朱衛(wèi)東 蘇劍 武子豪

【摘 要】 當前關于高管特征與真實盈余管理的研究大部分聚焦于高管某一特征與真實盈余管理的關聯(lián)，缺乏對高管特征全面的研究;此外，當前主要是基于因果關系的推斷式研究，鮮有從預測角度進行定量研究。文章以2010—2020年A股上市公司為樣本，用隨機森林以更加全面的視角研究高管特征對真實盈余管理的預測作用，并進一步分析對真實盈余管理預測能力影響較強的高管特征及其預測模式。研究發(fā)現(xiàn)：高管特征對真實盈余管理有預測作用，但其作用弱于公司自身特征;分企業(yè)性質看，民營企業(yè)高管特征比國有企業(yè)高管特征預測真實盈余管理的能力更強;在眾多高管特征中，高管薪酬對真實盈余管理預測能力的影響最強，且與真實盈余管理呈現(xiàn)負相關關系。文章研究結論對監(jiān)管真實盈余管理行為具有一定的實踐意義。

【關鍵詞】 高管特征; 真實盈余管理; 隨機森林

【中圖分類號】 F275? 【文獻標識碼】 A? 【文章編號】 1004-5937（2022）12-0100-08

一、引言

“高管特征與真實盈余管理”一直是金融學和管理學研究的重點問題，目前多數(shù)研究主要從假設性理論出發(fā)，基于線性回歸建立解釋性模型來驗證高管特征與真實盈余管理間存在的因果關系，缺乏從預測角度進行的定量研究。線性回歸模型需要假定高管特征與真實盈余管理間具有簡單的線性關系，這就難以清晰、準確地剖析高管特征和真實盈余管理間復雜的非線性關系，而機器學習的模型能分析變量間復雜的非線性關系和交互關系[1]。在機器學習模型中，隨機森林是一種復雜度低的高效預測模型，被廣泛應用于數(shù)據(jù)挖掘等領域，使用隨機森林模型可以進一步研究高管特征與真實盈余管理的復雜關系。

此外，由于線性回歸擬合的普適性不強，容易出現(xiàn)欠擬合的現(xiàn)象，預測效果不佳，于是學者們主要關注模型的解釋能力，而忽視了模型的預測能力。然而，研究模型的預測性也有很大的理論價值。首先，預測性模型能夠從數(shù)據(jù)中挖掘變量間更為復雜的規(guī)律，有助于提出新的理論解釋。其次，預測效果可以提供一個評估解釋性模型的新角度，模型預測能力的強弱一定程度上能反映建模依據(jù)的高管特征理論解釋真實盈余管理現(xiàn)象的能力強弱[2]。最后，通過測度每個特征在預測真實盈余管理中的相對重要性能刻畫該特征的重要程度，進而檢驗以往研究結論的可靠性。

結合高管特征與真實盈余管理的研究現(xiàn)狀，本文運用隨機森林模型探討高管特征對公司真實盈余管理的預測作用。與現(xiàn)有文獻相比，本文的貢獻如下：第一，應用隨機森林來評估高管特征對公司真實盈余管理的預測能力，豐富了“高管特征與真實盈余管理”領域的研究;第二，采用隨機森林規(guī)避了傳統(tǒng)線性回歸模型的缺點，更好地分析了高管特征與真實盈余管理之間的非線性關系;第三，探究了不同高管特征對于預測公司真實盈余管理的重要程度，并分析了相對重要的高管特征對公司真實盈余管理的預測機制，得出的結論對監(jiān)管真實盈余管理行為具有啟示意義。

二、理論分析與文獻回顧

（一）理論分析

關于高管特征與企業(yè)治理有許多經典的理論，首先，高層梯隊理論認為高管的背景（如教育背景等）和特征（如性別、年齡等）深刻影響著高管價值觀和認知能力，導致高管具有不同的管理理念和決策風格，進而影響企業(yè)治理，這意味著高管的諸多特征會影響高管的真實盈余管理決策。

其次，聲譽機制理論認為聲譽向市場傳遞了有關個人能力、品德等各方面的信息，行為人會綜合考慮眼前利益和長期利益的平衡，為了維護其聲譽而不被眼前利益所誘惑。年長的或長期任職的高管往往會在經理人市場建立起一定的聲譽，而真實盈余管理是通過操縱真實交易和業(yè)務進行，具有一定法律風險，高管會從其職業(yè)生涯角度考慮其行為決策，為了維護其聲譽，他們進行真實盈余管理的動機會減弱。

再次，任期五階段理論認為高層管理者在任期的不同階段，其行為決策和思維方式會大不相同，這種差異會在企業(yè)的經營狀況上得到反映。因此，處于任期不同階段的高管真實盈余管理的內部特征和外界條件在不斷發(fā)生變化，其真實盈余管理的動機也在發(fā)生變化。

最后，激勵理論中的利益趨同論認為企業(yè)可以通過制定對高管的激勵措施來抑制高管做出對于企業(yè)長期發(fā)展有害的自私行為，使得企業(yè)利益與高管利益達到統(tǒng)一。真實盈余管理會損害企業(yè)的長期利益，從激勵理論角度分析，企業(yè)對高管的薪酬和股權激勵會抑制高管的真實盈余管理。從這些經典理論可以看出，高管的特征（如性別、年齡、學歷、任期、薪酬與股權激勵等）可能對高管的真實盈余管理行為產生影響，因此本文選取高管的性別、年齡、學歷、薪酬、持股比例等特征研究其與真實盈余管理的關系。

（二）文獻綜述

兩權分離導致企業(yè)所有者與管理層之間存在一定利益沖突，為了完成業(yè)績目標達到加薪等目的，管理層可能會操縱盈余。盈余管理主要分為應計盈余管理和真實盈余管理，與應計盈余管理相比，真實盈余管理具有更強的隱蔽性，管理層盈余管理的方式也逐漸從應計盈余管理轉向真實盈余管理[3]。真實盈余管理不僅影響企業(yè)財務信息質量，還造成企業(yè)經營能力扭曲，損害投資者和企業(yè)利益[4]，危害更大。因此，本文主要研究真實盈余管理。為了探究哪些特征可能對真實盈余管理產生影響，學者們基于線性回歸建立了解釋性模型。

從先天特征看，隨著社會經濟的不斷發(fā)展，女性已成為管理層中不可缺少的力量。學者們關于男性高管還是女性高管更傾向于真實盈余管理有所爭議[5-6]。高管的閱歷、經驗和認知能力會隨年齡的增長而提高，其風險傾向也會隨年齡增長而改變，年輕的CEO容易過度自信，而年老的CEO管理風格更為保守。學者們研究發(fā)現(xiàn)年輕高管所在的公司真實盈余管理水平更高[7]。

從后天特征看，高管的教育背景和成長背景會深刻影響其性格和專業(yè)素養(yǎng)，進而影響其行為決策。學者們發(fā)現(xiàn)高管的教育背景、貧困經歷、從軍經歷、學術經歷等均會影響公司盈余管理程度。

從任職特征看，高管任期長短會影響其在任職期間積累的經驗，進而影響其行為決策。學者們研究發(fā)現(xiàn)真實盈余管理與高管任期有關，但是對兩者之間是線性還是U型的關系存在爭議[8-9]。高管職務的兼任會使得高管的權力過于集中，高管間的監(jiān)督機制會受到一定影響，高管為了自身利益做出損害公司整體利益的行為就難以被有效地約束，學者們的研究發(fā)現(xiàn)，存在董事與高管職務兼任的公司的盈余管理水平更高[10]。同時，已有研究認為，為了達到股權激勵的行權條款，高管會利用職權進行真實盈余管理[11]。

此外，公司真實盈余管理還受到公司經營環(huán)境和經營狀態(tài)的影響。借鑒該領域的研究成果在建模時選取一些公司特征作為基準模型的變量，主要包括公司規(guī)模、董事會規(guī)模、股權集中度、盈利能力和償債能力等[5-11]。

三、數(shù)據(jù)來源和描述性統(tǒng)計分析

（一）數(shù)據(jù)來源

本文選取2010—2020年A股上市公司的數(shù)據(jù)為樣本。其中真實盈余管理數(shù)據(jù)、CEO個人特征數(shù)據(jù)和公司層面特征數(shù)據(jù)均來自國泰安數(shù)據(jù)庫。為保證數(shù)據(jù)的適當性和完整性，剔除金融業(yè)及ST公司的數(shù)據(jù)和有缺失值的樣本，最終得到完整數(shù)據(jù)14 143條。

（二）變量說明及描述性統(tǒng)計分析

本文借鑒Roychowdhury[12]的研究設計，用異常經營活動現(xiàn)金流（A_CFO）、異常產品成本（A_PROD）和異常費用（A_DISEXP）三個分變量的值來計量公司的真實盈余管理水平（TREM）。具體計量過程如下：

CFOi，t、REVi，t和ΔREVi，t分別表示企業(yè)i在t年度的經營現(xiàn)金凈流量、營業(yè)收入和營業(yè)收入變動額;ΔREVi，t-1表示企業(yè)i在t-1年度的營業(yè)收入變動額;Ai，t-1表示用企業(yè)i的t-1期期末總資產來消除規(guī)模效應。TREMi，t表示真實盈余管理，該指標的值越大，表示的真實盈余管理程度越高。

高管的個人特征是本文研究的核心變量。結合學者們之前的研究及相關理論，本文選取的高管特征包括性別、年齡、學歷、薪酬、持股比例、任期、CEO與董事長是否兼任;本文選取的公司層面特征包括總資產、資產負債率、總資產收益率、第一大股東持股比例、董事會人數(shù)。表1列示了上述特征的具體定義和描述性統(tǒng)計分析結果。

雖然上述變量之間存在明顯的內生性，但是本文建立預測性模型并不關注因果關系，而是關注變量之間的相關關系，所以變量之間的內生性并不會影響對預測效果的評估[2]。為了防止極端值導致的統(tǒng)計偏差，本文對連續(xù)型變量進行了1%和99%的Winsorize處理。從描述性統(tǒng)計分析可以看出，上市公司真實盈余管理的中位數(shù)為0.007;上市公司中CEO兼任董事長的情況約占24.64%;CEO中男性占有絕對的多數(shù);CEO年齡對數(shù)均值為3.902，即平均年齡約為48歲;薪酬對數(shù)均值為13.341，即平均薪酬約為62萬元;CEO的平均學歷超過本科，多為研究生學歷;平均持股比例約為4.03%。

四、研究設計

（一）隨機森林的理論基礎

Breiman基于Bagging[13]集成在決策樹的訓練過程中引入了隨機屬性選擇，提出了隨機森林算法[14]。傳統(tǒng)決策樹是在當前結點的屬性集合中選擇出用于分裂結點的最優(yōu)屬性，而隨機森林中，每個基決策樹在劃分屬性時，先從當前結點的屬性集合中隨機選擇一個屬性子集，然后從屬性子集中選擇出最優(yōu)劃分屬性。

本文使用R語言的Random Forest函數(shù)包進行實證，該包所涉及的決策樹（ntree）的數(shù)量和二叉樹的變量個數(shù)（mtry）是影響模型擬合效果的最重要的參數(shù)。根據(jù)經驗法則和算力限制，本文首先將決策樹的數(shù)量設定為1 000，通過繪制錯誤率與決策樹的數(shù)量的關系曲線發(fā)現(xiàn)，當決策樹大于300時，錯誤率即趨于穩(wěn)定，因此，決策樹的數(shù)量設定為1 000完全可以滿足要求。二叉樹的變量個數(shù)（mtry）的大小關系到構建出的決策樹能力強弱以及決策樹之間的相關性，選擇合適大小的mtry是決定模型擬合效果的關鍵因素。本文實證檢驗部分的mtry值取Random Forest函數(shù)包默認的設置。本文穩(wěn)健性檢驗部分將構建一系列可能的mtry參數(shù)組合，遍歷這些參數(shù)進行擬合，從而檢驗本文實證結論是否穩(wěn)健。

隨機森林不僅可以顯著提升預測準確度，還可以利用相對重要性和部分依賴圖進一步挖掘數(shù)據(jù)的內涵。變量相對重要性指給定模型中其他部分不變，在模型中加入該變量帶來的平方誤差的下降幅度。如果下降幅度相對較大，則該變量在模型擬合過程中的相對重要性較大。將變量的相對重要性進行標準化，標準化后變量的相對重要性之和為1，比較高管特征的相對重要性可以判斷不同高管特征對預測真實盈余管理的重要程度。部分依賴圖可以分析單個變量對預測結果的影響模式，有助于理解高管特征對真實盈余管理的預測模式。關于部分依賴圖的數(shù)學解釋如下：

P（Xall）是模型中所有特征變量的聯(lián)合概率密度。部分依賴關系可以由下述方法近似估計。在xs的特定取值下，對于隨機森林生成的每一棵樹k，可以計算：

本文選擇隨機森林作為研究方法是基于以下三點考慮：（1）隨機森林回歸時對數(shù)據(jù)分布、數(shù)據(jù)類型等沒有要求，并對噪聲和異常值有良好的容忍度，不容易有過擬合的狀況[15]，適合本文的數(shù)據(jù)結構。（2）在眾多機器學習模型中，基于“樹”的學習器有易于構建、對變量的嚴格單調變換保持不變等優(yōu)點[16]。隨機森林通過集成許多基回歸樹，能在盡量保持其固有優(yōu)勢的情況下，顯著提升其預測的準確性，適合于本文研究的預測問題。（3）隨機森林有較好的可解釋性。多數(shù)機器學習模型為了提高模型的預測準確性往往會犧牲模型的可解釋性[17]。而隨機森林可以通過計算變量的相對重要性和繪制部分依賴圖進一步揭示變量之間的關系。通過隨機森林輸出的變量相對重要性和部分依賴圖，本文可以進一步分析哪些高管特征在預測真實盈余管理時更重要以及這些特征對真實盈余管理具體的預測模式。

（二）模型構建

本文首先基于公司的基本特征構建基準模型，然后在基準模型的基礎上加入CEO的個人特征構建CEO模型。具體模型構建如表2所示。

五、實證檢驗與結果分析

（一）高管特征對擬合效果的提升

本部分利用線性回歸模型（OLS）和隨機森林模型，分別實證了高管的個人特征是否能夠提升模型對真實盈余管理的預測效果，還對比了OLS模型和隨機森林模型的擬合效果。OLS模型與隨機森林模型采用同樣的滾動窗口期擬合并計算擬合的評價指標。表3列示了基準模型和CEO模型在線性回歸模型和隨機森林模型下的擬合結果。

由上述擬合結果可以得出兩點結論：第一，相對于基準模型，加入高管特征的模型，樣本內的擬合效果和樣本外的泛化能力都有提升，如（2）-（1），樣本內的擬合效果提升了11.45%（85.07%-73.62%），樣本外的泛化能力提升了3.21%（23.14%-19.93%），且樣本外的均方誤差有所下降。這說明高管特征對預測真實盈余管理有提升作用。第二，相比于線性回歸模型，隨機森林模型的樣本內擬合效果和樣本外泛化能力都更優(yōu)，如列（2），隨機森林模型比線性回歸模型的樣本內擬合效果和樣本外泛化能力分別提升了70.64%（85.07%-14.43%）和10.24%（23.14%-12.90%），且樣本外均方誤差更低，說明用隨機森林模型來改進傳統(tǒng)的線性回歸模型效果顯著。

（二）異質性分析

高管進行真實盈余管理一方面可能受其個人特征影響，另一方面也與企業(yè)內部控制質量相關。完善的企業(yè)內部控制能夠較好地實現(xiàn)高管職權間的相互監(jiān)督與制約，防范高管損害企業(yè)利益行為的發(fā)生。那么，較高的內部控制質量是否可以抑制高管進行真實盈余管理呢？由于國有企業(yè)的內控質量顯著高于民營企業(yè)的內控質量[19]，為了探究這一問題，根據(jù)公司實際控制人的性質，將樣本劃分為國有企業(yè)和民營企業(yè)，使用相同的模型和參數(shù)設置進行擬合，結果列示在表4中。

從表4的結果可以看出，民營企業(yè)加入高管特征后對基準模型擬合效果的提升幅度要遠遠高于國有企業(yè)加入高管特征后對基準模型擬合效果的提升幅度，尤其是樣本外的泛化能力。如（2）-（1），民營企業(yè)高管特征對泛化能力的提升效果為4.10%（23.83%-19.73%），而國有企業(yè)高管特征提升效果僅為1.39%（21.38%-19.99%）。這表明，民營企業(yè)的高管特征對真實盈余管理的預測能力更強。這可能是因為，一方面國有企業(yè)的高管更多的是上級任命，并未持有公司多數(shù)股份，在公司和董事會的話語權不足，難以實施真實盈余管理;另一方面，國有企業(yè)的內部控制和監(jiān)督機制更加完善，高管之間，董事會之間各司其職，相互監(jiān)督，高管在國有企業(yè)從事真實盈余管理的空間更小，難度更大。因此，與民營企業(yè)高管特征相比，國有企業(yè)高管特征對真實盈余管理的預測能力弱。

（三）高管特征的相對重要性分析

表5列示了CEO特征對預測真實盈余管理的相對重要性，為了便于區(qū)分，表中對人物特征變量做下劃線標記。從表5可以看出：第一，公司自身特征的相對重要性加總比高管特征的相對重要性加總起來更高，所以雖然高管的特征會影響其決策，但是公司高管做出有關真實盈余管理的決策最直接的考慮因素還是公司自身的經營情況;第二，ROA對預測真實盈余管理最重要，說明其與真實盈余管理相關性最高，因為公司進行真實盈余管理會直接反映在ROA上;第三，在眾多高管特征中，薪酬、持股比例和任期的相對重要性相比于其他高管特征更高，對于預測真實盈余管理也更重要。

（四）重要的高管特征對于公司真實盈余管理的預測模式

在高管特征相對重要性分析中，可以發(fā)現(xiàn)薪酬是高管特征中相對重要性最高的特征。本文利用部分依賴圖考察高管薪酬對真實盈余管理的預測模式。

如圖1所示，CEO薪酬對數(shù)大多分布在12—14.3區(qū)間（即真實薪酬分布在16萬—162萬間），隨著薪酬的增加，真實盈余管理水平整體呈現(xiàn)下降趨勢，薪酬增加抑制了公司的真實盈余管理。這可能是隨著薪酬的增加，CEO的經濟利益已經得到較大滿足，根據(jù)職業(yè)生涯考慮理論，高管做出的行為決策是基于其職業(yè)生涯而非眼前利益考慮，真實盈余管理是通過操縱真實交易和業(yè)務進行，具有一定法律風險[20]，因此，高管在經濟利益得到充分滿足時，冒著法律風險實施真實盈余管理的動機就會下降。此外，部分依賴圖得出的結論也與激勵理論中的利益趨同論相契合，即薪酬激勵會抑制高管做出損害公司利益的自私行為，使高管與公司利益趨于一致。使用部分依賴圖可以進一步分析高管的其他特征（如任期、持股比例等）與公司真實盈余管理的關系，可以發(fā)現(xiàn)任期、持股比例與真實盈余管理的部分依賴圖呈現(xiàn)非線性關系，這有益于促進高管特征作用于真實盈余管理的理論研究。限于篇幅，在此不做進一步討論。

六、穩(wěn)健性檢驗②

（一）更換高管研究對象

本文穩(wěn)健性檢驗將研究的高管對象由CEO替換成董事長，觀察主要的研究結論是否穩(wěn)健。董事長的數(shù)據(jù)同樣來自于國泰安數(shù)據(jù)庫，按相同方法處理得到董事長完整數(shù)據(jù)14 435條，實證中模型設置均與上文CEO的模型設置相同。結果顯示，相對于基準模型，加入董事長特征的模型，無論是樣本內的擬合效果還是樣本外的泛化能力均有提升，且樣本外均方誤差有所下降，說明高管特征對真實盈余管理的預測有提升作用;分企業(yè)異質性看，民營企業(yè)加入高管特征后對基準模型擬合效果的提升幅度要遠遠高于國有企業(yè)加入高管特征后對基準模型擬合效果的提升幅度，尤其是樣本外的泛化能力，結論不變，通過了穩(wěn)健性檢驗。

（二）改變模型擬合時間窗口

前文的實證檢驗采用兩年滾動窗口期進行擬合，為了避免擬合窗口期對結果的影響，本文穩(wěn)健性檢驗部分將擬合滾動窗口期更改為三年進行滾動擬合。結果顯示，相對于基準模型，加入高管特征的模型，無論是樣本內的擬合效果還是樣本外的泛化能力均有提升，且樣本外均方誤差有所下降;相比于線性回歸模型，隨機森林模型的樣本內擬合效果和樣本外泛化能力都要更好，且均方誤差更低，結論不變，通過了穩(wěn)健性檢驗。

（三）參數(shù)調整

根據(jù)前文研究設計部分對隨機森林參數(shù)的介紹，穩(wěn)健性檢驗部分將構建一系列可能的參數(shù)組合，遍歷這些參數(shù)進行擬合，從而判斷本文的實證結論是否穩(wěn)健。用隨機森林模型進行預測時，一般會取變量個數(shù)的三分之一作為mtry值。因此，本文將基準模型的mtry1值設置為{1，2}，CEO模型的mtry2設置為{3，4}，構成4（2×2）個參數(shù)組合，使用這些參數(shù)組合進行估計，觀察實證結論是否有變化。結果顯示，相對于基準模型，加入高管特征的模型，無論是樣本內的擬合效果還是樣本外的泛化能力均有提升，且樣本外均方誤差有所下降;隨機森林模型的樣本內擬合效果和樣本外泛化能力都要更好，且均方誤差更低，結論不變，通過了穩(wěn)健性檢驗。

（四）更換機器學習的模型

Boosting和XGBoost是常用于優(yōu)化GBRT問題的兩種模型，同時也具備較好的可解釋性，本文使用Boosting和XGBoost作為穩(wěn)健性檢驗的方法。結果顯示，相對于基準模型，加入高管特征的模型，無論是樣本內的擬合效果還是樣本外的泛化能力都有提升，且樣本外均方誤差有所下降;相比于OLS模型，Boosting和XGBoost的樣本內擬合效果和樣本外泛化能力都要更好，且均方誤差更低，結論不變，通過了穩(wěn)健性檢驗。

七、結論與啟示

本文使用隨機森林模型全面考察了多維度高管特征簇對公司真實盈余管理的預測作用，并進一步分析了對真實盈余管理預測能力較強的高管特征及其預測模式。通過研究，本文得出以下結論與啟示：

第一，高管特征對公司真實盈余管理有預測作用，但高管特征在預測過程中的相對重要性整體低于公司自身特征，這說明真實盈余管理行為的發(fā)生更直接的考慮因素是公司自身經營情況。通過改變真實交易等手段進行真實盈余管理會大大降低財務信息質量，因此監(jiān)管機構應當更多從公司自身特征去考慮公司發(fā)生真實盈余管理行為的可能性，比如上市公司ROA的異常波動應當引起監(jiān)管機構注意。

第二，相比于民營企業(yè)高管特征，國有企業(yè)的高管特征對真實盈余管理的預測能力較弱。這是因為國有企業(yè)的內部控制和監(jiān)督機制更加完善，高管之間、董事會之間各司其職，相互監(jiān)督，高管在國有企業(yè)從事真實盈余管理的空間更小，難度更大。因此，加強和完善企業(yè)的內部控制和監(jiān)督機制有利于防范真實盈余管理行為的發(fā)生。

第三，在眾多高管特征中，薪酬、任期和持股比例這三個高管特征對公司真實盈余管理的預測能力較強，且部分依賴圖顯示薪酬激勵會抑制高管的真實盈余管理行為，這與職業(yè)生涯相關理論、激勵理論中的利益趨同觀點相契合。

第四，相比于傳統(tǒng)線性回歸模型，隨機森林等機器學習模型的樣本內擬合效果和樣本外泛化能力都要更好，且均方誤差更低，說明用機器學習模型來改進傳統(tǒng)的線性回歸模型的效果顯著。鑒于機器學習方法和預測性模型有諸多優(yōu)勢，用其研究公司金融問題在未來將有廣闊的空間。

【參考文獻】

[1] GU S，KELLY B，XIU D.Empirical asset pricing via machine learning[J].The Review of Financial Studies，2020，33（5）：2223-2273.

[2] SHMUELI G.To explain or to predict？[J].Statistical Science，2010，25（3）：289-310.

[3] 雷新途，汪宏華.政府反腐風暴提高企業(yè)盈余質量了嗎——來自中國上市公司的證據(jù)[J].會計研究，2019（12）：40-45.

[4] 王海林，張丁.國家審計對企業(yè)真實盈余管理的治理效應——基于審計公告語調的分析[J].審計研究，2019（5）：6-14.

[5] 彭憶，胡涵哲.內控制度變遷、女性高管與盈余管理方式選擇——基于內部控制制度不同實施階段的對比研究[J].財會通訊，2020（11）：78-82.

[6] 高子捷，王敏.高管團隊特征、內部控制與盈余管理[J].會計之友，2019（1）：106-112.

[7] 安玉琢，魏艷翠，于霞.高管團隊特征與盈余管理——基于“垂直對”特征差異視角[J].會計之友，2019（14）：141-147.

[8] 許言，鄧玉婷，陳欽源，等.高管任期與公司壞消息的隱藏[J].金融研究，2017（12）：174-190.

[9] 岑維，童娜瓊.高管任期、盈余質量與真實盈余管理[J].現(xiàn)代財經（天津財經大學學報），2015，35（6）：55-69，113.

[10] 汪蕓倩，王永海.CFO兼任董秘可以提高會計信息質量嗎？[J].會計研究，2019（8）：32-39.

[11] 程果.股權激勵的真實盈余管理及其激勵效果[J].系統(tǒng)工程，2020，38（1）：120-130.

[12] ROYCHOWDHURY S.Earnings management thro-ugh real activities manipulation[J].Journal of Accounting and Economics，2006，42（3）：335-370.

[13] BREIMAN L.Bagging predictors[J].Machine Learning，1996，24（2）：123-140.

[14] BREIMAN L.Random forests[J].Machine Learning，2001，45（1）：5-32.

[15] LINDNER C，et al.Robust and accurate shape model matching using random forest regression-voting[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，37（9）：1862-1874.

[16] HASTIE T，TIBSHIRANI R，F(xiàn)RIEDMAN J.The elements of statistical learning：data mining，inference，and prediction[M].Springer Science & Business Media，2009.

[17] GARETH J，DANIELA W，TREVOR H，et al.An introduction to statistical learning：with applications in R[M].Spinger，2013.

[18] 陸瑤，張葉青，黎波，等.高管個人特征與公司業(yè)績——基于機器學習的經驗證據(jù)[J].管理科學學報，2020，23（2）：120-140.

[19] 程富，王福勝.產權性質、CFO背景特征與內部控制質量[J].財經理論與實踐，2018，39（5）：63-70.

[20] 崔也光，劉思源.環(huán)境規(guī)制對企業(yè)盈余管理的影響：促進還是抑制？[J].中國注冊會計師，2020（5）：56-63.