size_{it-1}为第i家公司第t-1期的企业规模，用期末总资产的自然对数表示；Return_{it-1}为第i家公司第t-1期的股票回报率；Investment_{it-1}为第i家公司第t-1期的投资规模；Industry_{ij}和Year_{ik}分别为行业虚拟变量和年度虚拟变量。企业第t期的实际投资水平Investment_{it}与预期投资水平Investment_{it}^{*}的差额即为非效率投资，用Ineff_Investment_{it}表示，即Ineff_Investment_{it}=Investment_{it}-Investment_{it}^{*}。当Ineff_Investment_{it}>0时，表示企业存在过度投资行为；当Ineff_Investment_{it}<0时，表示企业存在投资不足行为。|Ineff_Investment_{it}|的绝对值越大，说明企业的非效率投资程度越严重。3.2.3控制变量为了更准确地研究盈余质量对企业投资行为的影响，本研究引入了以下控制变量：企业规模（Size）：企业规模是影响企业投资行为的重要因素之一。规模较大的企业通常拥有更丰富的资源和更强的融资能力，可能会进行更大规模的投资。本文用企业期末总资产的自然对数来衡量企业规模。成长机会（Growth）：成长机会反映了企业未来的发展潜力，具有较高成长机会的企业往往会有更多的投资需求。本文采用主营业务收入增长率来度量企业的成长机会。资产负债率（Lev）：资产负债率体现了企业的负债水平和偿债能力，会对企业的投资决策产生影响。较高的资产负债率可能会使企业面临较大的财务风险，从而限制企业的投资规模。本文用总负债与总资产的比值来衡量资产负债率。现金持有量（Cash）：企业的现金持有量为投资提供了直接的资金来源，现金持有量充足的企业可能更有能力进行投资。本文用货币资金持有量除以期初资产总额来衡量现金持有量。股权集中度（Top1）：股权集中度反映了企业股权的集中程度，会影响股东对企业的控制和决策。较高的股权集中度可能导致大股东对企业投资决策的主导作用增强，从而影响企业的投资行为。本文用第一大股东持股比例来衡量股权集中度。独立董事比例（Indep）：独立董事在公司治理中发挥着监督和制衡的作用，其比例的高低可能会影响企业投资决策的科学性和合理性。本文用独立董事人数占董事会总人数的比例来衡量独立董事比例。年度虚拟变量（Year）：设置年度虚拟变量来控制宏观经济环境等年度因素对企业投资行为的影响，不同年份的经济形势、政策环境等可能会对企业投资决策产生不同程度的影响。行业虚拟变量（Industry）：不同行业的企业具有不同的特点和投资需求，设置行业虚拟变量可以控制行业因素对企业投资行为的影响。根据中国证监会2012年发布的《上市公司行业分类指引》，将样本公司划分为不同的行业，并设置相应的虚拟变量。3.3研究假设提出基于前文的理论分析和文献综述，本研究提出以下关于盈余质量与企业投资行为关系的假设：假设1：盈余质量与企业总体投资规模呈正相关关系高质量的盈余意味着企业具有较强的盈利能力和良好的财务状况，能够为企业提供更多的内部资金。内部资金的增加可以减少企业对外部融资的依赖，降低融资成本和融资风险，使企业更有能力进行投资。高质量的盈余向市场传递了积极的信号，有助于提升企业的市场声誉和信用评级，增强外部投资者对企业的信心，从而更容易获得外部融资，进一步支持企业扩大投资规模。因此，提出假设1：盈余质量越高，企业的总体投资规模越大。假设2：盈余质量与企业投资-现金流敏感度呈负相关关系信息不对称理论表明，企业与外部投资者之间存在信息不对称，这会导致企业外部融资困难或融资成本增加，使得企业投资更加依赖内部现金流。高质量的盈余能够提供更准确、可靠的企业财务信息，降低企业与外部投资者之间的信息不对称程度，增强外部投资者对企业的信任，从而提高企业的外部融资能力。当企业外部融资能力增强时，企业在进行投资决策时对内部现金流的依赖程度会降低，投资-现金流敏感度也会随之下降。因此，提出假设2：盈余质量越高，企业投资-现金流敏感度越低。假设3：盈余质量与企业非效率投资呈负相关关系根据委托代理理论，管理层与股东之间存在目标不一致和信息不对称，管理层可能会为了自身利益进行盈余管理，从而导致非效率投资行为的发生。低质量的盈余往往伴随着较高程度的盈余管理，这会误导管理层对企业真实财务状况和投资机会的判断，使得管理层可能做出过度投资或投资不足的决策。高质量的盈余能够真实反映企业的经营业绩和财务状况，为管理层提供准确的信息，帮助管理层做出更合理的投资决策，减少非效率投资行为的发生。因此，提出假设3：盈余质量越高，企业的非效率投资程度越低。3.4模型构建为了验证前文提出的研究假设，本研究构建了以下三个回归模型，以分别检验盈余质量对企业总体投资规模、投资-现金流敏感度以及非效率投资的影响。模型1：盈余质量与企业总体投资规模的关系模型Investment_{it}=\beta_{0}+\beta_{1}EQ_{it}+\beta_{2}Size_{it}+\beta_{3}Growth_{it}+\beta_{4}Lev_{it}+\beta_{5}Cash_{it}+\beta_{6}Top1_{it}+\beta_{7}Indep_{it}+\sum_{j=1}^{n}\beta_{j}Industry_{ij}+\sum_{k=1}^{m}\beta_{k}Year_{ik}+\varepsilon_{it}其中，Investment_{it}为第i家公司第t期的投资规模；EQ_{it}为第i家公司第t期的盈余质量，用修正的琼斯模型计算得出的操控性应计利润的绝对值|DA_{it}|表示，|DA_{it}|越小，盈余质量越高；\beta_{0}为常数项；\beta_{1}至\beta_{7}为各变量的回归系数；Size_{it}、Growth_{it}、Lev_{it}、Cash_{it}、Top1_{it}、Indep_{it}分别为第i家公司第t期的企业规模、成长机会、资产负债率、现金持有量、股权集中度和独立董事比例等控制变量；Industry_{ij}和Year_{ik}分别为行业虚拟变量和年度虚拟变量，用以控制行业和年度固定效应；\varepsilon_{it}为随机误差项。根据假设1，预期\beta_{1}显著为负，即盈余质量越高（|DA_{it}|越小），企业的总体投资规模越大。模型2：盈余质量与企业投资-现金流敏感度的关系模型Investment_{it}=\beta_{0}+\beta_{1}CF_{it}+\beta_{2}EQ_{it}+\beta_{3}CF_{it}\timesEQ_{it}+\beta_{4}Q_{it}+\beta_{5}Lev_{it}+\beta_{6}Size_{it}+\sum_{j=1}^{n}\beta_{j}Industry_{ij}+\sum_{k=1}^{m}\beta_{k}Year_{ik}+\varepsilon_{it}在该模型中，Investment_{it}和CF_{it}分别为第i家公司第t期的投资规模和经营活动现金流量净额（经期初资产总额标准化处理）；EQ_{it}为盈余质量；CF_{it}\timesEQ_{it}为经营活动现金流量净额与盈余质量的交互项；Q_{it}为第i家公司第t期的托宾Q值；其他控制变量和虚拟变量的定义与模型1相同。根据假设2，预期交互项系数\beta_{3}显著为负，即盈余质量越高，企业投资-现金流敏感度越低，表明高质量的盈余能够降低企业投资对内部现金流的依赖程度。模型3：盈余质量与企业非效率投资的关系模型Ineff_Investment_{it}=\beta_{0}+\beta_{1}EQ_{it}+\beta_{2}Growth_{it-1}+\beta_{3}Lev_{it-1}+\beta_{4}Cash_{it-1}+\beta_{5}Age_{it-1}+\beta_{6}Size_{it-1}+\beta_{7}Return_{it-1}+\beta_{8}Investment_{it-1}+\sum_{j=1}^{n}\beta_{j}Industry_{ij}+\sum_{k=1}^{m}\beta_{k}Year_{ik}+\varepsilon_{it}此模型中，Ineff_Investment_{it}为第i家公司第t期的非效率投资，通过实际投资水平与预期投资水平的差额计算得出；EQ_{it}为盈余质量；其他变量为控制变量，其中Growth_{it-1}、Lev_{it-1}、Cash_{it-1}、Age_{it-1}、Size_{it-1}、Return_{it-1}、Investment_{it-1}分别为第i家公司第t-1期的主营业务收入增长率、资产负债率、货币资金持有量、上市年限、企业规模、股票回报率和投资规模；行业虚拟变量Industry_{ij}和年度虚拟变量Year_{ik}用于控制行业和年度固定效应；\varepsilon_{it}为随机误差项。根据假设3，预期\beta_{1}显著为负，即盈余质量越高，企业的非效率投资程度越低。四、实证结果与分析4.1描述性统计对样本数据中主要变量进行描述性统计，结果如表1所示：变量观测值平均值标准差最小值最大值Investment[X]0.0650.0580.0010.327EQ(DA)[X]0.0570.043CF[X]0.0420.063-0.1850.254Q[X]1.8731.1250.8466.782Lev[X]0.4210.1870.0930.876Size[X]21.3561.24819.23725.468Growth[X]0.1240.317-0.4561.873Cash[X]0.1530.1020.0120.564Top1[X]32.56%10.24%8.56%68.78%Indep[X]0.3760.0540.3330.571投资规模（Investment）方面，样本企业的投资规模平均值为0.065，表明平均而言，企业每年用于购建固定资产、无形资产和其他长期资产等的投资支出占期初资产总额的6.5%。从标准差0.058来看，不同企业之间的投资规模存在较大差异，最大值为0.327，最小值仅为0.001，说明部分企业的投资规模相对较大，而部分企业投资较为保守。盈余质量（EQ，以操控性应计利润绝对值|DA|衡量）的平均值为0.057，标准差为0.043，说明样本企业的盈余质量存在一定程度的差异。|DA|的最小值为0.002，最大值为0.216，其中|DA|值越小表示盈余质量越高，这表明样本中既有盈余质量较高的企业，也存在盈余管理程度较高、盈余质量较低的企业。经营活动现金流量净额（CF）标准化后的平均值为0.042，标准差为0.063，说明企业之间的经营现金流状况参差不齐。部分企业经营活动现金流量较为充沛，最大值达到0.254；而部分企业经营现金流较差，甚至出现负数，最小值为-0.185。托宾Q值（Q）平均值为1.873，反映出样本企业整体具有一定的成长机会。标准差为1.125，且最大值6.782与最小值0.846之间差距较大，表明不同企业的成长机会存在显著差异，有些企业具有较高的成长潜力，而有些企业成长空间相对有限。资产负债率（Lev）平均值为0.421，说明样本企业平均负债水平占总资产的42.1%，处于相对合理的负债区间。但标准差为0.187，说明企业之间的负债水平差异较大，部分企业的财务风险可能较高。企业规模（Size）以总资产自然对数衡量，平均值为21.356，标准差为1.248，表明样本企业在规模上存在一定差异。主营业务收入增长率（Growth）平均值为0.124，说明样本企业整体具有一定的增长态势，但标准差高达0.317，且最小值为-0.456，最大值为1.873，说明企业之间的增长速度差异显著，部分企业可能面临经营困境，而部分企业增长迅速。现金持有量（Cash）平均值为0.153，即平均货币资金持有量占期初资产总额的15.3%，标准差为0.102，显示企业间现金持有水平存在差异。股权集中度（Top1）平均值为32.56%，说明样本企业的股权相对集中，但不同企业的股权集中度也有所不同，最小值为8.56%，最大值为68.78%。独立董事比例（Indep）平均值为0.376，略高于三分之一，表明样本企业在公司治理结构上具有一定的独立董事监督机制，但仍有提升空间。4.2相关性分析在进行回归分析之前，首先对主要变量进行了Pearson相关性分析，以初步判断变量之间的相关关系，并检验是否存在多重共线性问题，分析结果如表2所示：|变量|Investment|EQ(|DA|)|CF|Q|Lev|Size|Growth|Cash|Top1|Indep||---|---|---|---|---|---|---|---|---|---|---||Investment|1|||||||||||EQ(|DA|)|-0.182***|1||||||||||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||变量|Investment|EQ(|DA|)|CF|Q|Lev|Size|Growth|Cash|Top1|Indep||---|---|---|---|---|---|---|---|---|---|---||Investment|1|||||||||||EQ(|DA|)|-0.182***|1||||||||||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||---|---|---|---|---|---|---|---|---|---|---||Investment|1|||||||||||EQ(|DA|)|-0.182***|1||||||||||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Investment|1|||||||||||EQ(|DA|)|-0.182***|1||||||||||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||EQ(|DA|)|-0.182***|1||||||||||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||CF|0.215***|-0.098***|1|||||||||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Q|0.136***|-0.112***|0.087***|1||||||||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Lev|-0.154***|0.076***|-0.234***|-0.093***|1|||||||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Size|0.102***|0.063***|-0.084***|-0.117***|0.524***|1||||||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Growth|0.143***|-0.075***|0.126***|0.247***|-0.065***|-0.041***|1|||||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Cash|0.117***|-0.058***|0.327***|0.064***|-0.206***|-0.143***|0.092***|1||||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Top1|0.056***|0.045***|0.038**|0.036**|0.123***|0.164***|-0.028*|0.049***|1|||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1||Indep|0.033**|-0.035**|0.047***|0.031**|0.027*|0.042**|-0.027*|0.026*|0.028*|1|注：*、、*分别表示在1%、5%、10%的水平上显著（双尾检验）。从表2可以看出，盈余质量（EQ，以操控性应计利润绝对值|DA|衡量）与投资规模（Investment）在1%的水平上显著负相关，相关系数为-0.182，初步支持了假设1，即盈余质量越高（|DA|越小），企业的总体投资规模越大。投资规模（Investment）与经营活动现金流量净额（CF）在1%的水平上显著正相关，相关系数为0.215，表明企业的投资规模在一定程度上依赖于内部现金流，这与理论预期相符。投资规模与托宾Q值（Q）也在1%的水平上显著正相关，相关系数为0.136，说明企业的成长机会越多，投资规模越大。在控制变量方面，企业规模（Size）与资产负债率（Lev）的相关系数为0.524，在1%的水平上显著正相关，这表明规模较大的企业往往具有较高的负债水平，二者之间存在一定的相关性。为了进一步检验是否存在多重共线性问题，后续将进行方差膨胀因子（VIF）检验。除此之外，其他变量之间的相关性系数大多小于0.5，表明变量之间不存在严重的多重共线性问题。4.3回归结果分析4.3.1盈余质量与总体投资规模对模型1进行回归分析，结果如表3所示：|变量|系数|标准误|t值|P>|t||[95%置信区间]||---|---|---|---|---|---||Constant|-0.082***|0.023|-3.565|0.000|[-0.127,-0.037]||EQ(|DA|)|-0.215***|0.046|-4.674|0.000|[-0.305,-0.125]||Size|0.018**|0.008|2.250|