商誉减值企业印象管理与研发支出资本化——来自2007—2021年A股上市公司的经验证据

Impression Management of Goodwill Impairment Firms and R&D Expenditure Capitalization: Empirical Evidence from 2007-2021 A-Share Listed Companies

董馨格,韩亮亮,董盈厚

1辽宁大学 商学院, 辽宁 沈阳 110031
摘要:

借助2007—2021年A股上市公司数据,基于研发支出资本化视角,本文研究商誉减值企业的印象管理手段及效果。研究发现,商誉减值企业增加研发资本化及操纵动力随商誉减值程度升高而降低。机制研究表明,研发资本化传递盈利与融资能力增强和溢出效应的积极信号,这一功能有助于提升商誉减值企业的正面印象,利好信号失效、内部控制和声誉损失厌恶为商誉减值企业降低研发资本化提供解释。异质性研究发现,分析师预测偏差和业绩承诺制度削弱了企业增加研发资本化及操纵意愿,媒体正面报道则起相反作用。文章揭示了商誉减值企业印象管理与会计行为的内在逻辑,拓展了商誉减值经济后果的理论探索与经验证据,为健全企业合并的财务信息治理机制、完善研发支出会计准则提供有益启示。

关键词:商誉减值,研发支出资本化,印象管理,信号传递,损失厌恶

基金项目:国家社科基金项目(21BGL110);2023年度辽宁省经济社会发展研究课题(2023lslybkt-062)

引 言

我国2006年发布的《企业会计准则》将商誉后续计量从摊销转为减值测试,能如实反映被合并方的盈利能力和经营状况,也更能真实体现合并方管理层不合理的并购决策与商誉确认行为。但是商誉减值具有高度不确定性,容易成为损害中小投资者利益的工具,因而一直被人诟病。基于有效市场理论,如果企业及时且准确披露经营管理信息和商誉减值信息,市场会对商誉减值提前做出负面反应,股价不会出现剧烈波动。财务报表信息使用者能够理性评估商誉减值信息含量及其后果,挖掘企业潜在扭转减值损失能力,未来发展前景较好企业仍然可以吸引投资者注意。然而现实中并购企业通常利用商誉减值测试的主观操纵空间,降低减值金额或推迟减值时间点,向外界隐瞒商誉减值坏消息。2022年证监会发布《2021年上市公司年报会计监管报告》,发现部分上市公司仍然存在商誉减值测试不当问题,商誉资产可回收金额与资产负债表日后新发生事项的可操纵性均会降低减值测试精确性。此时资本市场不再有效,企业公信力伴随未预期商誉减值程度的升高逐渐崩塌,投资者依据经验认为商誉减值蕴含合谋掏空、违规减持等内部人谋取私利的信息,对其产生过度负面反应(杨威等,2018;张新民等,2020)。因此,如何挽回商誉减值引发的声誉与股价下跌损失成为企业经营管理的重中之重。已有研究表明企业利用盈余管理规避和推迟商誉减值计提,或是利用净空高度隐藏大规模商誉减值确认的方式,从而降低股价崩盘风险、缓解负面市场反应以及避免与利益相关者产生冲突(韩宏稳和唐清泉,2019;徐莉萍等,2021),然而鲜有文献探究企业应对商誉减值负面影响的手段和行为,本文拟从印象管理和研发支出会计政策选择角度,考察并拓展这一问题。

组织印象管理相关文献研究表明,管理者与利益相关者的互动并不随机,在特定情况下管理者会实行印象管理,预测利益相关者对企业行为和决策的预期,在消极信息发布之前或同期内提供额外信息噪音,分散利益相关者注意力,以抵消和改善企业负面形象;即使预测失败,管理者事后发布的不相关利好信息也能够挽回形象(Graffin等,2011;Jin等,2022)。我国《企业会计准则第6号——无形资产》规定,允许研发支出资本化处理,通过文献梳理发现,研发资本化除有利于企业实现业绩达标和通过IPO审核之外,还具有传递预期盈利信息的功能,这一功能有助于提升管理者声誉,并削弱未来收益不确定性引发的股价波动(Seybert,2010;Dinh等,2016;Dargenidou等,2021)。因此,商誉减值企业有动机利用投资者信息不对称,发布或操纵研发资本化来向外释放利好信息效应,从而增加投资者对企业的乐观预期和投资意愿,达到提升企业声誉和稳定公司股价目的。然而商誉减值已被誉为“达摩克利斯之剑”风险资产,在屡屡踩雷的前车之鉴下,企业可能无法化解投资者对商誉减值的失望,且现实中投资者具有“坏消息综合征”的传播心理,研发资本化或许因被投资者忽略和质疑而成为沉没成本。在这种情况下,商誉减值企业是如何利用研发资本化实现印象管理?其印象管理策略是否与投资者预期发生冲突?如果发生冲突,研发资本化还具有利好信息效应吗?上述问题现有文献未给予充分回答,仍然有待验证,同时也是文章重点关注问题。研究发现,研发资本化能够传递积极信号和扭转商誉减值负面市场反应,这一功能促使商誉减值企业显著增加研发资本化及操纵意愿。随商誉减值程度升高,研发资本化的积极信号作用失效,与内部控制和声誉损失厌恶一同降低了企业研发资本化及操纵意愿。进一步研究发现,媒体正面报道强化了商誉减值企业增加研发资本化及操纵意愿,分析师预测偏差和业绩承诺制度则起到相反作用。

本文可能存在的学术贡献:第一,现有研究主要探究企业利用“洗大澡”盈余管理或推迟减值计提时间来隐瞒商誉减值坏消息的行为动机及影响。本文探讨商誉减值企业利用研发支出资本化及操纵释放利好信息效应的印象管理行为,拓展了商誉减值企业盈余操纵与声誉提升策略的理论探究。第二,本文研究表明较低规模商誉减值企业的投资者具有“安慰剂效应”的投资心理,会被虚假的研发资本化信息蒙蔽,进而揭示投资者难以识别商誉减值企业的真假信息,及其风险防范能力不足的原因,为完善我国会计监管及风险预警提供参考。第三,Dinh等(2020)认为研发支出资本化操纵会折损企业未来市场价值。本文通过市场反应和股吧评论研究发现,研发资本化操纵短期内能够有效发挥积极信号效应,提高公司股价,但同时损害企业声誉,且声誉损失无法挽回,补充了研发资本化操纵的经济后果研究。进一步地,鉴于目前会计准则并不能完全消除企业操纵研发支出资本化问题 1,探究企业主观操控研发资本化的治理机制,在理论和实务中均具有重要意义。本文综合考虑内部控制、信息中介、研发费用在利润表中单列以及业绩补偿承诺制度的约束作用,强调内部控制风险管理和财务报表凸显效应的重要性,得出外部信息治理仍存在功能缺陷这一结论,为完善商誉减值企业研发信息披露的内外优化机制提供新的证据与启示。

理论分析与研究假设

(一)商誉减值负面信息效应

已有文献验证,计提大量非预期商誉减值与利用商誉减值实施“洗大澡”盈余管理的企业,其业绩预告精确度、商誉减值信息披露质量和价值相关性处于较低水平(Haswell和Langfield-Smith,2008;曲晓辉等,2017;常利民,2022)。不完善的资本市场监管制度使未预期或高规模商誉减值形成增量负面信息效应,商誉“爆雷新闻”喷涌而出,大量非理性投资者随波逐流抛售股票,导致企业股价崩盘风险急剧上升,股票市值断崖式下跌(Kim和Zhang,2016)。商誉减值负向冲击商誉账面价值和营业利润,严重损害投资者利益,导致市场负面情绪弥漫。外部监督机构将商誉减值认定为风险监管重点关注对象,其监管行为进一步缩减商誉减值企业发展空间。审计人员为防止商誉减值损耗声誉及引起诉讼,选择出具非标准审计意见,并提高商誉减值相关事项审计费用,增加了企业违规稽查风险与声誉受损概率(Chen等,2019;He等,2021)。此外,商誉减值导致企业偿还债务能力下降,长期性债权融资渠道缩减(杜春明等,2019)。总而言之,商誉减值主要向信息使用者传递公司未来投资价值、盈余质量折损以及投资风险较高的负面信息,会导致企业股价急剧下跌,资金流动管理将面临挑战。

(二)削弱商誉减值负面信息效应:研发支出资本化视角的印象管理

1.“安慰剂效应”假说

印象管理是个体通过提升、美化自我表现方式,优化自己在他人心中形象的行为策略,其中试图弱化不足之处以避免他人消极看待自己的为保护性印象管理(Jones和Pittman,1982;Tedeschi和Norman,1985)。具有积极信号效应的财务信息是印象管理的重要载体,能够发挥“安慰剂效应” 2,改变投资者对企业原有负面看法,使投资者进行自我安慰及坚信投资仍有利可图。在我国鼓励创新驱动背景下,研发资本化成为资本市场追捧的利好信息。研发资本化能够削弱商誉减值的负面信息效应,所以商誉减值企业有动机利用研发资本化,对商誉减值产生的负面印象进行管理,本文从能力提升、会计处理和溢出效应三方面,分析研发资本化削弱商誉减值负面信息效应的途径。

在能力提升方面,研发资本化预示企业技术创新成功,传递企业价值创造能力提升的信号,进而削弱商誉减值企业未来盈利能力不足的消极信号传递效应。此外,债权人为防范监督成本和违约风险,会降低向商誉减值企业提供长期融资的倾向(杜春明等,2019),而研发资本化可以拓宽无形资产抵押的融资渠道,进而化解外界对商誉减值企业融资能力的质疑。在会计处理方面,首先,研发资本化冲减利润幅度较小,增加了资产和投资现金流入,预示企业收益持续且呈上升趋势,起到美化报表作用,商誉减值只是向外部传递着暂时性经营损失信息。其次,研发费用化是一次性非债务税盾,而研发资本化形成无形资产后,其分期摊销处理方式可以形成跨期性、长期性非债务税盾,研发资本化税盾效应的可调节性更能避免商誉减值企业利润表出现巨额亏损状况。最后,研发资本化在年报中以附注文本形式进行披露,文本信息增强了年报可读性,为信息使用者留下信息透明和开展研发工作的积极印象(张娟和黄志忠,2020)。根据行为金融学框架效应,积极信息披露会引导利益相关者实施裨益企业的决策,增强信息使用者对企业的信任度和认可度,外部审计人员在“顺应心理”驱动下,对年报语调乐观的企业提出异议次数更少(Gamliel和Peer,2010;张继勋等,2019;李世刚和蒋尧明,2020)。企业如果利用研发资本化会计处理方式,形成投资者有利可图的积极框架效应,则商誉减值引发投资者抛售股票和审计师出具非标准审计意见行为就可能得以控制,进而降低企业股价崩盘风险和声誉损失。在溢出效应方面,相对于研发费用化,研发资本化信息给投资者留下主动提升技术创新能力和研发信息质量较高的增量印象,产生自愿披露研发信息的溢出效应。Chen等(2017)为此提供了经验证据,证明相对于遵守GAAP准则强制披露研发费用化企业,遵守IFRS准则披露研发资本化企业的股票价格上涨幅度更高;遵守IFRS准则企业为提高财务核心竞争力,纷纷自愿披露研发资本化过程和结果。由此可知,研发资本化可以传递企业研发信息透明的、产生正外部性的积极信号,进而减轻了企业因商誉减值面临的声誉损失。综上所述,研发资本化主要向市场传递商誉减值企业盈利与融资能力提升、信息透明及推动行业或地区创新发展的积极信号。因此,与无商誉减值企业相比,商誉减值企业更有动机增加研发资本化,向市场传递积极信号,以挽回商誉减值带来的负面形象。

进一步地,与研发资本化相比,研发资本化操纵的实施成本更低。正常资本化需要承担材料和设备的购买费用以及技术人员和评估人员的雇佣费用,而改变资本化估计方法等便捷手段实施盈余管理,可以降低研发资本化付诸实现的交易成本。基于信息不对称理论,掌握较多信息的优势方具有控制信息内容以获利的权力,处于信息劣势一方难以依靠公开信息进行正确决策。企业作为信息优势方,利用研发支出资本化进行盈余管理,向外传递虚假的研发支出资本化信息迷惑投资者,逐利心理会诱使非理性投资者在识别市场信息真伪之前,逆向选择那些释放积极信号而非真正研发成功的企业进行投资。监管滞后性政策漏洞导致市场难以提前甄别已扭曲的研发信息,资本化假象仍然可以释放研发成功利好效应,吸引投资者关注,提升企业未来价值(Aboody和Lev,2000;张倩倩等,2017),所以操纵的研发资本化信息同样可以发挥印象管理作用。因此,商誉减值企业为降低向市场传递积极信号的成本,会增加研发资本化操纵空间。

H1a:与无商誉减值企业相比,商誉减值企业更倾向增加研发资本化概率及程度,扩大研发资本化盈余操纵空间。

2.“损失厌恶”假说

印象管理提升企业正面形象的前提是投资者受期望效应驱使,使其进行自我安慰及坚信投资仍有利可图。然而,受到投资心理、信息传播心理与信息处理能力影响,投资者可能会忽略或质疑研发资本化信息,这会降低商誉减值企业利用研发资本化获取的收益,抑制其研发资本化及操纵行为。

基于前景理论,人在决策时会设立预期参照点,负偏离预期时人的行为决策表现出风险偏好,正偏离预期时表现出风险规避,据此形成的价值函数表明人是损失厌恶者,对损失敏感程度比收益高(Kahneman和Tversky,1979)。在风险规避和损失厌恶双重作用下,企业会预测和分析投资者心理与交易趋势,进行保护性印象管理。随商誉减值程度升高,研发资本化预期产生收益递减、损失递增,商誉减值企业的管理者会降低研发资本化意愿;研发资本化操纵产生的声誉损失风险递增,企业会减少操纵研发资本化冒险行为,从而规避舆论引发的行政审查与处罚,具体分析如下。

社会心理学表明人性与社会的不完美,使人们具有较强感知负面信息能力,对信息形成习惯性质疑以及将传播坏消息作为减压和宣泄工具,导致坏消息比好消息的传播速度更快、影响范围更广,所谓“好事不出门,坏事传千里”。由此可知,随商誉减值程度升高,相对于增加研发投入的利好信息,被合并企业经营不善的利空信息,投资者注意与传播的速度更快,导致大量业绩“雷区”和风险预警等负面消息或新闻如潮水般涌出。投资者也是风险厌恶者(陈皓雪等,2022),商誉减值企业的投资者心理是一单位研发资本化预期收益小于一单位商誉减值预期损失,即使企业发布研发资本化积极信息,投资者也会因损失厌恶心理产生负面投资情绪。此外行为金融学的有限注意理论认为,投资者缺乏足够的精力和注意力,接收和处理海量财务信息的能力有限(Kahneman和Tversky,1973),信息中介和网络媒介对负面消息与新闻的广泛传播,会让投资者注意力集中于商誉减值负面信息,同时削弱投资者对研发支出资本化利好消息的关注度。上述情况致使增加研发资本化行为成为高程度商誉减值企业传递利好信息的沉没成本,研发资本化预期产生的收益递减,进而导致企业通过研发资本化来削弱商誉减值负面信息效应的动机减弱。进一步地,虽然研发资本化操纵比正常资本化披露成本低,且研发信息真实性难以被市场甄别,但是高程度商誉减值企业对投资者而言具有较高投资风险。投资者为提前规避投资损失,可能会在互动、股吧等平台上从资金约束、研发能力等角度,对高程度商誉减值企业的研发真实性提出质疑,导致企业商誉损失风险以及舆论引发的行政审查与处罚风险升高。因此,商誉减值程度越高的企业,越会减少向上操纵研发资本化冒险行为。

H1b:商誉减值程度越高,研发资本化概率及程度越低,研发资本化操纵空间越小。

研究设计

(一)样本选择与数据来源

我国2006会计准则于2007年1月1日实施,因此本文选择2007—2021年A股上市公司作为研究对象,并将样本进行如下筛选:(1)剔除金融行业公司样本;(2)剔除ST、*ST、PT公司样本;(3)剔除无研发支出数据公司样本;(4)剔除无商誉数据公司样本;(5)剔除数据缺失公司样本。最终得到6479个观测值。股吧评论和媒体报道数据来源于CNRDS数据库,其余数据均来自国泰安数据库。其中研发支出及其资本化数据根据上市公司年报手工整理而得,并结合国泰安研发支出和开发支出数据库进行交叉核对。为避免极端值影响,对所有连续变量进行上下1%的Winsorize处理。

(二)变量定义

1.被解释变量

(1)研发支出资本化。研发支出资本化选择(Cap1it+1):发生研发支出资本化取值为1,否则为0。研发支出资本化程度(Cap2it+1):研发支出资本化与总研发支出金额的比值,无研发支出资本化取值为0。(2)研发支出资本化操纵空间。设置研发支出资本化操纵概率(Capem1it+1)和研发支出资本化操纵程度(Capem2it+1)变量,估计企业利用盈余管理柔性选择研发资本化的概率和程度。具体计算方法参考黄亮华和谢德仁(2014)、楚有为(2018)研究,建立模型(1):

\begin{document}$ \begin{aligned} Cap{{\textit{1}}_{it + {\textit{1}}}} = & {a_0} + {a_1}R{d_{it}} + {a_2}Lnpa{t_{it}} + {a_3}Em{i_{it}} + {a_4}Salar{y_{it}} + {a_5}Htin{d_{it}} + {a_6}Inves{t_{it}} \\ &+ {a_7}Financ{e_{it}} + {a_8}T{s_{it}} + {a_9}Ro{a_{it}} + {a_{10}}Siz{e_{it}} + {a_{11}}Le{v_{it}} + {a_{12}}Tobin{q_{it}} \\ & + {a_{13}}Ag{e_{it}} + \Sigma Year + \Sigma Indus + {\varepsilon _{it}} \end{aligned} $ \end{document}

此式中的控制变量为:Rdit研发投资水平(研发支出/营业收入);Lnpatit专利存量(专利数加1,再取对数);Emiit核心员工股权激励(对核心员工进行股权激励取1,否则为0);Salaryit员工薪酬水平(支付给职工以及为职工支付的现金/员工人数,再取对数);Htindit高新技术行业因素(制造业—电子行业、制造业—机械、设备和仪表行业、医药和生物制品行业、信息技术业行业的上市公司取1,否则为0 3);Invit企业投资水平(购建固定资产、无形资产和其他长期资产支付的现金/总资产);Financeit融资情况(短期借款、一年内到期的非流动负债与长期借款之和/总资产);Tsit资产结构(固定资产与存货之和/总资产);Roait盈利能力(净利润/总资产);Sizeit规模(年末总资产的对数);Levit资产负债率(总负债/总资产);Tobinqit(TobinQ值);Ageit上市年限(样本年份−上市年份);年份和行业哑变量。模型(1)估计Cap1与实际Cap1的差值(Capem1)为研发支出会计政策选择操纵的激进程度,大于0说明企业资本化政策选择比较合理,并未过度资本化,将Capem1取值为0;小于0时取值为1。将模型(1)的被解释变量更换为Cap2,估计的资本化操纵程度与实际资本化程度的差值,大于0时说明资本化操纵程度平稳,将Capem2取值为0;小于0时取值为1。

2.解释变量

(1)商誉减值选择(Gdep1it)。企业可能为隐瞒坏消息延迟计提商誉减值,导致样本存在自选择问题,因此采用倾向得分匹配(PSM)重新得到企业账面是否存在商誉减值样本。参考苏洋等(2021)选取商誉减值影响因素作为匹配协变量,利用Logit回归模型(2)进行1比1的倾向得分匹配,最终得到2430个样本。匹配前控制组3634个观测值,处理组3045个观测值,匹配后控制组1290观测值,处理组1140个观测值。匹配后所有变量的偏离度(%)均小于10%,且明显小于未匹配前,说明两组间并无显著差距 4。

\begin{document}$ \begin{aligned} Gdep{{\textit{1}}_{it}} = & {a_0} + {a_1}Mbt{m_{it}} + {a_2}Fi{n_{it}} + {a_3}Bt{m_{it}} + {a_4}Retur{n_{it}} + {a_5}Siz{e_{it}} + {a_6}Le{v_{it}}\\ &+ {a_7}G{w_{it - 1}}+{\varepsilon _{it}} \end{aligned} $ \end{document}

Mbtmit为市场减值迹象(Btmit-1大于等于1取值为1,否则为0);Finit为财务减值迹象(Gwit-1>10%且Roait-1<0取值为1,Gwit-1<5%且Roait-1>5%取值为−1,其余情况取值为0);Btmit为账面市值比(账面市值/市场价值);Returnit为股票回报率(考虑现金股利的股票个股回报率);Gwit-1为上期商誉占比(上一期期末商誉金额/期末总资产) 5。

(2)商誉减值程度(Gdep2it)。借鉴赵宜一和赵嘉程(2021)研究,利用企业期末商誉减值金额与商誉总额之比衡量,去除商誉减值为0样本,剩余2335个样本。

3.控制变量

借鉴黄亮华和谢德仁(2014)、谢德仁等(2017)、楚有为(2018)及杨国超和张李娜(2021)研究,控制如下变量:公司规模(Sizeit)、资产负债率(Levit)、调整后总资产报酬率(Froait)、研发投资水平(Rdit)、第一大股东持股比例(Fshrit)、管理层持股比例(Mspit)、上市年龄(Ageit)、四大审计(Big4it)、有效所得税率(Taxrit)、与投资有关税盾(Ndtsit)、两职合一(Oneit)、独立董事比例(Duliit)、高新技术行业(Htechit)、企业性质(Natureit)、高管薪酬(Salit)、应计与真实盈余管理(Dait)、其他盈余管理动机(亏损Lossit、平滑Emit)、年份(Year)、行业(Indus)和地区(Region)哑变量。 6具体变量定义如表1所示。

1
变量定义
变量符号变量名称变量度量
被解释变量Cap1研发支出资本化选择研发支出资本化为1,否则为0
Cap2研发支出资本化程度研发支出资本化/研发支出,不存在资本化为0
Capem1研发支出资本化操纵概率由模型(1)得到
Capem2研发支出资本化操纵程度由模型(1)得到
解释变量Gdep1商誉减值选择存在商誉减值为1,否则为0
Gdep2商誉减值程度商誉减值/(商誉减值+商誉)
控制变量Size公司规模总资产自然对数
Lev资产负债率总资产/总负债
Froa总资产报酬率(扣除非经常性损益的净利润−研发支出资本化金额)/(总资产−研发支出资本化金额)
Rd研发投资水平研发支出/营业收入
Fshr第一大股东持股比例第一大股东持股/总股数
Msp管理层持股比例管理层持股/总股数
Age上市年龄样本所属年份−上市年份
Big4四大审计审计事务所为四大取值为1,否则为0
Taxr有效所得税率所得税费用/利润总额
Ndts与投资有关税盾当期发生的折旧与摊销/总资产
One两职合一董事长和总经理为同一个人取值为1,否则为0
Duli独立董事比例独立董事人数/董事人数
Htech高新技术行业被赋予高新技术行业为1,否则为0
Nature企业性质国有企业为1,民营为0
Salary高管薪酬前三名高管薪酬/总高管薪酬
Da应计盈余管理修正琼斯模型的残差绝对值
Em/Loss其他盈余管理动机若当t年度ROE在 0~1%或6%~7%之间;或者于t年度实现扭亏为盈时取1,反之取0
Year/Indus/Region年份/行业/地区哑变量

(三)模型设置

为检验假设1和假设2,建立如下回归模型:

\begin{document}$ \begin{aligned} Logit &(Cap{\textit{1}}/Capem{\textit{1}}/Capem{\textit{2}}_{it+1})={\alpha }_{0}+{\alpha }_{1}Gdep{\textit{1}}/Gdep{\textit{2}}_{it}+{\alpha }_{2}Siz{e}_{it}+{\alpha }_{3}Le{v}_{it}\\ &+{\alpha }_{4}Fro{a}_{it}+{\alpha }_{5}R{d}_{it} +{\alpha }_{6}Fsh{r}_{it}+{\alpha }_{7}Ms{p}_{it}+{\alpha }_{8}Ag{e}_{it}+{\alpha }_{9}Big{\textit{4}}_{it}+{\alpha }_{10}Tax{r}_{it}\\ &+{\alpha }_{11}Ndt{s}_{it} +{\alpha }_{12}On{e}_{it}+{\alpha }_{13}Dul{i}_{it}+{\alpha }_{14}Htec{h}_{it}+{\alpha }_{15}Natur{e}_{it}+{\alpha }_{16}Salar{y}_{it}\\ & +{\alpha }_{17}D{a}_{it}+{\alpha }_{18}E{m}_{it}+{\alpha }_{19}Los{s}_{it}+\Sigma Year+\Sigma Indus+\Sigma Region+{\varepsilon }_{it}\end{aligned} $ \end{document}

\begin{document}$ \begin{aligned}Tobit &(Cap{\textit{2}}_{it+1})={\alpha }_{0}+{\alpha }_{1}Gdep{\textit{1}}/Gdep{\textit{2}}_{it}+{\alpha }_{2}Siz{e}_{it}+{\alpha }_{3}Le{v}_{it}+{\alpha }_{4}Fro{a}_{it}+{\alpha }_{5}R{d}_{it}\\ &+{\alpha }_{6}Fsh{r}_{it}+{\alpha }_{7}Ms{p}_{it}+{\alpha }_{8}Ag{e}_{it}+{\alpha }_{9}Big{\textit{4}}_{it}+{\alpha }_{10}Tax{r}_{it}+{\alpha }_{11}Ndt{s}_{it}+{\alpha }_{12}On{e}_{it}\\ &+{\alpha }_{13}Dul{i}_{it} +{\alpha }_{14}Htec{h}_{it}+{\alpha }_{15}Natur{e}_{it}+{\alpha }_{16}Salar{y}_{it}+{\alpha }_{17}D{a}_{it}\\ &+{\alpha }_{18}E{m}_{it}+{\alpha }_{19}Los{s}_{it} +\Sigma Year+\Sigma Indus+\Sigma Region+{\varepsilon }_{it}\end{aligned} $ \end{document}

考虑到研发支出资本化实施及操纵(Cap1it+1、Capem1it+1、Capem2it+1)为虚拟变量,研发支出资本化程度(Cap2it+1)为受限变量,分别选择Logit模型和Tobit模型对其进行回归。为减少互为因果引发的内生性问题,选择未来一期研发支出资本化作为被解释变量。此外,对行业固定效应、时间固定效应和地区固定效应进行控制,对所有回归标准误进行公司层面聚类处理。

实证检验

(一)描述性统计分析

主要描述性统计结果如表2所示,商誉减值选择为0时研发水平(Rd)均值为0.048,说明企业平均1单位的营业收入会用于0.048单位的研发投入。研发支出资本化选择(Cap1)平均值为0.316,说明有31.6%企业选择资本化。研发支出资本化程度(Cap2)平均值为0.068,说明研发资本化投入平均比例为6.8%。研发支出资本化操纵(Capem1)平均值为0.316,说明有31.6%企业选择资本化过程中具有操纵行为。研发支出资本化操纵程度(Capem2)平均值为0.217,说明21.7%企业研发资本化程度过于激进。商誉减值选择为1时,研发水平(Rd)均值为0.051,比未披露商誉减值的样本高6.25%。研发支出资本化选择(Cap1)平均值为0.385,说明有38.5%企业选择资本化。研发支出资本化程度(Cap2)平均值为0.084,说明研发资本化投入平均比例为8.4%。研发支出资本化操纵选择(Capem1)平均值为0.385,说明样本中有38.5%企业选择资本化过程中具有操纵行为。研发支出资本化操纵程度(Capem2)平均值为0.275,说明27.5%企业研发资本化程度较为激进。总体而言,披露商誉减值样本的平均研发水平和研发支出资本化概率及程度均比未披露商誉减值样本高。进一步采用单变量检验,结果支持上述发现 7。

2
描述性统计
变量观测值均值标准差最小值P25中位数P75最大值
Gdep1=0
Rd12900.0480.0380.00030.0260.0380.0570.276
Cap112900.3160.46500011
Cap212900.0680.1490000.0480.841
Capem112900.3160.46500011
Capem212900.2170.41200001
Gdep1=1
Rd11400.0510.0430.00030.0240.0400.0640.273
Cap111400.3850.48700011
Cap211400.0840.1620000.1010.846
Capem111400.3850.48700011
Capem211400.2750.44600011
控制变量
Size243022.3301.02520.12021.59022.20022.91025.770
Froa24300.0360.046−0.2740.0140.0350.0580.187
Msp24300.1070.1481.25e-060.0030.0300.1720.637
Lev24300.4060.1670.0500.2740.4040.5250.851
Duli24300.3880.0710.2500.3330.3750.4290.600
Fshr243030.50012.5438.35020.65029.00039.05069.270
Age24308.5275.8641471125
Ndts24300.0180.0110.0010.0090.0150.0240.061
Taxr24300.1520.113−0.5170.1070.1450.1950.712
Da24300.0580.05300.0210.0430.0800.310
Sal24300.5870.1630.2780.4660.5620.6841
One24300.3400.47400011
Big424300.0330.17800001
Nature24300.1630.36900001
Htech24300.6470.47800111
Em24300.1450.35200001
Loss24300.0330.17800001

(二)基本回归分析

1.商誉减值选择与研发支出资本化

表3为商誉减值选择与研发支出资本化的回归结果。第(1)(2)列显示Gdep1与Cap1系数为0.321,Gdep1与Cap2系数为0.045,均显著为正,说明与非商誉减值企业相比,商誉减值企业研发支出资本化的概率和程度更高。第(3)(4)列显示Gdep1与Capem1系数为0.321,Gdep1与Capem2系数为0.269,均显著为正,说明商誉减值企业研发支出资本化操纵概率和程度更高。结果支持假设1a。

3
商誉减值选择与研发支出资本化的回归结果
变量(1)(2)(3)(4)
Cap1Cap2Capem1Capem2
Gdep10.321**0.045**0.321**0.269*
(2.190)(2.285)(2.190)(1.832)
Controls控制控制控制控制
_cons−6.822**−1.003***−6.822**−3.075
(−2.497)(−2.719)(−2.497)(−1.228)
Year/Indus/Region控制控制控制控制
N2430243024302430
Pseudo R20.2240.3410.2240.151
Wald chi2/F330.30057.97330.300218.613

2.商誉减值程度与研发支出资本化

表4为商誉减值程度与研发支出资本化的回归结果。第(1)(2)列显示Gdep2与Cap1系数为−0.761,Gdep2与Cap2系数为−0.137,均显著为负,说明商誉企业范围内,商誉减值程度越高,研发支出资本化的概率和程度越低。第(3)(4)列显示Gdep2与Capem1系数为−0.761,Gdep2与Capem2系数为−0.959,均在1%水平上显著为负,说明商誉减值程度越高,企业操纵研发支出资本化的概率和程度越低。结果支持假设1b。

4
商誉减值程度与研发支出资本化的回归结果
变量(1)(2)(3)(4)
Cap1Cap2Capem1Capem2
Gdep2−0.761**−0.137***−0.761***−0.959***
(−2.186)(−2.954)(−3.000)(−3.507)
Controls控制控制控制控制
_cons−4.870*−0.306−4.870***−0.641
(−1.691)(−0.894)(−2.736)(−0.348)
Year/Indus/Region控制控制控制控制
N2335233523352335
Pseudo R20.1980.3420.1980.135
Wald chi2/F452.42022.010452.418301.351

(三)稳健性检验 8

1.工具变量法:两阶段IV-Probit和IV-Tobit分析

本文选用工具变量解决商誉减值程度所在模型可能存在遗漏变量的内生性问题,采取两阶段IV-Probit和IV-Tobit模型进行内生性处理。本文构建商誉减值预告误差变量作为外生工具变量,变量度量方法为业绩预告商誉减值与实际商誉减值之差的绝对值/营业利润,业绩预告商誉减值数据从业绩预告中手工收集。工具变量符合外生标准,一方面,工具变量与内生变量高度相关,即业绩预告误差越大,企业隐瞒商誉减值坏消息的概率越高。另一方面,工具变量与因变量无直接关系,即商誉减值预告误差主要影响预告到年报发出之间的管理者决策或操纵行为,所以商誉减值预告误差与下一年研发资本化选择及程度无直接关系。将工具变量与被解释变量进行回归,以检验工具变量的外生性,结果显示工具变量对研发资本化及操纵的影响并不显著,说明工具变量外生。两阶段回归结果显示第一阶段,内生解释变量与工具变量回归系数均在1%水平上显著为正,说明商誉减值预告误差越大,实际商誉减值程度越高;第二阶段结果显示商誉减值程度与研发资本化各变量系数均显著为负,与前文结果一致,说明潜在的内生性问题不足以影响本文结论。Wald内生性检验表明,Gdep2存在一定的内生性问题。AR与Wald弱工具变量检验均在5%水平上显著,说明均通过弱工具变量检验。

2.会计准则外生冲击的PSM-DID检验

2018年我国会计准则规定,研发费用在利润表中单独列报。基于有限关注理论和财务呈报凸显效应,研发费用单列突出研发费用数额,提高投资者对研发费用关注度,进而降低了研发支出资本化的信号传递作用。我国自2018年第三季度开始实施研发费用项目单列政策,因此以2018年为时间点构建双重差分变量Stimet,2018年及以后年度取值为1,否则为0,使用PSM-DID方法验证上述问题 9。回归结果表明,Gdep1×Stimet系数均显著为负,说明研发费用单列政策削弱了研发资本化正面印象管理作用,所以商誉减值企业降低了研发资本化及操纵意愿,为假设1提供支持。

进一步构建Gdep1与时间虚拟变量的交乘项,以考察样本在研发费用单列规定之前是否满足平行趋势假定。结果表明,2018年前趋势比较平稳,基本呈不显著状态,2018年显著下降为负,说明样本满足平衡趋势检验。此外,2019年和2020年的Gdep1×Stime交乘项不显著,说明研发费用单列的冲击效果持续时间较短,仅在政策实施当年有效。

构造虚假准则变革年份进行安慰剂检验,选取2016年和2017年分别作为变革年份,并去除2018年后受政策影响样本。结果表明,Gdep1×Stimet交乘项基本不显著,其他年份无法得到以2018年为基准的回归结果,说明结论并非随机因素导致。2017年作为变革年时, Cap1与Capem1的交乘项在10%水平上显著,这可能源于会计准则的提前释放效应,或是企业研发资本化及操纵的概率主要受其他政策影响,2018年会计准则对其影响较小。

3.固定效应分析

为减轻各维度固有特征引起的内生性问题,本文进一步控制年度、行业、省份以及企业个体的固定效应进行检验。回归结果表明,商誉减值选择会增加企业研发资本化及操纵意愿,证明假设1a结果稳健;商誉减值程度越高,企业研发资本化及操纵意愿越低,证明假设1b结果稳健。

4.其他稳健性检验

(1)改变估计方法。①更换PSM方法。将匹配Gdep1的PSM方法更换为允许重复抽样且卡尺范围为0.05的1比4匹配,以增加样本量,从而提高样本代表性。匹配平衡性检验通过,回归结果表明商誉减值选择会增加企业研发资本化及操纵意愿,证明假设1a结果稳健。②Bootstrap标准误估计。本文采取放回随机抽样思想,对标准误使用Bootstrap方法,抽样1000次得到更加渐进有效的估计量。结果显示商誉减值选择与研发资本化及操纵系数均显著为正,证明假设1a结果稳健;商誉减值程度与研发资本化及操纵系数均显著为负,证明假设1b结果稳健。

(2)更换商誉减值程度度量方式。未预期商誉减值会降低利益相关者对企业的信任程度,导致研发支出资本化的信号传递作用下降。因此,未预期商誉减值程度越高,企业操纵研发支出资本化程度越低。借鉴张新民等(2020)研究,将经过权益市值标准化的未预期商誉减值程度,作为商誉减值程度的替代变量,回归结果表明市场未预期商誉减值程度与研发资本化各变量系数均显著为负,为假设1b提供补充性经验证据 10。

(3)考虑研发支出资本化列示差异。研发支出资本化可以区分为暂时计入开发支出和完全计入无形资产,前者操纵空间在于可以将开发支出再次转为研发费用,后者在于利用资本化确认的主观性来增加无形资产。本文以t+1年转入无形资产的开发支出占总研发支出的比值(Capint),以及未转入无形资产的开发支出占总研发支出比值(Capunint),作为研发支出资本化程度的替代变量再次回归。结果表明商誉减值同时增加两种研发资本化来传递积极信号;随商誉减值程度升高,两种研发资本化程度均下降。

(4)排除竞争性解释。假设1主要考虑市场因素对企业研发资本化的影响,未考虑非市场因素(政府)对企业研发与创新活动的助推作用,市场之手与政府之手可能形成互补效应。具体而言,政府提供的定向研发补助也能帮助企业传递积极信号,即企业获得研发补助代表其研发活动受到政府认可。商誉减值企业增加研发资本化,可能出于应对政府后续审查企业研发努力程度的动机,而非缓解商誉减值给市场留下的负面印象。为排除政府补助驱动研发资本化的竞争性解释,本文引入政府补助作为调节变量,以与技术创新相关的政府补助与营业利润之比进行衡量 11。回归结果显示交乘项系数均不显著,在一定程度上可以排除该竞争性解释。

机制研究

由前述理论分析可知,缓解商誉减值负面影响的“安慰剂效应”,诠释了商誉减值企业研发资本化及操纵更高的原因;厌恶预期声誉损失则诠释了商誉减值程度越高、研发资本化及操纵越低的原因。本文将对“安慰剂效应”与“损失厌恶”的存在性及边际影响分别进行实证检验。

(一)“安慰剂效应”边际影响分析

1.“安慰剂效应”存在性与有效性检验

虽然前文验证了商誉减值选择显著增加研发资本化概率及程度,但不能表明企业增加研发资本化是出于传递利好信息动机,且利好信号对投资者起到安慰作用,以及研发资本化的会计处理会形成投资者有利可图的积极框架效应。为此本文进一步采用事件研究法,检验商誉减值信息发布后下降股价因研发资本化而有所上升,来分析投资者对信息的乐观解读程度,从而探究研发资本化对投资者安慰效应的存在性与有效性。本文运用市场模型,以公司年报披露日前(−60,−30)作为估计窗,估计年报发布前后5天的累计超额收益率(Car),作为投资者对企业信息的解读结果。参考苏洋等(2021)研究,以研发资本化作为调节变量,以公司规模(Size)、资产负债率(Lev)、账面市值比(Btm)、不考虑商誉减值的盈余水平(Ge)作为控制变量,回归结果如表5所示。第(1)列显示Gdep1与Car回归系数在10%水平上显著为负,说明企业披露商誉减值后市场出现负面反应,商誉减值对投资者而言是坏消息。第(2)(3)列显示Gdep1与Cap1、Cap2交乘项系数均在5%水平上显著为正,说明研发支出资本化能够缓解商誉减值引发的市场负面反应,且资本化程度越高,缓解效果越好。第(4)(5)列显示Gdep1与Capem1、Capem2交乘项系数均在5%水平上显著为正,表明操纵性研发资本化同样能够缓解市场的负面情绪,进一步说明投资者无法识别商誉减值企业虚假的研发资本化信息。上述检验证明了研发支出具有传递积极信号和减轻商誉减值负面信息效应作用,支持了假设1a“安慰剂效应”假说。第(6)列显示Gdep2与Car回归系数在10%水平上显著为负,说明商誉减值程度越高,市场负面反应越激烈。但Gdep2与各研发支出资本化变量的交乘项系数均不显著 12,说明商誉减值程度越高,研发资本化缓解负面反应的效果越弱,进一步解释了商誉减值程度越高,研发资本化及操纵概率与程度越低原因,即企业因厌恶研发资本化安慰效果递减所产生的损失,而失去操控研发项目传递利好信息的动机,一定程度上也支持了假设1b“损失厌恶”假说。

5
“安慰剂效应”存在性与有效性检验的回归结果
变量(1)(2)(3)(4)(5)(6)
CarCarCarCarCarCar
Gdep1−0.016*−0.030***−0.025***−0.030***−0.026***
(−1.924)(−2.815)(−2.674)(−2.815)(−2.756)
Gdep2−0.030*
(−1.855)
Cap10.001
(0.086)
Gdep1×Cap10.035**
(2.116)
Cap2−0.050
(−1.430)
Gdep1×Cap20.115**
(2.291)
Capem10.001
(0.086)
Gdep1×Capem10.035**
(2.116)
Capem2−0.005
(−0.371)
Gdep1×Capem20.038**
(2.076)
N243024302430243024302335
Adj R20.0590.0620.0610.0360.0350.110

2.积极信号释放的边际影响

如前所述,在能力提升与会计处理方面,研发资本化主要向外释放缓解商誉减值冲减利润和融资约束问题的信号。在溢出效应方面,研发资本化主要向外释放信息透明和提升行业信息披露能力的信号。本文选择t+1期企业Z-score债务违约风险程度是否高于行业中位数的虚拟变量(Zscore)衡量企业获利能力和财务结构;选择行业内其他企业研发资本化程度(Ogdep2),衡量企业研发资本化信息的溢出效应。回归结果如表6所示,第(1)(3)列表明Zscore×Gdep1交乘项系数显著为正,说明商誉减值企业盈利、融资与偿债能力越强,越倾向增加研发资本化及操纵,以表明研发资本化具有缓解商誉减值负面影响的作用。第(4)(6)列Ogdep2×Gdep1交乘项系数显著为负,说明行业内其他企业研发资本化程度越低,商誉减值企业越会增加研发资本化及操纵,以传递信息透明度比其他企业高,未来能够产生溢出效应的信号。对Capem2调节效应均不显著,但作用方向与研发资本化程度相同,本文认为主要是源于研发资本化操纵程度受上述因素的综合影响所致。

6
积极信号释放的边际影响回归结果
变量(1)(2)(3)(4)(5)(6)
债务违约风险溢出效应
Cap1Cap2Capem1Cap1Cap2Capem1
Gdep10.1570.0240.1570.815***0.110***0.815***
(0.945)(1.100)(0.945)(2.748)(2.832)(2.748)
Zscore−0.233−0.033−0.233
(−1.481)(−1.418)(−1.481)
Gdep1×Zscore0.441**0.055*0.441**
(2.050)(1.851)(2.050)
Ogdep2−3.299−0.350−3.299
(−0.916)(−0.726)(−0.916)
Gdep1×Ogdep2−6.702*−0.852*−6.702*
(−1.894)(−1.932)(−1.894)
N243024302430243024302430
Pseudo R20.2260.3420.2260.2280.3450.228

(二)“损失厌恶”边际影响分析

1.声誉受损存在性检验

如前所述,商誉减值程度越高,研发资本化利好信息越会加剧投资者消极心理,损害企业声誉。本文以东方财富股吧评论为例,采用年报披露后(1+负面情绪帖子)/(1+正面情绪帖子)的比值取对数衡量投资者对关注和传播坏消息的偏爱程度(Negp),作为被解释变量。股吧内投资者主要关注股票回报,因此仍选择公司规模(Size)、资产负债率(Lev)、账面市值比(Btm)、不考虑商誉减值的盈余水平(Ge)作为控制变量,回归结果如表7所示。第(1)(4)列Gdep2系数显著为正时,各研发资本化变量系数显著为正,说明企业披露的商誉减值程度和研发资本化概率及程度越高,股吧负面情绪越高涨。上述回归结果说明投资者对坏消息更敏感,并且商誉减值程度较高时,提升研发资本化水平的行为反而损害了企业声誉。进一步加入商誉减值与研发资本化交乘项进行回归,发现交乘项系数均不显著,说明研发资本化无法挽回商誉减值对企业造成的声誉损失,进而证实了商誉减值程度越高、企业削弱研发资本化概率及程度的动机越强 13。

7
声誉受损存在性检验的回归结果
变量(1)(2)(3)(4)
NegpNegpNegpNegp
Gdep20.046**0.048**0.046**0.046**
(2.070)(2.145)(2.070)(2.071)
Cap10.035***
(2.792)
Cap20.135***
(3.771)
Capem10.035***
(2.792)
Caemp20.038***
(2.913)
N2335233523352335
Adj R20.5110.5120.4970.497

2.内部控制的边际影响

内部控制的风险防范功能,使得商誉减值企业能够提前预期研发资本化风险、促生损失厌恶意识。高水平内部控制能够预测投资者心理预期,估计企业正面与负面信息的传播后果,同时还可以通过抑制管理者传递虚假研发资本化信息的机会主义行为,来降低实施研发资本化的沉没成本,消除盈余操纵引发的声誉折损。借鉴郭泽光等(2015)研究,采用内部控制指数(Index)来衡量企业内控水平与风险管控能力,回归结果如表8所示。Gdep2×Index交乘项系数均显著为负,说明内部控制加强商誉减值程度与研发支出资本化及操纵概率和程度的负向关系,起到治理研发支出资本化操纵的作用。解释变量商誉减值选择(Gdep1)调节效应不存在,说明内部控制治理效应主要存在于披露商誉减值信息的企业 14。上述结果进一步验证“损失厌恶”假说。

8
内部控制边际影响的回归结果
变量(1)(2)(3)(4)
Cap1Cap2Capem1Capem2
Gdep21.7570.100*1.7570.164
(1.583)(1.695)(1.583)(0.987)
Index0.002**0.000***0.002**0.000**
(2.060)(2.596)(2.060)(2.062)
Gdep2×Index−0.004**−0.000***−0.004**−0.000*
(−2.239)(−2.796)(−2.239)(−1.793)
N2335233523352335
R2/Pseudo R20.201−0.3870.2010.148

异质性研究

外部信息中介会解读和传播商誉减值与研发资本化信息,对企业决策产生间接影响;同时商誉减值企业的内部决策可能会受到并购活动中相关制度影响。因此本文进一步考察外部信息环境与业绩承诺制度的差异化作用,揭示其产生的替代—互补效应。

(一)外部信息环境的替代与互补效应

以分析师预测偏差和媒体正面报道数量两个代表性变量,分析信息中介和网络媒介对商誉减值企业研发资本化信号传递的影响。结果如表9第(1)(2)列所示,随着分析师预测偏差增加,商誉减值选择与研发资本化及操纵概率由正向关系转为负向关系,说明分析师预测偏差带来的增量坏消息提高了企业损失厌恶程度,进而降低了商誉减值企业增加研发资本化意愿,呈现替代效应。第(3)(6)列显示,媒体正面报道加强了商誉减值选择与研发资本化及操纵概率、程度的正向关系,说明媒体正面报道越多,研发资本化利好信息效应机会越多,呈现互补效应。 15

9
外部信息环境影响的回归结果
变量(1)(2)(3)(4)(5)(6)
分析师预测偏差媒体正面报道
Cap1Capem1Cap1Cap2Capem1Camem2
Gdep10.517***0.517***−0.727*−0.066−0.727*−0.383
(2.933)(2.933)(−1.715)(−1.106)(−1.715)(−0.972)
Ana0.1980.198
(0.048)(0.048)
Gdep1×Ana−10.122*−10.122*
(−1.935)(−1.935)
News0.179*0.044***0.179*0.275***
(1.750)(2.695)(1.750)(3.016)
Gdep1×News0.245**0.025*0.245**0.151*
(2.555)(1.820)(2.555)(1.723)
N243024302430243024302430
Pseudo R20.2270.2270.2340.3590.2340.162

(二)业绩承诺制度的替代与互补效应

业绩承诺是一项保护合并方权益的制度,未实现业绩承诺的被合并方需要向合并方赔付巨额款项,从而保护中小投资者利益,因此业绩承诺制度安排本身能够向外释放利好利息,企业不必再另寻其他传递积极信号方式。此外,虽然合并方获得赔付,但业绩承诺未实现信息会进一步损害合并方声誉,引起外界对并购合理性与经营协调性的怀疑。由于业绩承诺并未设置研发门槛,且研发资本化难以迅速变现和提升利润,因此企业可能会因为业绩承诺压力而削弱传递研发资本化利好信息的意愿。借鉴李晶晶等(2020)研究,采用企业并购时是否签订业绩承诺并处于业绩承诺期(Pco)来衡量业绩承诺制度。回归结果如表10所示,Gdep1×Pco交乘项系数均显著为负,说明业绩承诺会显著降低商誉减值企业研发支出资本化及其操纵的概率和程度,呈现替代效应。Gdep2×Pco交乘项只与Cap2和Capem2显著为负,说明业绩承诺加强了商誉减值程度与研发资本化程度及其操纵程度的负向关系,呈现互补效应。回归结果一定程度上表明,业绩承诺制度降低了商誉减值企业研发资本化程度,使研发资本化信息质量得以提高。

10
业绩承诺制度对信号传递约束的回归结果
变量(1)(2)(3)(4)(5)(6)
Cap1Cap2Capem1Capem2Cap2Capem2
Gdep10.530***0.073***0.530***0.552***
(2.892)(2.997)(2.892)(3.026)
Pco0.414**0.052*0.414**0.417**0.0050.049
(2.200)(1.873)(2.200)(2.066)(0.198)(0.328)
Gdep1×Pco−0.534**−0.072*−0.534**−0.730***
(−2.092)(−1.951)(−2.092)(−2.810)
Gdep2−0.116**−0.787***
(−2.326)(−2.753)
Gdep2×Pco−0.174**−1.429**
(−2.022)(−2.197)
N243024302430243023352335
Pseudo R20.2270.3440.2270.1550.3450.138

研究结论与政策启示

(一)研究结论

文章基于2007—2021年A股上市公司数据,从研发支出会计政策选择视角,探究商誉减值企业印象管理手段及效果。研究发现,相对于无商誉减值企业,商誉减值企业的研发资本化及操纵概率和程度显著上升;商誉减值程度越高,其研发资本化及操纵概率和程度越低。机制检验发现,企业倾向于在债务违约风险较低和行业内其他企业研发程度较低时,释放研发资本化积极信号;研发资本化扭转了商誉减值企业负面市场反应,产生了“安慰剂效应”,但商誉减值程度越高“安慰剂效应”越弱,说明提升企业正面印象是商誉减值企业增加研发资本化的动机之一;内部控制显著增强了商誉减值程度与研发资本化概率及程度的负向关系,起到预期投资者行为以及降低企业研发操纵信息披露风险作用;研发资本化加剧高规模商誉减值企业股吧负面情绪,证实了“损失厌恶”假说。异质性研究发现,媒体正面报道增加了商誉减值企业研发资本化及操纵概率和程度;分析师预测偏差和业绩承诺制度降低了商誉减值企业研发资本化及操纵意愿。

(二)政策启示

1.有效识别企业潜在印象管理风险

研究发现,高水平内部控制能够准确权衡实施研发资本化的预期收益与损失,有益于商誉减值企业产生正面市场反应,进而建立良好的市场声誉。因此建议企业评价、挖掘内部控制体系运行缺陷,为印象管理风险提供保障。强化内部审计人员对商誉减值和研发资本化操纵的审计独立性与客观性,降低盈余操纵可能引发的声誉受损风险。有效监督和制止管理层的非理性并购活动及浪费研发经费行为,从而降低商誉减值引发的股价崩盘风险,化解投资者对企业研发真实性和未来发展潜力的质疑。

2.监管部门引导信息中介传播真实信息以向市场传递投资风险

研究发现,部分商誉减值企业的虚假研发资本化信息仍然起到“安慰剂效应”,说明投资者只对高规模商誉减值企业“高警觉”,而对中低风险企业防备程度较低。尽管证监会于2018年出台《会计监管风险提示第8号——商誉减值》,规范上市公司商誉减值会计处理及信息披露,但上市公司对商誉减值测试依旧有自由裁量权,投资者可能因“爆雷式”商誉减值而遭受巨额损失。监管部门应鼓励和引导分析师、媒体报道与股吧论坛等信息中介,维护处于信息劣势的中小股东投资者利益,有效预测盈利和评估投资风险,发布和传播真实的商誉减值和研发资本化信息,控制匿名者散播谣言操纵投资者情绪及股票交易行为。

3.持续研发支出准则变革以增强财务报告凸显效应与溢出效应

研究发现,2018年研发费用单列的会计准则变革,有利于提高商誉减值企业的研发信息透明度,但此项变革治理效果的持续时间较短,仅在实行当年具有抑制研发资本化操纵作用,说明投资者更关注研发资本化信息。目前我国会计准则中,研发资本化确认条件主观性较强,且研发资本化的信息披露过于贴近政策与原则,缺少结合上市公司自身特征的个性化分析。鼓励上市公司“充分披露、公允列报”,将研发资本化原因、研发成果的详细信息披露于财务报告之中,以增强研发资本化的财务报告凸显效应与自愿披露的溢出效应。


参考文献

1 政府创新补助的信号传递机制与企业创新. 中国工业经济,2018,(9):98-116.
2 商誉减值规避、盈余管理与股价崩盘风险. 中国会计评论,2019,17(2):203-234.
3 IPO前的业绩压力、现金流约束与开发支出会计政策隐性选择. 南开管理评论,2014,17(6):72-82,138.
4 事与愿违: 并购业绩承诺为何加剧股价暴跌风险?. 会计研究,2020,(4):37-44.
5 上市公司年报文本信息语调影响审计意见吗?. 会计研究,2020,(5):178-192.
6 自创商誉对并购商誉减值的“缓冲”效应研究——基于供应商关系管理情境的实证检验. 会计研究,2021,(7):30-42.
7 产业政策何以更有效?——基于海量媒体报道数据与研发操纵现象的证据. 经济学(季刊),2021,21(6):2173-2194.
8 并购商誉、投资者过度反应与股价泡沫及崩盘. 中国工业经济,2018,(6):156-173.
9 社会责任披露语调、财务信息诚信与投资者感知——一项实验研究. 南开管理评论,2019,22(1):206-212,224.
10 公司盈余、研发文本信息披露与市场反应——基于我国创业板上市公司的实证分析. 山西财经大学学报,2020,42(6):112-126.
11 商誉减值披露、内部控制与市场反应——来自我国上市公司的经验证据. 会计研究,2020,(5):3-16.
12 审计市场结构与客户商誉减值. 会计研究,2021,(12):162-174.
13 Information asymmetry, R&D, and insider gains. The Journal of Finance,2000,55(6):2747-2766. DOI:10.1111/0022-1082.00305.
14 The positive externalities of IFRS R&D capitalization: Enhanced voluntary disclosure. Review of Accounting Studies,2017,22(2):677-714. DOI:10.1007/s11142-017-9399-x.
15 Disclosure of fair value measurement in goodwill impairment test and audit fees. Journal of Contemporary Accounting & Economics,2019,15(3):100160.
16 Capitalisation of R&D and the informativeness of stock prices: Pre- and post-IFRS evidence. The British Accounting Review,2021,53(4):100998. DOI:10.1016/j.bar.2021.100998.
17 Capitalizing research & development: Signaling or earnings management?. European Accounting Review,2016,25(2):373-401. DOI:10.1080/09638180.2015.1031149.
18 R&D disclosures and capitalization under IAS 38—Evidence on the interplay between national institutional regulations and IFRS adoption. Journal of International Accounting Research,2020,19(1):29-55. DOI:10.2308/jiar-17-522.
19 Attribute framing affects the perceived fairness of health care allocation principles. Judgment and Decision Making,2010,5(1):11-20. DOI:10.1017/S1930297500001996.
20 What's all that (strategic) noise? Anticipatory impression management in CEO succession. Strategic Management Journal,2011,32(7):748-770. DOI:10.1002/smj.906.
21 Fifty-seven serious defects in ‘Australian’ IFRS. Australian Accounting Review,2008,18(1):46-62. DOI:10.1111/j.1835-2561.2008.0006.x.
22 Do goodwill impairments affect audit opinions? Evidence from China. China Journal of Accounting Research,2021,14(2):151-182. DOI:10.1016/j.cjar.2021.03.002.
23 The use of strategic noise in reactive impression management: How do market reactions matter?. Academy of Management Journal,2022,65(4):1303-1326. DOI:10.5465/amj.2018.1054.
24 Accounting conservatism and stock price crash risk: Firm-level evidence. Contemporary Accounting Research,2016,33(1):412-441. DOI:10.1111/1911-3846.12112.
25 R&D capitalization and reputation-driven real earnings management. The Accounting Review,2010,85(2):671-693. DOI:10.2308/accr.2010.85.2.671.