利潤健康評估：理論與實踐探索

【摘 要】 文章提出了一個創新的利潤健康評估理論模型，該模型通過融合信號傳遞與代理理論，結合財務與非財務指標，從四個不同維度對上市公司的盈余質量進行綜合評估。此模型超越了傳統的盈余管理分析框架，專注于揭示上市公司的整體盈余狀態，旨在解決信息不對稱和管理層動機問題。選取2018—2022年中小板民營企業作為分析對象，并基于機器學習算法驗證了模型的有效性。通過應用此模型，識別出在2018—2023年間被證監會處罰的中小民營企業中，有85.7%的樣本處于利潤健康的較低水平，這一發現進一步加深了監管機構和投資者對上市公司盈余健康狀況的理解。利潤健康評估模型不僅豐富了盈余管理的理論基礎，為監管者和市場參與者提供了一種全新的評估工具，也為將來在不同市場和行業中應用此模型，以及重新審視盈余質量評估方法提供了新思路。

【關鍵詞】 利潤健康； 信號傳遞理論； 代理理論； 盈余管理； 機器學習

【中圖分類號】 F019.3" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）08-0052-11

一、引言

習近平總書記2023年9月提出要“加快形成新質生產力”，這為利潤健康問題的研究指明了方向。這一概念強調技術進步和創新能力在提升企業核心競爭力中的重要性，不僅是生產力現代化的體現，同時也標志著傳統生產力結構的根本變革。在此框架下，證監會特別鼓勵企業通過技術創新來驅動個體的發展，從而推動國民經濟整體的高質量成長。在具體政策層面，證監會2024年4月實施的“國九條”新政強調了上市公司治理結構的強化和透明度的提升，并要求企業主動適應經濟結構調整和技術進步帶來的新挑戰。這項政策有利于促進資本市場的穩定發展和提高市場信息的透明度，以保護投資者利益并提高市場效率。

在現代企業治理框架中，市場環境和監管政策的迅速變化使得傳統的利潤最大化目標已無法全面滿足企業的發展需求，這一轉變催生了對“利潤健康”這一概念的探索。本文在盈余管理理論基礎上，結合代理理論與信號傳遞理論，提出“利潤健康”概念與利潤健康（Profit Health，PH）評估理論框架，旨在結合四對與利潤密切相關的財務指標和兩個非財務指標來精確衡量和預測企業的利潤健康狀態，以填補會計基礎理論的空白，并通過開發一套綜合評估系統對該理論框架進行驗證，賦能上市公司利潤健康狀況的評估。

為了驗證其適用性和有效性，本文選取了資本市場中具有獨特地位和代表性，但同時也面臨較大的市場壓力和財務透明度問題的中小板民營上市公司作為研究對象，采用梯度提升機和隨機森林算法等機器學習算法實證分析了其2018—2022年的年報數據，深入了解在經濟快速變化和市場調整期間上述企業的盈利狀況并評估其利潤健康水平。

本文的貢獻在于以下四點：第一，界定利潤健康的概念，開辟了審視公司財務狀況的新視角，增強了信號傳遞理論[1]和代理理論[2]在現代企業治理實踐中的適用性和實際效果。第二，通過融合Beneish[3]和Jansen et al.[4]的計量模型與代理理論，構建利潤健康評估體系，豐富了盈余管理計量方法的相關研究。第三，提出了4個具有解釋能力的檢測器，能有效地識別和預測上市公司的利潤健康問題，也為投資者和監管機構提供了更為強大的監控工具。第四，采用了獨特的處罰樣本檢驗，進一步驗證利潤健康評估框架的有效性和科學性。

二、文獻綜述

盈余管理是企業通過選擇不同的會計政策和估計來影響財務信息，尤其是短期盈余的一種行為，可以通過合法的會計決策實現，也可以通過欺詐性手段進行，滿足或超過資本市場分析師的盈利預期，改善借貸條件，提高公司股價，實現管理層的獎金目標。關于盈余管理的研究，學者從其重要因素、識別模型、關鍵指標和新理論方法應用等方面進行了不同程度的探索。

（一）對盈余管理重要因素的探索

在影響因素方面，企業操縱盈余可能會對投資者、債權人和貸款條件、市場效率、政府監管和契約激勵等產生影響。企業通過盈余管理來傳遞公司未來增長和盈利能力的信號，影響股價和公司的市場評價。當企業通過盈余管理手段操縱財務報表時，投資者可能會受到誤導，無法準確評估公司的財務狀況和未來表現，影響投資者決策；債權人也可能難以準確評估其信用風險和償債能力，對公司的信任度降低，從而影響貸款條件，如果這種盈余管理被揭露或者財務狀況惡化，投資人和債權人都可能面臨更高的投資風險和損失。同時，投資者可能會誤解公司的真實財務狀況，導致市場價格偏離公司的真實價值，影響市場的有效性，而上市公司在配股過程中的盈余管理也會誤導投資者的決策，造成股票價值的高估和資本配置效率的下降[5]，這些情況都會對資本市場的有效運轉產生不利影響。

在某些情況下，上市公司也可能進行盈余管理以滿足資本市場監管要求，如達到股份發行對獲利能力的要求，保持證券交易所的上市資格或避免違反貸款協議的財務比率要求。盈余管理行為也可能與公司內部的獎勵機制相關，如管理層獎金和激勵計劃，這些通常與公司的財務表現掛鉤，管理層為了獲得獎勵可能存在積極實施盈余管理的行為[6]。盈余管理可能在短期內有助于企業實現某些目標，但其長期影響可能是負面的，尤其是當它掩蓋了公司真實的財務狀況和經營績效時。因此，理解盈余管理的動機、技術和影響對投資者、分析師、監管機構和學者都至關重要。

（二）對盈余管理識別模型的探索

在模型設計方面，受到廣泛應用的盈余管理識別模型主要有Beneish M-score模型和Modified Jones模型，這些模型基于不同的財務指標和假設，為研究者提供了強有力的工具來檢測潛在的盈余操縱行為。Beneish M-score模型基于一系列財務指標通過加權匯總計算M-score，若超過特定的閾值則暗示可能存在欺詐行為，Hieu et al.[7]基于該模型揭示了影響上市公司盈余管理的相關因素。Modified Jones模型由Healy和Wahlen在Jones模型的基礎上引入公司治理變量和其他修正項改進形成，解釋力更強并且能夠更好地捕捉公司內部控制和監管環境對盈余管理的影響。喬金杰等[8]應用此模型研究了不同場景下的上市公司盈余管理狀況。

此外，還有一部分學者運用了其他模型計量盈余管理，探討上市公司的盈余管理及其影響因素，如Jones模型基于盈余的自由現金流量衡量盈余管理的程度，假設公司在實現盈余目標時會通過非自由裁量性應計來操縱財務報表進而影響盈余水平[9]；Goel[10]探索性地將財務領域的DeAngelo模型用于計算潛在盈余管理的自由裁量應計項目。這些模型在不同研究中被廣泛應用，探討了不同場景下上市公司的盈余管理狀況，模型構建都基于一定的主觀假設，然而實務的多樣性導致選取合適的盈余管理評估方法的難度較大，引發了對更簡便、準確的盈余管理評估方法的需求。

（三）對盈余管理關鍵指標選取的探索

在指標選取方面，眾多學者進行的一系列研究已充分證明了營業收入、應收賬款、資產周轉率、經營活動凈現金流量、凈利潤、毛利率等財務指標對上市公司盈余管理計量的有效性。此外，Binsaddig et al.[11]認為公司應更加關注存貨周轉率和應收賬款周轉率，以更有效和高效地優化利潤和改善財務績效。杜翩翩[12]還研究了某些*ST公司利用非經常性收益調節利潤總額完成摘帽，上述研究探索了財務指標在檢測盈余管理方面的作用。此外，一些學者建議增加定性績效指標，并進一步使用數學模型來衡量盈余管理；另一些學者建議將審計意見類型作為鑒別盈余管理存在性的證明[13]，因為獨立的審計意見能向外界傳遞企業會計盈余信息質量的信號。這些研究涵蓋了影響盈余管理的財務指標和非財務指標，為深入理解和應對盈余管理行為提供了重要的參考和啟示。

（四）對應用新理論、新方法的探索

在探索新理論和新方法方面，盈余管理識別的研究不僅增強了傳統模型的能力，還引入了機器學習和數據分析等新途徑，能夠處理大量數據并從中學習識別潛在盈余管理的復雜模式。例如，支持向量機（SVM）、隨機森林和神經網絡等算法被用于預測盈余操縱的可行性。隨著人工智能技術的快速發展，文本分析技術被應用于財務報告和公開披露的信息，通過分析管理層討論與分析部分的語言風格和情感傾向，來識別潛在的盈余管理。有觀點認為，管理層在從事盈余管理時，可能會使用更積極或模糊的語言來掩飾或美化財務狀況[14]；也有學者結合機器學習和文本分析技術，通過分析財務報告和公開披露的文本，實證了數字化運營水平、內部控制水平等因素與盈余管理的關系[15]。此外，社會網絡分析也提供了一種新視角，通過分析公司與其審計師、董事會成員和其他企業之間的關系網絡，來識別盈余管理的可能性。這些新理論和新方法的出現，不僅拓寬了盈余管理研究的視野，也提高了識別盈余管理的精度和效率，使得監管機構、審計師和投資者能夠更有效地監控和評估公司的財務健康狀況。

這些成果為研究者理解上市公司盈余管理研究的現有方法提供了寶貴信息，但目前盈余管理的計量指標尚未形成統一標準，且缺少定性與定量指標相結合的衡量體系。現有模型的適用性依賴于特定的主觀假設，存在一定的局限性。與此同時，上市公司采用的利潤操縱手段具備多樣化、長期性和隱蔽性的特點，往往難以識別，對于監管方和投資者而言，迫切需要一種更為簡便且易操作的方法來揭露這些操縱行為。因此，本研究首先深入探索影響利潤健康的內在邏輯；其次對影響利潤健康的中長期財務與非財務指標變化異常信號進行系統、連續累加計分，進而提出創新的利潤健康評估模型；最后，基于機器學習算法進行可視化實證分析，驗證模型的適用性和有效性。

三、理論模型與研究假設

（一）理論模型

在探索構建企業利潤健康概念評估理論框架過程中，本研究深入挖掘利潤增長的合理性和穩定性等深層次因素。通常情況下，企業盈利能力的持續增強或減弱是由多重因素交織并累積形成的一個動態進程，而非一朝一夕所能達成的。例如，企業盈利的持續增長可能是管理層經過多年的努力，通過綜合施策實現的，這些措施包括但不限于成本控制，如精細化成本管理、供應鏈優化、自動化與技術革新；收入增長，如市場擴展、產品與服務多元化、定價策略優化以及營銷策略的創新；稅務策略，如稅務規劃、利用虧損進行稅額抵扣、國際稅務規劃，以及財務策略，如資產重組、財務杠桿的調整、現金流管理及投資并購等。相反，利潤的持續下滑可能是由宏觀經濟環境的惡化、經營管理的不善等多種復雜因素引起的。對于上市公司而言，管理層往往不愿意面對利潤大幅下降的現實，由于擔憂公司股價表現、監管層的風險警示、融資能力受損以及期權激勵計劃的實施等問題，可能會考慮采取一系列“合法”或“看似合理”的措施來調整企業的盈利水平，甚至有些企業可能會不顧慮證監會處罰的風險，采取虛假行為來偽造或篡改利潤數據。

三十多年來，學術界對盈余操縱行為的研究持續深化與創新，研究成果主要聚焦于收入虛假確認、不當的費用延遲或資本化、惡意的會計估計與判斷、通過準備金操縱利潤、不真實的資產與負債評估、關聯方交易操縱以及其他惡劣手段[16]。通過對這些行為背后的動機、實施手段及其影響的理論分析、案例研究和實證研究，不僅深化了本研究對盈余操縱的理解，也為識別和應對財務報告中的操縱行為提供了實務指導。

Jansen et al.[4]提出并論證了通過資產周轉率和利潤率變化方向進行盈余管理的診斷方法，在該方法中，識別盈余管理依賴于會計等式和財務報表之間的勾稽關系，而非普通模型中常用的相關關系。根據信號傳遞理論，管理層在操縱利潤向信息使用者傳遞信號的同時，信息使用者也可以通過財務報表的指標變化方向識別上市公司的盈余管理行為。并且該方法的優點之一計算量少，為設計盈余管理的診斷方法提供了新思路。基于學界的研究成果，本研究選取營業收入、應收賬款、資產周轉率、經營活動凈現金流量、凈利潤、毛利率、存貨周轉率、毛收入和利潤總額作為財務指標。這些財務指標綜合反映了利潤的來源、運營管理效率及其變現能力。同時，本研究引入了會計師事務所變更次數和審計意見作為非財務指標，用于分析企業管理層與信息使用者之間信息不對稱的問題。信號傳遞理論指出，審計意見可以在一定程度上減輕這種不對稱，并提供企業財務狀況真實性和合規性的信號。頻繁更換會計師事務所可能揭示了管理層試圖規避審計意見不佳的行為動機。此外，通過將七個財務指標分解為四對，并根據每對指標每年的變化方向賦分，可以更細致地識別出利潤健康的不同程度。

根據利潤健康等級劃分標準，結合引言部分的論述，本研究從理論上給出利潤健康的基本定義：利潤健康是指企業在遵循市場規律和法律法規的基礎上，通過科技創新、優化資源配置、提升全要素生產率和產業轉型升級等方式，實現的持續、穩定且合理的利潤增長。這種利潤增長應當反映企業真實的經營成果，支持企業的可持續發展，同時為股東創造價值。因為新質生產力強調的是技術革命性突破、生產要素創新性配置和產業深度轉型升級，它以勞動者、勞動資料、勞動對象及其優化組合的質變為基本內涵，以全要素生產率提升為核心標志。因此，健康利潤應是新質生產力發展的直接結果，而非短期財務操作的產物，第三方審計意見則為利潤的真實性和合理性提供了進一步的保證。

基于Jansen et al.的研究成果，并受馬斯洛（1943）需求層次理論和卡普蘭等（1992）平衡計分卡理論的啟發，本研究提出一種創新的利潤健康評估理論模型。該模型將利潤健康分為四個等級，其中4星級代表利潤健康狀況最高等級，1星級則表示利潤健康狀況最低等級。模型內包含四個財務指標信號檢測器得分和兩個非財務指標得分，通過對五年時間跨度的利潤健康分值進行求和計分。構建的理論模型如圖1所示。

該理論模型采用獨特的橄欖形結構設計，象征著利潤健康最高的4星級和最低的1星級在總體分布中所占比例較小，而中間兩級則占據了較大的比重。在圖1中，自上而下、自左向右的四片花瓣為I1至I4四個財務指標檢測器，左側與右側帶箭頭的矩形框為非財務指標，分別是變更會計師事務所次數和審計意見檢測器，以實現對企業利潤健康進行全面評估的目標。

檢測器I1聚焦營業收入增長率（revenue growth，RGR）與應收賬款增長率（accounts receivable growth rate，ARGR）之間的變化方向是否一致，旨在識別營業收入增長中的潛在異常。依據會計基本原理，若營業收入增長未伴隨著應收賬款的相應增長，則標記為異常情況，計1分；若二者同步增長，計0分。

檢測器I2聚焦營業收入增長率（RGR）與經營活動凈現金流量增長率（net cash flow growth rate，NCFGR）之間的變化方向是否一致，用于評估營業收入的“含金量”。若營業收入的增長與由經營活動產生的凈現金流量增長不一致，則判定為異常，計1分；一致則計0分。

檢測器I3聚焦凈利潤增長率（net profit growth rate，NPGR）與存貨周轉率增長率（inventory turnover rate，ITR）之間的變化方向是否一致，以判斷凈利潤增長的合理性。根據會計理論，存貨周轉率的提高應促進企業利潤的增長，因此，若存貨周轉率與凈利潤增長不一致，則視為異常，計1分；一致則計0分。

檢測器I4聚焦利潤總額增長率（gross profit growth rate，GPGR）與毛收入增長率（gross revenue growth rate，GRGR）之間的變化方向是否一致，旨在探測利潤總額是否有被操縱的跡象。若毛收入增長而利潤總額減少，或利潤總額增長而毛收入減少，均被認定為不正常現象，計1分；反之則計0分。

這四個檢測器雖然在計分上各自獨立，但它們之間卻形成了一個密切相關的邏輯鏈。在檢測器I1中，應收賬款的增長直接關系到營業收入增長的真實性，此增長進一步影響檢測器I4中毛收入的提升，從而推動利潤總額的增加。同時，利潤總額的提升會影響到檢測器I3中凈利潤的增長。為了驗證凈利潤增長的真實性，需要檢驗凈利潤增長的方向是否與I3中存貨周轉率的增長方向保持一致。而檢測器I2中經營活動凈現金流量的增長方向與營業收入增長方向的一致性，則用于評估營業收入的變現能力。這一系列的檢測不僅彼此環環相扣，而且共同構成了對企業利潤健康狀況深度分析的基礎。

此外，從公開的年報中獲取并計算的財務指標雖然客觀，但不一定全面。為此，本模型對第三方會計師事務所近五年每年的審計意見（AO）計分（“標準無保留意見”計0分、“帶強制事項段的保留意見”計1分、“保留意見”計3分和“無法表示意見”或“否定意見”計5分）；如果當年會計師事務所與上一年不同，則當年的變更會計師事務所次數（NCAF）計1分，否則計0分。綜合五年的指標數據，通過四個財務指標檢測器和兩個非財務指標的得分，計算出公司的利潤健康（PH）得分。由此提出整體假設0。

（二）研究假設

H0：營業收入增長率、應收賬款增長率、經營活動凈現金流量增長率、凈利潤增長率、存貨周轉率增長率、利潤總額增長率、毛收入增長率、變更會計師事務所次數和審計意見均對公司的利潤健康有影響。

為驗證和清晰解釋四個檢測器對利潤健康狀況影響的可視化演變過程，本研究提出如下4個子假設。

第一，營業收入與應收賬款顯著相關[17]。通常營業收入的增加可能會導致應收賬款的增加，營業收入在轉化為現金收入前體現在應收賬款中，因此營業收入與應收賬款的變化方向往往相同，表明公司能有效地將銷售收入轉化為應收賬款，有助于支持公司的穩健經營和財務狀況。營業收入增加而應收賬款減少，一方面可能是現金銷售增加或客戶付款迅速，應收賬款管理效率提升；另一方面，也可能是企業通過提前收款或減少應收賬款計提使財務報表呈現更好的財務狀況，此時營業收入與應收賬款的變化方向不一致，可能反映出公司的應收賬款管理存在問題，應審慎考慮是否存在利潤健康風險。由此提出假設1。

H1：營業收入增長率與應收賬款增長率方向不同可能是利潤不健康的信號，且變更會計師事務所次數和審計意見對利潤健康有影響。

第二，營業收入與經營活動凈現金流量存在顯著關系。通常營業收入的增加可能會帶來更多的經營活動凈現金流量，為公司創造更健康的利潤狀況，表現為兩者變化方向一致，而Lee et al.[18]發現欺詐公司的營業收入與經營活動凈現金流量之間的差異較大，營業收入與經營活動凈現金流量變化方向不一致時可能暗示公司采取某些會計手段提高報告的凈利潤，將對利潤健康產生負面影響。由此提出假設2。

H2：營業收入增長率與經營活動凈現金流量增長率方向不同可能是利潤不健康的信號，且變更會計師事務所次數和審計意見對利潤健康有影響。

第三，Winda et al.[19]研究發現存貨周轉率對凈利潤有積極且顯著的影響。公司存貨周轉率越高，其從銷售中獲得高額凈利潤的可能性就越大，反之則獲利的可能性較小，因此較高的存貨周轉率可以增加凈利潤；與此同時，較高的凈利潤可能會促進公司增加投資、提高生產能力，從而影響存貨周轉率，故存貨周轉率與凈利潤的變化方向往往一致。存貨周轉率增加凈利潤減少時，可能是公司采取延遲確認成本或降低存貨價值的手段進行盈余管理，即存貨周轉率與凈利潤變化方向不一致可能存在盈余管理。由此提出假設3。

H3：凈利潤增長率與存貨周轉率增長率方向不同可能是利潤不健康的信號，且變更會計師事務所次數和審計意見對利潤健康有影響。

第四，通常毛收入的變化會直接影響利潤總額，兩者的變化方向一致表明公司在成本或費用方面管理得當，能夠有效地將收入轉化為利潤；當變化方向不一致時，可能暗示某些公司采取了操縱利潤總額的一系列“千奇百怪”的行為，如費用管理、間接成本和稅收管理等，從而對利潤健康產生負面影響。由此提出假設4。

H4：利潤總額增長率與毛收入增長率方向不同可能是利潤不健康的信號，且變更會計師事務所次數和審計意見對利潤健康有影響。

如果這四個假設被證明對PH有統計學意義，則意味著本研究提出的理論模型對利潤健康的計量方法可行，而這種計算方法非常適合計算機程序自動計算。為方便計算機程序對利潤健康的自動判斷，本研究基于大數據確定出利潤健康的四個等級區間范圍，以增強會計師、審計師和普通投資者對財務操縱的識別能力與應對能力。

四、研究設計

（一）數據來源

本研究從Wind數據庫中選取至2018年12月31日在A股主板已上市的中小民營企業為研究對象，并下載了本研究所需的2018—2022年財務和非財務指標構成面板數據集。為保證數據的可靠性，剔除ST或*ST公司后有580家公司共2 900條記錄（5×580），并剔除有明顯異常的24條記錄，最終面板數據集包含有效記錄2 876條。

（二）變量說明

根據圖1所示的理論模型和H0—H4，構建利潤健康4個檢測器，以及利潤健康綜合指標，各檢測器與變量解釋如表1所示。

（三）描述性統計

變量RGR、ITR、GRGR、NCAF和AO的標準差均小于1，表明這4個變量在2018—2022年間的波動性相對不大；變量ARGR和PH的標準差分別為1.583和1.264相對也不算大。但NCFGR、NPGR和GPGR在2018年至2022年間的波動性卻相當大，最小值從-69.43、-100.65和-108.90變化至最大值312.86、96.83和238.88。

從會計基本理論看，ARGR與RGR、RGR與NCFGR、NPGR與ITR、GRGR與GPGR是密切相關的，故采用多元線性回歸建模存在嚴重的共線性，因此本研究考慮采用非線性回歸模型實證研究假設。隨機森林算法是一種將隨機抽樣與決策樹相結合的方法，通過多輪隨機抽取樣本量和特征值，構建一組決策樹集合，應用少數服從多數的原理做出判斷，確保決策誤差有效降低。同時，隨機森林算法也是一種機器學習方法，在現有模型基礎上開展迭代計算，可以進一步提升模型預測的準確性[20]。

（四）構建模型與穩健性檢驗

1.構建整體模型與穩健性檢驗

對主要參數進行參數調優，得出主要參數：n_estimators=300；max_depth=20；min_samples_split=2；min_samples_leaf=1；random_state=42。考慮到模型的穩健性，在主要參數設置相同的前提下，分別構建梯度提升和隨機森林算法模型，見表2。

表2兩個模型在訓練集上的R2均接近1，且均方誤差MSE也都比較小。同時測試集的R2均超過0.9，且MSE均在0.1左右，說明兩模型的擬合精度相當高，表現了優良的泛化能力。梯度提升機模型和隨機森林模型的特征值重要性排序雖然不盡相同，但特征值重要性超過15%且完全相同的，且排序第一的審計意見（AO）的重要性相差無幾。經兩個模型的相互印證，整體上隨機森林模型略優于梯度提升機模型。因此，選用隨機森林算法建模是可行的且穩健性較好。另外，從隨機森林模型給出的特征值重要性排序結果看，所有9個解釋變量對利潤健康PH的影響均大于5%。故H0得證。

2.構建四個檢測器模型與穩健性檢驗

考慮模型的一致性與穩健性，構建四個檢測器的隨機森林模型的主要參數保持與整體模型一致，結果見表3。

由表3可知，四個檢測器模型在訓練集上的R2值均在0.9左右，且MSE不超過0.2，說明四個模型擬合效果較好。從測試集的MSE看，雖然檢測器I1和檢測器I2的隨機森林模型存在輕度過度擬合現象（MSE大于0.9但小于1），但檢測器I3和檢測器I4的隨機森林模型泛化能力還不錯，均低于0.72。此外，四個隨機森林模型共同特點是審計意見AO（在25%至26%之間變化）和變更會計師事務所次數NCAF（在6.61%至6.89%之間）大致相同。另外，四個檢測器中每對財務指標的特征值重要性之和分別為67.20%、67.82%、67.86%和68.00%，即財務指標的解釋力均在67%以上。

為驗證隨機森林算法模型的穩健性，仍沿用隨機森林模型中選定的主要參數，構建四個檢測器的梯度提升機模型，見表4。表4中，四個梯度提升機模型在訓練集上的R2均接近1且MSE接近0，極為完美。但在測試集上R2均小于0.4且MSE均大于1，只是在檢測器I3和檢測器I4模型上有所改善。因此在主要參數維持不變的前提下，整體上梯度提升機模型泛化能力相對較差。故從穩健性角度，本研究選用隨機森林算法模型為工具。基于表4中四個檢測器的隨機森林模型建模結果，H1—H4初步得證。

五、可視化實證分析

（一）檢測器I1的可視化實證分析

由圖2（a）和（b），營業收入增長率（RGR）與應收賬款增長率（ARGR）同為負值時PH在相對高位盤桓，且這兩個財務指標從負值向0值方向不斷靠近時，PH有所升高，說明利潤健康風險在不斷聚集。而當RGR與ARGR同為正值且持續增長時，RGR的增大使得PH迅速下降，說明隨著營業收入增長率提高，利潤也逐漸變得越來越健康。但是ARGR的不斷增大卻使PH略有增長，這暗示公司的應收賬款管理效率可能并未跟上銷售業務擴張的步伐，從而相應增加了利潤健康的風險。由圖2（c）和（d）可知，隨著變更會計師事務所次數越多和審計意見越差，PH也越大，即利潤健康越差。

因此，當RGR與ARGR處于由負轉正的區間時，信息使用者應重點關注公司披露的客戶付款期限、折扣與優惠、銷售日期等相關信息是否與實際情況存在顯著差異，尤其是AO明顯較大時，信息使用者應當對該公司的投資行為采取謹慎態度。故H1得證，即RGR和ARGR對PH的影響存在不一致的情況，可能是利潤不健康的信號，且變更會計師事務所次數與審計意見對利潤健康有影響。

（二）檢測器I2的可視化實證分析

由圖3（a）和圖3（b），當營業收入增長率（RGR）和經營活動凈現金流量增長率（NCFGR）均為負值時，利潤健康風險在聚集之中。由圖3（a）可知，一旦RGR快速向正值方向增大，利潤風險逐步釋放，也同步使得NCFGR增加。由圖3（b）可知，當NCFGR在正值方向不斷增大時，PH在一個較窄的區域內略有波動，可能是受到審計意見（AO）的變化所致。當RGR與NCFGR從負值趨近于0且AO值較大時，信息使用者可以從銷售政策變化、應收賬款管理效率、資金使用效率等方面對公司利潤健康狀況進行評估。故H2得證，即RGR和NCFGR對PH的影響存在不一致的情況，可能是利潤不健康的信號，且變更會計師事務所和審計意見對利潤健康有影響。

（三）檢測器I3的可視化實證分析

由圖4（a），當凈利潤增長率（NPGR）從負值不斷向正值靠近時，PH在增長，即利潤健康風險在擴大，可能是受到較低的存貨周轉率（ITR）的影響；當NPGR繼續往正值方向增長時，PH有較大波動，其可能的原因是公司管理層對盈余管理有所動作。其次，由圖4（b），當ITR在正值方向持續增大，PH總體下降且在低水平波動，說明利潤比較健康。此外，圖4（c）和（d）中刻畫的NCAF與AO走勢分別與圖2（c）和（d）、圖3（c）和（d）相同，表明變更會計師事務所次數越多或審計意見越不利，利潤健康風險越高。當NPGR和ITR同為負值，且AO值也明顯較大時，信息使用者可通過公司披露的存貨管理、庫存或銷售效率等相關信息關注利潤健康風險。故H3得證，即ITR和NPGR對PH的影響存在不一致的情況，可能是利潤不健康的信號，且變更會計師事務所次數與審計意見對利潤健康有影響。

（四）檢測器I4的可視化實證分析

由圖5（a）和（b），毛收入增長率（GRGR）與利潤總額增長率（GPGR）均在負值區間時，PH在1.5—2.2之間，即利潤健康處于相對較高水平。由圖5（b），一旦GPGR大于0，利潤健康風險迅速釋放，這可能得益于毛收入增長率有重大改觀（在圖5（a）中，GRGR在從負值向0值變化過程中PH陡峭式上升）。毛收入超預期迅速增長這一現象可能是公司提高銷售價格的結果，也可能與公司管理層加強管理，大幅降低營業成本有關。當然，由圖5（a）不難發現，隨著毛收入增長率不斷增大，公司利潤變得越來越健康。此外，由圖5（c）和（d）可知，變更會計師事務所次數或審計意見對利潤健康的影響同步上升。因此，GPGR與GRGR為負值且NCAF或AO值較大時，信息使用者可重點關注公司披露的成本控制或銷售額相關信息，如調整收入確認時間、成本計量方法或資產估值等對公司盈余管理情況進行評估。故H4得證，即GPGR和GRGR對PH的影響存在不一致的情況，可能是利潤不健康的信號，且變更會計師事務所和審計意見對利潤健康有影響。

六、進一步檢驗

為了進一步合并驗證四個子模型的可靠性和實用性，現將580家樣本公司2018—2022年的面板數據按年匯總，分別計算每家公司5年的PH總分，然后按PH總分進行等距分組。第i家公司PH總分（j表示年份，i表示公司）的計算公式，見式1。

PHi=∑■■（RGRijamp;ARGRij+RGRijamp;NCFGRij+NPGRij

amp;ITRij+GPGRijamp;GRGRij+NCAFij+AOij）（i=1，2，…，580）（1）

根據計算結果，本研究按照PH總分將580家公司分為4組，分別是［0，4］、［5，9］、［10，14］和［15，+∞），這4組則分別對應利潤健康的4個等級，4星級為利潤健康最高等級，而1星則為利潤健康最低等級。PH總分分組分布結果，見圖6。

首先，由圖6可知，2018—2022年間，580家中小板民營上市公司PH總分整體呈兩頭小、中間大的格局，驗證了圖1所示的理論模型。具體而言，3星級與2星級合計占到總數的86.38%；利潤最健康的公司占比9.31%高于利潤健康最差的公司占比4.31%。換言之，中小板民營上市公司有近10%的公司具有較高投資價值，有近5%的公司需予以堅決回避。

其次，由圖6可以直觀看出，隨著利潤健康等級的降低，其中審計意見（AO）分值也明顯升高，AO總分偏高的比例在4星至1星級范圍中占比分別為1.9%、1.7%、10.6%和60.0%。這一現象再次驗證了H1至H4中所提及的審計意見越不佳，其利潤健康程度越差。

·第一組PH總分在0—4之間，4星級，公司數量為54家，占比9.31%；

·第二組PH總分在5—9之間，3星級，公司數量為360家，占比62.07%；

·第三組PH總分在10—14之間，2星級，公司數量為141家，占比24.31%；

·第四組PH總分在15—28之間，1星級，公司數量為25家，占比4.31%。

此外，為進一步驗證本研究對利潤健康的洞察性，通過查詢證監會發布的2018—2023年間由于違規信息披露、關聯交易、報告虛假記錄等行為產生的行政處罰記錄，發現受處罰的屬于中小板的民營上市公司合計20家，其中6家已退市未納入本研究范圍，余下14家，被利潤健康評估模型識別為較高風險的有12家，占比85.7%，見表5。

由表5行政處罰結果可知，第一，本研究根據利潤健康評估模型評估結果發現了85.7%的被處罰對象，鑒于識別操縱財務信息行為的復雜性和隱蔽性，有力證明了該模型具有較高的評估效率。第二，利潤健康等級越低，公司存在操縱財務信息行為的可能性越大。由表5可知，當利潤健康從3星級下降至1星級，受處罰的公司占所屬組別的比例從0.56%猛增至20%，呈指數增長態勢，這進一步驗證了利潤健康評估模型的實用性。因此，建議信息使用者密切關注公司利潤健康的評估等級，如果發現利潤健康等級較低或相對上一期利潤健康等級下降，表明公司存在極高的利潤健康風險。

七、結論

本研究圍繞如何科學準確度量利潤健康的難題設計了四個檢測器，每個檢驗器包含一對財務指標和兩個非財務指標。其中每對財務指標按變化方向的不同計分，而非財務指標則根據變更會計師事務所次數和審計意見不同計分，兩者之和衡量利潤健康程度。為驗證財務指標和非財務指標選取的科學性，以及檢測器的可用性，本文選取2018—2022年A股市場中小板580家民營上市公司的面板數據，通過構建5個隨機森林模型證實了H0—H4，并得出如下結論。

第一，利潤健康的評估模型能有效地計量上市公司的利潤健康情況。營業收入增長率、應收賬款增長率、經營活動凈現金流量增長率、存貨周轉率增長率、利潤總額增長率、凈利潤增長率和毛收入增長率對利潤健康有積極作用；而非標準審計意見對利潤健康有負面影響，這些指標共同影響上市公司的利潤健康程度，投資者或政府監管部門需重點關注審計意見類別。

第二，四個檢測器中每對財務指標對利潤健康均有影響。如果財務指標為負值，可能存在較大的利潤健康風險，尤其是當財務指標在0附近較小的區間內窄幅波動時，信息使用者需要特別警惕。同時，每個檢測器中一對財務指標的變化方向若不同，可能暗示存在盈余管理或利潤操縱行為。

第三，通過查詢證監會2018—2023年對上市公司的處罰公告，發現被處罰的中小板民營公司中有85.7%的落在利潤健康狀況較低的一星至三星級空間內，這充分說明了本研究提出的利潤健康評估方法在實踐中可以提前預判某些公司諸如盈余管理的不當行為，使投資者規避不必要的投資損失。

本研究提供的利潤健康評估模型數據易于獲取，計算簡單且易學易用，豐富了盈余管理的理論研究，也為財務信息使用者科學評估上市公司的利潤健康狀況提供了依據。具體而言，主要有四點啟示：一是創新了基于異步信號檢測企業利潤或財務健康研究的新方法；二是有益于推廣到審計風險識別和稅務欺詐檢測等領域；三是具有跨不同市場板塊和不同文化背景應用的潛力；四是易于計算機程序的實現。

但本研究尚存在某些不足，未考慮上市公司利潤預告與實際公告是否一致，以及證券分析師對上市公司利潤預測的準確性等非財務因素指標的計量。對影響利潤健康的很多其他因素，如關聯方交易、股權投資交易和研發費用資本化等并未納入評估模型中，評估結果可能存在一定的局限性。在今后的研究中，可考慮將更多非財務指標因素納入考量范圍，進一步優化和豐富企業利潤健康的指標體系。

【參考文獻】

［1］ LI Y.The influence of family governance on the value of Chinese family businesses：signal transmission effect of financial performance［J］.Economies，2022，10（3），63.

［2］ MCCOLGAN P.Agency theory and corporate governance：a review of the literature from a UK perspective［Z］.Department of Accounting amp; Finance，University of Strathclyde，Glasgow，2001.

［3］ BENEISH M D.The detection of earnings manipulation［J］.Financial Analysts Journal，1999，55（5）：24-36.

［4］ JANSEN I P，et al.A diagnostic for earnings management using changes in asset turnover and profit margin［J］.Contemporary Accounting Research，2012，

29（1）：221-251.

［5］ 張祥建.股權再融資、盈余管理與資本配置效率［J］.證券市場導報，2006（6）：45-52.

［6］ 管建強，王紅領.上市公司股權激勵與治理結構對盈余管理行為的影響分析［J］.貴州財經大學學報，2012（1）：68-75.

［7］ HIEU P D，et al.Earnings management of listed companies in Vietnam stock market：an exploratory study and identification of influencing factors［J］.Academy of Accounting and Financial Studies Journal，2019，23（4）：1-10.

［8］ 喬金杰，唐霞.環境不確定性、盈余管理與創新投入［J］.統計與決策，2023，39（10）：177-182.

［9］ JONES J J.Earnings management during import relief investigations［J］.Journal of Accounting Research，1991，29（2）：193-228.

［10］ GOEL S.Demystifying earnings management through accruals management：an Indian corporate study［J］.Vikalpa，2012，37（1）：49-56.

［11］ BINSADDIG R，et al.Inventory turnover，accounts receivable turnover，and manufacturing profitability：an empirical study［J］.International Journal of Economics and Finance Studies，2023，15（1）：1-16.

［12］ 杜翩翩.從盈余管理角度看綜合收益列報與披露的必要性——基于一家*ST上市公司的案例研究［J］.當代會計，2016（2）：18-20.

［13］ 張立新，武琳.盈余管理計量方法及計量模型的評述與思考［J］.會計之友，2010（12）：68-70.

［14］ HUANG X，TEOH S H，ZHANG Y.Tone management［J］.The Accounting Review，2014，89（3）：1083-1113.

［15］ 羅進輝，巫奕龍.數字化運營水平與真實盈余管理［J］.管理科學，2021（4）：3-18.

［16］ 葉欽華，葉凡，黃世忠.收入舞弊的識別與應對——基于東方金鈺交易造假的案例分析［J］.財務與會計，2021（15）：36-40.

［17］ DELOOF M.Does working capital management affect profitability of Belgian firms？［J］.Journal of Business Finance amp; Accounting，2003，30（3-4）：573-588.

［18］ LEE T A，INGRAM R W，HOWARD T P.The difference between earnings and operating cash flow as an indicator of financial reporting fraud［J］.Contemporary Accounting Research，1999，16（4）：749-786.

［19］ WINDA U，NASUTION M L I.The impact of inventory turnover and sales on net profit：（a case study of CV.Mulya motor ujung gading，west pasaman regency［J］.CASHFLOW：Current Advanced Research on Sharia Finance and Economic Worldwide，2022，2（1）：55-67.

［20］ 于李勝，鄭天宇，滕傳浩.基于機器學習方法的中國上市公司舞弊研究［J］.廈門大學學報（哲學社會科學版），2023，73（2）：44-55.