企业风险与上市公司违规.pdf

工信财经科技 2023 年第 3 期 50 企业风险与上市公司违规企业风险与上市公司违规 李子超*摘 要：目前企业风险视角的上市公司违规问题未被关注。本文以 20122019 年沪深 A 股制造业上市公司为样本，使用 Z-Score 模型衡量企业风险，检验企业风险对上市公司违规行为的影响及其影响机制，并进一步检验内部控制、产权性质在企业风险影响违规行为过程中的作用。结果表明：企业风险是上市公司违规行为的诱因；企业风险通过加剧业绩下滑压力、造成外部融资困难对违规行为产生影响。进一步研究表明：良好的内部控制可以通过防范企业风险进而抑制违规行为，但无法在企业风险影响违规行为中起抑制作用；企业风险对违规行为的影响在国企、非国企间没有明显差异。实证结果从企业风险角度为监管机构、上市公司治理违规提供借鉴，也为利益相关者依据风险因素识别违规可能性提供新的参考。关键词：上市公司违规；企业风险；内部控制；产权性质 一、引言 我国资本市场正处于转型时期，市场法规仍不健全，加之企业法律意识有待提高，在这一背景下，上市公司的违规事件频发，市场秩序遭到破坏（孟庆斌等，2018）。上市公司的违规行为降低了企业价值，侵害股东权益，导致资源错配，阻碍资本市场的健康长远发展。目前公司违规领域的研究被学者重视，现有文献从内外部治理机制、内外部环境、管理层特质等角度进行大量研究，少有文献从企业风险角度关注对上市公司违规的影响。企业风险指给企业经营生产目标实现带来负面影响的不良事件发生的可能性（范柏乃和楼晓靖，2012），亦指企业发生损失的可能性或不确定性，给企业的经营生产活动造成损失威胁，对企业经营管理决策产生重要影响。高企业风险既容易形成经营亏损，也会导致现金流的不稳定，易使上市公司业绩下滑、融资困难，因而管理层实施违规的动机更强，可能会加大上市公司违规倾向。本文的研究兴趣在于，企业风险是否构成上市公司违规的诱因？其他相关因素在企业风险影响上市公司违规中发挥何种作用？为此，本文以 20122019 年沪深 A 股制造业上市公司为样本，考察企业风险对上市公司违规行为的影响及其影响机制，并进一步考察了内部控制、产权性质在企业风险影响违规行为过程中的作用。开展企业风险与上市公司违规之间的关系研究有助于从风险视角*李子超，青海大学财经学院，硕士研究生；邮箱：。李子超：企业风险与上市公司违规 51 识别、治理违规提供借鉴。本文的主要贡献在于两点。第一，从企业风险视角考察对上市公司违规行为的影响及其影响机制，并进一步考察内部控制、产权性质在企业风险影响违规行为过程中的作用，从风险视角补充公司违规领域的研究。第二，研究结果具有一定的实践价值。实证结果表明，企业风险是上市公司违规行为的诱因，良好的内部控制可以通过防范企业风险进而抑制违规行为，这从风险因素角度为利益相关者识别违规、相关监管部门和上市公司治理违规提供参考。根据 Z-Score 模型计算的风险 Z 值划分的风险类别描述性统计结果表明，低风险组（即 Z1.8）的总计违规比例大约是高风险组（即 Z3）的两倍，因此使用 Z 值大小衡量违规可能性成为一种判别方式，这为利益相关者（例如投资者）依据 Z 值识别上市公司违规可能性提供了参考。二、文献回顾与假设提出（一）文献回顾 1企业风险企业风险 企业风险作为一些可能导致企业无法实现经营目标的威胁、潜在因素或一系列事件，以对企业目标实现产生的影响为标准（林钟高和陈俊杰，2016），企业风险对企业经营管理决策产生重要影响。徐莉萍等（2022）认为公司管理层有动机因企业风险而操纵盈余。王元芳和马连福（2021）的研究表明，降低企业风险能够促使公司行为更加自律。王正新等（2023）研究表明，低企业风险能够提高企业对外直接投资效率。杨宝华和黄虹（2014）发现企业风险水平越高，公司购买保险的可能性越大。贾珅和申广军（2016）的研究表明，当企业风险降低时，工业部门的工人工资结构变化，会使劳动者的生产效率提高，提升工资总额和产出水平。2公司违规公司违规 公司违规领域的研究受学者和实务界关注。大量文献从内外部治理因素分析上市公司违规行为，诸如董事会特征（Beasley，1996；Khanna et al.，2015；梁上坤等，2020）、媒体关注（吴先聪和郑国洪，2021）、分析师关注（Chen et al.，2016）等。部分文献发现高管特质类因素对上市公司违规行为产生影响。例如过度自信的高管层容易低估舞弊被发现的概率，在这种心理状态下容易导致公司违规行为的发生（Schrand and Zechman，2012）；再如女性高管倾向厌恶风险，稳健经营，会减少公司反伦理性违规操作（Capezio and Mavisakalyan，2016）。另有研究文献考察压力因素的影响，例如财务压力（吴国萍和马施，2010）、退市压力（Zhou et al.，2018）。此外，Bentley et al.（2013）、孟庆斌等（2018）基于企业战略视角，发现实施进攻型战略的公司的违规倾向较高。Hass（2016）工信财经科技 2023 年第 3 期 52 发现管理层的股权激励增加了公司违规倾向，这一效应对于国企更明显。陆蓉和常维（2018）的研究表明，上市公司违规行为存在地区同群效应，受同地区其他上市公司的违规行为影响。孟庆斌等（2019）发现，卖空机制的引入显著降低了上市公司违规倾向，提高了违规被稽查的概率。综上可知，鲜有文献关注企业风险对上市公司违规的影响。鉴于此，本文考察企业风险对上市公司违规行为的影响，并进一步考察相关因素在两者间发挥的作用。（二）研究假设 由舞弊三角理论拓展可知，公司的违规源于动机、机会和合理化三类因素的作用（李文贵和邵毅平，2022）。企业风险指给企业经营生产目标实现带来负面影响的不良事件发生的可能性（范柏乃和楼晓靖，2012），对企业目标的实现带来负面影响。结合企业风险的后果及违规的形成原因，本文认为企业风险主要通过提高违规动机进而增加上市公司违规可能性。具体分析如下：1高企业风险增高企业风险增大大上市公司业绩下滑压力上市公司业绩下滑压力 在现代委托代理制度下，公司经营权和所有权分离，管理层薪酬往往与业绩挂钩。业绩下滑使公司管理层薪酬降低，管理层为了自身利益从而增加粉饰业绩、实施违规的动机（王爱萍等，2019）。现有文献也表明，在业绩下滑的压力下，管理层实施违规的动机更强（陆超和王宸，2022）。高企业风险意味着上市公司发生损失的可能性大，更容易导致业绩下滑，故上市公司违规动机提高。2高企业风险造成上市公司外部融资困难高企业风险造成上市公司外部融资困难 融资困难构成一种违规动机（陆超和王宸，2022；胡海峰等，2023；孙诗璐等，2022）。融资困难使公司难以获取资金支持，在此情形下，管理层使用违规手段（例如财务舞弊欺骗投资者）获取资金的动机更强。从融资角度，高企业风险既会导致现金流不稳定甚至断流（王正新等，2023），且容易造成经营亏损，上市公司偿债能力和盈利能力降低，易使投资者和借贷机构失去信心，投资意愿和放贷意愿因此降低，上市公司融资约束程度增加，外部融资困难增大。可见，企业风险越高，管理层基于外部融资的需求而实施违规的动机越强。由上可知，企业风险通过加大上市公司业绩下滑压力以及造成融资困难，从而触发违规动机，使上市公司发生违规的可能性加大。此外，企业风险和经营绩效密切相关，管理层有动机操纵盈余来平滑企业风险带来的收益波动（徐莉萍等，2022），操纵盈余过程容易发生违规（屈文洲和蔡志岳，2007；吴国萍和马施，2010），因而高企业风险的上市公司发生违规的可能性更大。李子超：企业风险与上市公司违规 53 综上，提出核心假设：企业风险越高，上市公司的违规倾向越大。三、研究设计（一）数据来源与样本选择 考虑到同行业公司之间的财务指标可比性较强，因此选取同行业上市公司为样本。制造业规模庞大，占据上市公司总量的半数以上，具备代表性，因此以 20122019 年沪深 A 股制造业上市公司为样本。由于证监会等监管部门查出违规行为需要一定时间，违规的查处时间具有滞后性（孟庆斌等，2019），违规从发生到被稽查平均需要 23 年（Khanna et al.，2015），因此样本选取截止到 2019 年。ST 类上市公司为避免退市更容易冒险违规（陆蓉和常维，2018），是重要的研究对象，因此未剔除。经删除数据缺失样本后，共选取 12 928 个公司年度观测样本用于假设检验，后续稳健性检验、内部控制以及产权性质的检验过程根据新加入变量的样本缺失情况再调整样本数量。企业风险 Z 值数据来自万德（WIND）数据库，股票换手率、股票收益波动率数据来自锐思（RESSET）数据库，违规数据由于存在实际违规年度之后若干年度被稽查的现象，因此使用国泰安（CSMAR）数据库获取违规数据后再统计。其余数据均来自国泰安（CSMAR）数据库。（二）变量界定与衡量 1.被解释变量：公司违规被解释变量：公司违规 公司违规是指上市公司违反国家或监管部门法律法规的行为（孟庆斌等，2019）。根据证监会及相关监管部门的上市公司违规通报信息，违规行为包括：虚假陈述或误导性陈述、披露不实、隐瞒内幕交易、重大遗漏、推迟披露以及虚增利润等信息披露违规；或未按规定使用资金、违规担保、未按规定资产重组、不履行重大协议等经营活动违规，且被证券交易所、财政部、证监会及其分支机构等部门处罚或通报。若公司当年发生违规行为，且被查出则赋值 1，否则取 0。2.解释变量：企业风险解释变量：企业风险 与林钟高和陈俊杰（2016）、徐莉萍等（2022）的研究一致，本文采用 Altman 在 1968年提出的 Z-Score 风险评估模型计算 Z 值衡量企业风险。Altman 选取资产流动性、获利能力、财务杠杆、偿债能力和周转能力五大指标，并利用多元判别分析，在每一类财务比率中选取1个最具有区别和预测能力的指标放入模型中，得出Z模型（徐秀渠，2010）。Z-Score 模型适用于公开上市交易的制造业公司，其中，X1=营运资本/总资产，X2=留存收益/总资产，X3=息税前利润/总资产，X4=股权总市值/总负债，X5=销售收入/总资产。对于 Z 值大小，Altman 进行风险区域划分，Z3，企业经营状况正常，不可能破产；工信财经科技 2023 年第 3 期 54 2.7Z2.99，企业要谨慎，以免发生危机；1.8Z2.7，如果企业不改善经营状况，两年内破产概率很大；Z1.8，企业很可能破产。本文沿用 Z-Score 模型的风险评估方式，使用 Z 值衡量企业风险，Z 值越小代表企业风险越高。并根据 Z 值划分风险类别，以便后文进行描述性统计。具体划分标准为：Z1.8 为高风险组，赋值 1；1.8Z2.99为中风险组，赋值 2；Z3 为低风险组，赋值 3。Z-Score 模型如式（1）所示：54321999.06.03.34.12.1XXXXXZ （1）3.控制变量控制变量 借鉴现有文献（孟庆斌等，2019；Chen et al.，2016；朱杰，2020），控制变量选取若干可能影响上市公司违规行为的因素，包括公司规模（Size）、发展性（Growth）、审计师类型（Big4）、产权性质（Soe）、股权集中度（Herf）、独董比例（Indep）、行业信心（TobinQ）、两职合一状态（Dual）、分析师跟踪程度（Analyst）、股票收益波动率（Volatility）、股票日换手率（Turnover）变量。稳健性检验中新增上市年限（Age）、董事会规模（Bdsize）变量。影响机制研究中新增业绩表现（ROE）、融资能力（KZ）。具体变量定义如表 1 所示。（三）模型设定 构建模型（2）检验企业风险对违规行为的影响。其中，违规行为 Violation 为被解释变量，企业风险 Risk 为解释变量，X 代表一系列控制变量，Year 表示控制年份虚拟变量，使用 Probit 回归进行参数估计。YearXRiskViolation10 （2）表 1 变量定义 类型 变量名称 变量符号 定义 被解释变量 公司违规 Violation 虚拟变量，若公司当年发生违规行为，且被查出则赋值 1，否则取 0 解释变量 企业风险 Risk 根据 Z-Score 模型计算 控制变量 公司规模 Size 年末公司资产总额取自然对数 发展性 Growth 当年营业收入增长率 审计师类型 Big4 虚拟变量，上市公司的审计机构是国际四大会计师事务所赋值 1，否则取 0 产权性质 Soe 虚拟变量，实际控制者属于国有单位赋值 1，否则取 0 股权集中度 Herf 年末前三大股东的持股比例 独董比例 Indep 独立董事人数与董事会总人数的比值 行业信心 TobinQ 托宾 Q 值 李子超：企业风险与上市公司违规 55 续表 类型 变量名称 变量符号 定义 两职合一 Dual 虚拟变量，董事长和总经理两职合一时赋值 1，否则取 2 分析师跟踪 Analyst 跟踪分析公司的分析师人员数量取自然对数 股票收益波动率 Volatility 当年股票日度收益率的标准差 股票日换手率 Turnover 当年总股数的平均日换手率 稳健性检验 上市年限 Age 公司上市年限 董事会规模 Bdsize 年末董事会总人数取自然对数 影响机制检验 业绩表现 ROE 年末的净资产收益率 融资能力 KZ KZ 指数 进一步研究 内部控制 IC 迪博（DIB）内部控制与风险管理数据库的内部控制指数 四、实证结果（一）描述性统计 本文发现违规行为被查出的时间周期较长，以实际违规行为发生于 2013 年的制造业样本为例，2013 年相关监管部门查出 78 家公司违规，2014 年查出 64 家，2015 年查出67 家，2016 年查出 44 家，2017 年查出 20 家，2018 年查出 21 家，2019 年查出 11 家，2020 年查出 5 家。因此，完全统计一个年度的违规公司总量需要一段观察期，从 2013年的稽查状况来看，大致至少需要三年观察期，因此，统计样本中越靠后年份（例如2019 年）的公司，所处年份违规未被查出的数量越多。表 2 为按年份分组的制造业违规公司数量统计结果。由表 2 可知，2012 年违规比例最大，可能的原因是以往年度监管部门对资本市场监管较为宽松，加之上市公司法律意识淡薄；20132019 年被查出的违规行为数量逐年增多，有重要原因在于近年来监管部门加强监管，违规被发现的概率增加。此外，违规数量逐年增多，但公司总量也逐年增多，从违规比例上看近年来违规倾向并未明显加大。制造业上市公司违规总计均值为16.54%，与陆蓉和常维（2018）、孟庆斌等（2019）的全行业上市公司统计结果很相近，这也表明制造业上市公司违规倾向与一般行业没有明显差别。表 3 为按照风险类别划分的违规公司统计结果。首先可以发现，每一年高风险组违规概率均大于中风险组，中风险组又大于低风险组，这很大程度上证明了企业风险越高，上市公司违规倾向越大的结论，而且可以直观看出高风险组违规比例（28.80%）大约是低风险组的总计违规比例（13.06%）的两倍，这为判断制造业上市公司违规可能性提供了依据：可先使用 Z-Score 模型计算企业风险 Z 值，当 Z 值低于 1.8 时，平均违规比例工信财经科技 2023 年第 3 期 56 高于 25%，此时需要从多方面考察公司是否存在违规迹象。就风险类别划分的公司总量来看，20122015 年高风险组公司比例逐年降低，低风险组公司比例逐年增高，表明该时间段制造业行业发展呈整体上升趋势；20152018 年高风险组公司比例逐年增高，低风险组公司逐年降低，这佐证了该时间段制造业行业衰退的趋势，部分企业风险来源于行业衰退这一宏观因素。表 2 违规样本按年份统计 年份 违规公司 公司总数 违规比例 2012 年 302 1 429 21.13%2013 年 246 1 457 16.88%2014 年 224 1 539 14.55%2015 年 281 1 670 16.83%2016 年 287 1 878 15.28%2017 年 309 2 165 14.27%2018 年 344 2 138 16.09%2019 年 431 2 378 18.12%总计 2 424 14 654 16.54%（二）相关性分析 由皮尔逊相关分析可知，企业风险与公司的皮尔逊相关值为-0.076，且皆在 1%的水平上显著，该结果初步支持本文假设。其他变量之间的相关性绝对值皆低于0.5，表明各解释变量间基本不存在多重共线问题。（三）回归分析 模型（2）的回归分析结果如表 4 所示，其中第一列、第二列分别是未加入与加入控制变量的结果。从表 4 的结果可以看到，企业风险的回归系数为负，在 1%的水平上显著，表明企业风险正向影响违规行为，支持核心假设，企业风险构成上市公司违规的诱发因素。（四）内生性检验 违规行为被查处，公司当年将面临违规被通报带来的一系列负面后果，因此部分企业风险可能来源于当年违规被查处后所受到的影响，即违规行为带来部分企业风险。因而在回归模型中，被解释变量（违规行为）与解释变量（企业风险）存在反向因果关系，由于公司在当年违规被查处不会增加前一年的企业风险，为了消除此类内生性问题，将企业风险数据提前一年代替当年数据进行检验。结果如表 5 第一列所示，提前一期的企李子超：企业风险与上市公司违规 57 业风险回归系数为负且显著，表明在去除违规被查出的负面后果反作用于企业风险的情况下，企业风险仍正向影响违规行为。为缓解样本选择造成的内生性问题，避免公司自身特征造成偏差，运用倾向得分匹配法（PSM）按照行业信心、股权集中度、发展性、独董比例变量进行非违规样本与违规样本的 1:1 匹配，共获得 2 155 对样本（指标差异小于 2%）。表 5 第二列的结果表明企业风险回归系数仍然为负，且在 1%的水平上显著，表明在考虑公司特征后的原结论仍成立。表 3 违规公司按风险类别统计 年份 高风险组（Z1.8）中风险组（1.8Z3）低风险组（Z3）违规公司 本组公司 违规公司/本组公司 本组公司/全体公司 违规公司 本组 公司 违规公司/本组 公司 本组公司/全体 公司 违规公司 本组 公司 违规公司/本组 公司 本组公司/全体公司 2012 年 81 280 28.93%19.59%57 284 20.07%19.87%164 865 18.96%60.53%2013 年 62 283 21.91%19.42%58 292 19.86%20.04%126 882 14.29%60.54%2014 年 65 232 28.02%15.07%41 269 15.24%17.48%118 1 038 11.37%67.45%2015 年 50 175 28.57%10.48%38 193 19.69%11.56%193 1 302 14.82%77.96%2016 年 46 199 23.12%10.60%47 266 17.67%14.16%194 1 413 13.73%75.24%2017 年 58 242 23.97%11.18%75 366 20.49%16.91%176 1 557 11.30%71.92%2018 年 134 429 31.24%20.07%82 481 17.05%22.50%128 1 228 10.42%57.44%2019 年 165 455 36.26%19.13%90 442 20.36%18.59%176 1 481 11.88%62.28%总计 661 2 295 28.80%15.66%488 2 593 18.82%17.69%1 275 9 766 13.06%66.64%（五）其他稳健性检验 1解释变量提前一期检验解释变量提前一期检验 当企业风险增加时，上市公司在当年可能无法及时实施违规行为，其违规行为会出现在下一年度，因此使用前一年风险数据替代本年风险进行回归分析，如内生性检验过程，结果同样如表 5 第一列所示，企业风险的回归系数为负，且在 1%的水平上显著，支持原结果的稳健性。2变换样本区间变换样本区间 根据统计经验，样本选取量越多，回归结果中显著性水平 P 值趋于减小，因此采用缩小样本数量方式进行稳健性检验。单独使用 2019 年共 2 200 个样本进行回归，企业风险回归系数为负，且在 1%的水平上显著；单独使用 2018 年共 2 074 个样本进行回归，企业风险回归系数为负且在 1%的水平上显著；单独使用 2017 年共 1 740 个样本进行回归，企业风险系数为负且在 1%的水平上显著；单独使用 2016 年共 1 535 个样本进行回归，工信财经科技 2023 年第 3 期 58 企业风险系数为负且显著性水平 P 值小于 5%。上述结果佐证了原实证结果的稳健性。表 4 假设检验结果 表 5 内生性检验 表 6 Bivariate Probit 模型结果 变量 变量 数据提前 PSM 结果 变量 Violation Violation Violation Violation Violation-Act Violation-Det Risk-0.014*-0.011*Risk-0.007*-0.014*Risk-0.008*-0.003(-9.17)(-6.34)(-4.82)(-6.79)(-1.98)(-0.86)Size 0.152*Size 0.160*1.688*Size-0.185*0.444*(9.32)(8.77)(31.14)(-1.92)(7.65)Growth 0.001 Growth 0.006 0.015 Growth 0.002 (0.54)(0.68)(1.24)(1.31)Big4 -0.052 Big4-0.068 0.820*Herf-0.008*(-0.69)(-0.81)(1.79)(-6.03)Soe -0.366*Soe-0.368*-0.186*Soe-0.418*(-10.76)(-9.74)(-2.53)(-6.65)Herf -0.011*Herf-0.011*-0.010*Indep 0.362 (-10.28)(-8.73)(-5.16)(1.41)Indep 0.026 Indep-0.015 0.257 Bdsize 0.365-0.240 (0.11)(-0.06)(0.58)(1.25)(-0.76)TobinQ 0.023*TobinQ 0.018*0.081*Dual-0.095*(4.58)(3.54)(12.45)(-2.91)Dual -0.084*Dual-0.046-0.041 Age 0.018*(-2.82)(-1.34)(-0.76)(2.37)Analyst -0.207*Analyst-0.216*-0.184*TobinQ 0.063*(-15.09)(-14.00)(-6.18)(2.00)Volatility 17.310*Volatility 23.624*8.554*Analyst -0.239*(6.71)(7.28)(2.36)(-4.02)Turnover -0.034*Turnover-0.041*-0.086*Volatility 26.862*(-1.98)(-2.11)(-3.15)(2.92)Constant-0.873*-3.788*Constant-4.090*-35.169*Turnover -0.048*(-53.38)(-9.79)(-9.40)(-29.76)(-1.83)N 12 928 12 928 N 9 867 4 310 Constant 3.625*-9.454*Year NO YES Year YES YES (1.93)(-7.31)PseudoR2 0.009 0.057 PseudoR2 0.056 0.472 athrho-0.968*(-2.83)N 12 928 12 928 Year YES YES 注：Bivariate Probit 模型不报告 Adj-R2值。李子超：企业风险与上市公司违规 59 3部分可观测的二值部分可观测的二值 Probit 模型（模型（Bivariate Probit）再估计）再估计 本文的公司违规（Violation）变量为公司实际发生违规且被查出的样本，还存在实际发生违规但未查出的样本。为缓解此现象导致的违规样本无法观测问题，采用部分可观测的二值 Probit 模型，借鉴 Chen et al.（2016）、孟庆斌等（2019）、梁上坤等（2020）的研究，引入违规倾向（Volation-Act）和违规稽查（Volation-Det）两个潜变量，并参考已有文献，控制变量选取了两组不完全相同的控制变量。当公司存在违规倾向（即Volation-Act=1）且被稽查（Volation-Det=1）时，公司违规（Violation）为 1，若违规倾向（Volation-Act）为 1 但违规稽查（Volation-Det）为 0 或相反情境或同时为 0，则本文样本的公司违规（Violation）为 0。由于违规倾向和违规稽查无法被直接观测，回归时使用公司违规（Violation）数据检验。Bivariate Probit 回归结果如表 6 所示，企业风险对违规倾向的系数为负且在 5%的水平上显著，对违规稽查的回归系数不显著，表明企业风险加大了上市公司违规倾向，但没有增加违规被稽查的概率，该结果支持原结论。五、影响路径分析（一）业绩表现路径 根据前文分析，高企业风险意味着上市公司发生亏损的可能性大，容易使业绩下滑，管理层实施违规的动机更强，上市公司违规倾向更高，因而业绩表现是企业风险影响上市公司违规的路径之一。本文检验是否存在“企业风险业绩表现违规行为”的影响路径。构建模型（3）和模型（4）检验业绩表现在企业风险影响违规行为过程中的中介作用，其中 Med 代表中介变量，模型（3）中控制变量的选择参考已有文献，模型（4）的控制变量与模型（1）一致。本文使用净资产收益率（ROE）衡量业绩表现这一中介变量，ROE 值越小，代表业绩越差。XRiskMed10 （3）XMedViolation10 （4）结果如表 7 的第一、二列所示。第一列结果表明，企业风险对业绩表现的回归系数为正且显著，表明企业风险越高，业绩表现越不佳。第二列结果表明，企业风险、业绩表现对违规行为的系数皆为负且显著，表明企业风险越高，违规倾向越大；业绩表现越差，违规倾向越大。以上结果支持业绩表现是企业风险影响违规行为的路径之一。（二）融资能力路径 根据前文分析，高企业风险易使投资者的投资意愿、借贷机构的放贷意愿降低，造成上市公司融资困难，管理层实施违规的动机更强，上市公司违规倾向更大，因而融资工信财经科技 2023 年第 3 期 60 能力是企业风险影响上市公司违规的路径之一。本文检验是否存在“企业风险融资能力违规行为”的影响路径，检验方法同上。参考已有研究（蒋殿春和鲁大宇，2022），使用 KZ 指数衡量融资能力，KZ 值越大，代表上市公司融资越困难。结果如表 7 的第三、四列所示。第三列结果表明，企业风险对融资能力的回归系数为负且显著，表明企业风险越高，上市公司融资越困难。第四列结果表明，企业风险对违规行为的系数为负且显著，表明企业风险越高，违规倾向越大；融资能力的系数为正且显著，表明外部融资越困难，违规倾向越大。以上结果支持融资能力是企业风险影响违规行为的路径之一。六、进一步研究（一）进一步检验内部控制的影响 完善的内部控制体系和健全的内部控制制度，能够有效监督和制约高管权力，抑制盈余管理行为，因而更有利于抑制企业虚增利润、披露违规、违法占用资金等行为，也是防范企业风险、自我监督、维护企业利益的重要保障（张建平和张嵩珊，2020）。林钟高和陈俊杰（2016）的研究表明，良好的内部控制能够有效预防企业风险。单华军（2010）、Donelson et al.（2017）的研究表明，薄弱的内部控制是上市公司违规发生的重要因素。鉴于内部控制与企业风险、违规行为存在相关关系，本文进一步检验内部控制在企业风险影响违规行为中发挥的作用。由舞弊三角理论拓展可知，薄弱的控制环境会为违规行为提供机会（阿尔布雷克特，2005；Donelson et al.，2017）。在内部控制薄弱的公司中，实施违规更加便利，企业风险对违规行为的诱发作用可能更强，而在内部控制质量良好的公司中，企业风险对违规行为的诱发作用受到抑制。因此，内部控制可能在企业风险影响违规行为中起调节作用。综上，本文同时检验内部控制对企业风险的直接作用以及在企业风险引发的违规行为过程中的调节作用。内部控制的影响机制如图 1 所示。路径（1）表示内部控制对企业风险的直接影响；路径（2）表示内部控制在企业风险引发违规行为过程中的调节作用。内部控制指数来自迪博（DIB）内部控制与风险管理数据库，内部控制指数越大，代表内部控制质量越高。1.内部控制对企业风险的影响内部控制对企业风险的影响 运用模型（5）进行 OLS 检验，观察内部控制对企业风险的影响，其中控制变量参考林钟高和陈俊杰（2016）、张新民等（2019）的研究。结果如表 8 所示，内部控制的回 图 1 内部控制的影响路径 李子超：企业风险与上市公司违规 61 归系数为正，且在 1%的水平上显著，表明内部控制负向影响企业风险，良好的内部控制可以预防企业风险，该结果与已有文献（林钟高和陈俊杰，2016；张新民等，2019）一致，不再探讨。加之上文的企业风险与违规行为的正相关关系实证结果，可以得出良好的内部控制可以通过防范企业风险进而减少违规倾向的结论。YearXICRisk10 （5）2.内部控制在企业风险影响违规行为过程中的调节作用内部控制在企业风险影响违规行为过程中的调节作用 在原假设检验模型（2）中增加内部控制（IC）变量并构建内部控制与企业风险的交互项检验内部控制的调节作用，如模型（6）所示。内部控制指数与风险 Z 值均经过中心化处理，其中 Z 值除以 100 以调整数量级（为便于汇报参数估计结果，避免参数估计时值出现小数点后零的位数太多的结果，因此 Z 除以 100）。非线性回归模型调节效应的统计显著性无法通过交互项系数的简单 t 检验判断，调节效应的方向也无法由交互项的符号直接判断，因此不能直接由 Probit 模型的交互项系数及显著性检验内部控制的调节效应（交互项结果由表 9 汇报），本文使用 Ai and Norton（2003）提出的非线性回归模型交互项边际效应检验方法。在 Probit 模型的基础上经检验后的交互项边际效应包含正负（边际效应取值范围为-0.000 70.000 4），且 t 统计均值 Z 为 0.64，未达到 10%显著性水平，而根据交互项边际效应的显著性分布图，大多数 Z 值处于不显著区间，表明内部控制的调节作用不显著。YearXRiskICICRiskViolation3210 （6）表 7 路径分析 变量 ROE Violation KZ Violation Risk 0.002*-0.010*-0.041*-0.004*(6.24)(-6.04)(-29.05)(-2.39)ROE -0.121*(-4.47)KZ 0.105*(13.40)Size 0.002 0.154*0.335*0.127*(0.45)(9.40)(17.36)(7.71)非线性模型交互项通过在 Stata 中“Probit”命令后运用“Inteff”命令进行检验。工信财经科技 2023 年第 3 期 62 续表 变量 ROE Violation KZ Violation Growth 0.000 0.001 0.000 0.001(0.70)(0.57)(0.14)(0.66)Big4 0.004-0.053-0.279*-0.035(0.23)(-0.69)(-3.21)(-0.46)Soe-0.018*-0.369*0.565*-0.431*(-2.16)(-10.84)(13.89)(-12.36)Herf 0.001*-0.011*-0.028*-0.008*(4.42)(-10.17)(-23.64)(-7.70)Indep-0.040 0.025 0.614*-0.018(-0.67)(0.11)(2.12)(-0.07)TobinQ-0.003*0.022*0.153*0.006(-2.12)(4.47)(23.54)(1.22)Dual-0.004-0.085*-0.001-0.084*(-0.55)(-2.86)(-0.02)(-2.78)Analyst 0.042*-0.202*-0.561*-0.158*(12.62)(-14.69)(-34.35)(-11.01)Volatility 17.270*13.222*(6.68)(5.08)Turnover -0.035*-0.034*(-2.07)(-1.99)Constant-0.102-3.814*-3.404*(-1.12)(-9.86)(-8.73)N 12 928 12 928 12 786 12 786 Year YES YES YES YES PseudoR2 0.025 0.058 1.886 0.073 表 8 内部控制与企业风险 表 9 交互项结果 表 10 产权性质的异质性 变量 变量 变量 Risk Violation 国企组 非国企组 IC 0.007*Risk-0.850*Risk-0.010*-0.011*(9.78)(-4.63)(-2.26)(-5.63)Size-2.832*IC-0.002*Size 0.135*0.190*(-25.07)(-23.72)(4.19)(9.39)李子超：企业风险与上市公司违规 63 续表 变量 变量 变量 Risk Violation 国企组 非国企组 Growth 0.004 ICRisk-0.001*Growth 0.002 0.000(0.28)(-1.84)(0.95)(0.05)Big4 2.507*Size 0.163*Big4-0.215*0.114(4.56)(9.68)(-1.78)(1.13)Herf 0.085*Growth 0.001 Herf-0.010*-0.010*(11.03)(0.47)(-4.84)(-8.53)Age-0.092*Big4-0.056 Indep-0.292 0.144(-5.08)(-0.71)(-0.60)(0.52)Indep-1.785 Soe-0.427*TobinQ 0.083*0.022*(-0.87)(-12.18)(3.22)(4.32)TobinQ 0.402*Herf-0.008*Dual-0.152*-0.086*(9.90)(-7.15)(-1.82)(-2.62)Bdsize-2.138*Indep 0.192 Analyst-0.232*-0.208*(-3.36)(0.79)(-8.18)(-12.93)Dual-0.522*TobinQ 0.012*Volatility 6.035 26.238*(-2.25)(2.44)(1.25)(7.94)Constant 64.846*Dual-0.092*Turnover-0.038-0.043*(23.69)(-2.99)(-1.17)(-2.11)N 12 691 Analyst-0.145*Constant-3.459*-4.836*Year YES (-10.11)(-4.56)(-9.99)PseudoR2 0.132 Volatility 14.778*N 3 766 8 925 (5.47)Year YES YES Turnover-0.019 PseudoR2 0.051 0.059 (-1.08)经验 P 值 0.45 Constant-4.333*(-10.98)N 12 691 Year YES P