影响上市公司高管薪酬的企业因素实证分析--大学毕业设计论文.doc

影响上市公司高管薪酬的
企业因素实证分析
摘要：本文主要通过分析可能影响上市公司高管薪酬的企业因素（排除了个人因素的不确定性与难统计性），寻找出多个符合经济意义的变量，通过应用eviews这类专业的统计软件，对所收集的深交所385个可用样本进行了一系列的描述统计以及回归分析、调整，最终确定了决定高管薪酬的几个主要因素，并且得到了一个拟合度较高的预测方程，以用于高管薪酬的预测。
关键词：高管薪酬 多因素分析 模型 计量经济学 检验
一、问题的提出
在股份公司里，人们在努力提高公司经济效益的同时，也越来越来关注委托代理问题。因为我们已意识到如果委托代理关系处理不好，可能带来道德风险、逆向选择等诸多问题，而要解决委托代理问题，重要的一点是如何提高受托人经营的积极性。在西方，高级管理人员的薪酬与公司绩效的关系是企业管理体现激励与约束机制和解决委托代理问题的通行做法，那么在中国这种环境下是不是也是公司绩效影响到高管的薪酬呢？
Hall和Liebman在1998年利用美国上百家商业公司近15年的数据，研究经营者报酬与经营业绩之间的关系，得出经营者报酬与经营业绩具有强相关的特征结论。李增泉的《激励机制与企业绩效——一项基于上市公司的实证研究》（2000）中研究发现经营者年度报酬与企业绩效并不相关，而是与企业的规模密切相关，并表现出明显的地区差异性。谌新民、刘善敏的《上市公司经营者报酬结构性差异的实证研究》（2003）研究发现经营者的年度货币性薪酬与公司绩效不具有统计上的显著性相关关系。杨汉明的《高管薪酬与上市公司绩效的实证分析》（2004）指出高管平均薪酬的对数与上一年公司国有股持股比例及公司总股本的对数（公司规模）之间呈多元线性关系。李兴绪、扬燕红、章玲和郑树明的《国有控股上市公司经营者薪酬安排的实证研究》则详细的对国有绝对控股的公司经营者的年度货币性薪酬与公司绩效进行具体的研究。研究认为经营者年薪与公司绩效具有统计上的弱相关关系。但国有控股公司经营者年薪与滞后一期的公司绩效的相关强度小于当期和未来一期的公司绩效的相关强度)。经营者薪酬、薪酬差距对未来公司绩效具有激励作用。
所以我们的研究将建立在对过去研究的完善与创新上：①对于整个上市公司而言，选择添加了滞后一期的数据进行因素分析②添加了行业、地区这类虚拟变量③选取样本时剔除了董事兼高管的公司
二、经济意义的阐述与基本关系假设
1、高管当年薪酬与前一年薪酬存在正相关关系。因为，高管薪酬的确定通常需要参照上市公司上年薪酬水平。
2、高管薪酬与经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）存在正相关关系。根据委托代理理论，当股东与经理之间存在信息不对称、利益冲突时，股东会与经理签订报酬——绩效契约，来减少由于信息不对称和逆向选择所导致的代理成本；在报酬——绩效契约下，高管阶层的报酬将由企业的经营绩效确定，所以，我们假设高管薪酬与企业绩效存在显著的正相关关系。
3、高管薪酬与总股本存在正相关关系。总股本反映了公司规模的大小，在盈利的企业里，公司规模越大所获利润越多，高管薪酬越多。因此，我们假设高管年薪与总股本存在正相关关系。
4、高管薪酬与国有股权比例存在负相关关系。由于国有产权模糊，高管阶层的预期期望低，难以产生应有的激励效果。所以，我们假设高管薪酬与公司股本中国有股的比例存在负相关关系。
5、上市公司同时发行B股或H股，会提高高管薪酬。当公司能发行B股或H股时，企业的融资渠道更宽广，资金更雄厚，投资规模将更大。同时，市场对于上市公司的监管更严格更全面，要求企业家有更好的业绩表现，相应的也不吝于给出高薪报酬。
6、上市公司所处的地区会影响高管的薪酬。当公司处于上海、北京、广东等地，因为这些地区本身消费水平就很高，所以高管薪酬也相应会提高。因此，我们假设公司是否处于以上较为繁华的城市将对高管年薪产生影响。
7、上市公司所在行业影响高管的薪酬。当公司处于当今社会盈利能力很强的行业（如金融保险、垄断性行业等）时，公司盈利能力越强高管薪酬越高。同时认为综合类的上市公司（通常认为是集团类企业）由于其主营业务多样，而应具有更好的盈利能力及抗风险能力，因而高管薪酬应较高。因此，我们假设公司所在行业会影响高管的薪酬。
三、理论数学模型的设定
根据以上的经济理论的分析和基本关系的假设，在设立模型时将03年高管薪酬作为滞后一期的变量，将经营业绩、总股本和国有比例作为解释变量，将是否发行B股或H股、所在地区和所处行业作为虚拟变量。由于几个变量之间数量级存在差异,若直接回归会存在一些潜在问题,为了回避这一 问题,本文在设定模型时将03年高管薪酬、04年高管薪酬和总股本这几个以绝对值形式出现采用了对数形式。
模型设定如下注：文中回归时使用ly04代替，ly03代替，lx2代替。

：

——04年高管薪酬

——经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）
——总股本
——国有股比例
u——随机扰动项
——参数
四、样本的选取
我们以2004年在深圳证券交易所公布年报的上市公司为样本，并且为了保证分析结论的普遍性，我们遵循以下原则选取，共得到385 组样本数据：
（一） 为了得到更为成熟的信息，而且考虑到样本的一般代表性，我们首先剔除了资料不全、业绩较差的ST和PT 公司；
（二） 由于我国一些公司是经过包装上市的，这样新上市的公司业绩不稳定，所以，样本中未包含新上市公司，都是2003年前就上市了的公司；
（三） 因为在本文中我们讨论的是委托代理关系，所以剔除了董事兼高管的公司；
（四） 由于我们采用的是最前三位高管薪酬总额，所以，还剔除了高管人数少于3个的公司样本。
因为一般而言，投资人在年终才会评价经营者完成受托责任的情况， 以决定是否增加经营者的薪酬，是否继续聘用经营者， 所以我们认为，影响上市公司高管阶层年薪的应该是上年的公司业绩和相关因素。所以，在遵循以上原则基础上，我们选取披露了2004年和2003年前三高管薪酬位总额的所有公司，对应的选择2003 年的业绩、国有股比例、总股本、绝对薪酬差等相关数据及资料。
五、样本分析
（一）描述统计分析
在进行回归分析之前，我们先进行以下描述统计分析：
1、 高管薪酬差距较大。
在385个样本中，04年高管薪酬最高的是000002深万科A，广东，所属行业J（房地产），前三位高管平均薪酬为171.67万，04年高管薪酬最低的是000426富龙热力，内蒙古，所属行业D（电力、煤气及水的生产和供应），前三位高管平均薪酬为1.14万。由此可以看出，不同公司高管薪酬差距较大，最高的是最低的150倍。
表1：
单位：万元
股票代码
04年薪酬
股票代码
03年薪酬
max
000002
171.6667
000921
140
min
000426
1.143333
000426
1.143333
average

20.66513

17.0252
2、同上年相比，不同上市公司间高管薪酬差距扩大。
同样本情况下，03年高管薪酬最高的是000921科龙电器，广东，所属行业 C7（ 机械、设备、仪表），前三位高管平均薪酬为140万。03年高管薪酬最低的依然是000426富龙热力的1.14万。而且，04年所有样本的平均高管薪酬为20.67万，03年所有样本的平均高管薪酬为17.03万。显然，差距扩大了。
3、业绩与高管薪酬额不挂钩。
385个样本中，03年所有公司中用来衡量业绩的“扣除非经常性损益的净利润为基础计算的净资产收益率”ROE最高的为000617石油济柴， 山东，所属行业C7（机械、设备、仪表）0.4074，其前三位高管平均薪酬10.80万，ROE最低的为000633合金投资，辽宁，所属行业M（综合），ROE=-2.3030，其前三位高管平均薪酬13.07万。虽然业绩最低，但是其高管薪酬却比业绩最高的公司高管薪酬更高。可见，业绩与高管薪酬额相关度不大。
表2：
单位：万元
股票代码
03年ROE（%）
04年薪酬
03年薪酬
max
000617
0.4074
10.7967
8.4933
min
000633
-2.3030
13.0667
7.8000
average

0.0192
20.6651
17.0252
4、公司规模对高管薪酬有较为显著的影响。
表3：
单位：万元
股票代码
总股本（单位：股）
04年薪酬
03年薪酬
max
000898
2,962,942,246.0000
15.5000
15.5200
min
000669
61,670,000.0000
5.1667
5.1667
average

425,046,459.0701
20.6651
17.0252
5、与平均水平相比，国有股份额越大，薪酬水平相对更低。
表4：
单位：万元
股票代码
国有股比例（%）
04年薪酬
03年薪酬
max
000898
0.848477
17.6667
13.6667
min
多个股票
average

0.290516
20.6651
17.0252
（二）回归分析
我们利用Eviews软件，用OLS方法估计得到：（见附表1）
LY04=0.491748+0.835528LY03+0.167638D1-0.013293D2-0.050005D3+0.050402X1
(0.788230) (29.11029) (2.148697) (-0.262773) (-0.554123) (0.490981)
+0.093156LX2-0.090802X3
(2.973939) (-1.112710)

可见，可决系数比较高，F也较高，但、、、都不显著，而且按照以上的经济意义分析来看，、与经济意义不符，因此，我们再对上述模型进行计量经济学的检验，并进行修正，看是否能使模型方程得到改进。
六、回归分析的计量经济学模型检验
（一）多重共线性检验
用EVIEWS软件，得相关系数矩阵表：
表5

LY03
D1
D2
D3
X1
LX2
X3
LY03
1.000000
0.277966
0.412111
0.009197
0.101279
0.321093
-0.034610
D1
0.277966
1.000000
0.265374
-0.075589
0.097060
0.226111
-0.054472
D2
0.412111
0.265374
1.000000
0.021739
0.060491
0.161198
-0.001576
D3
0.009197
-0.075589
0.021739
1.000000
-0.168662
-0.100160
-0.151421
X1
0.101279
0.097060
0.060491
-0.168662
1.000000
0.186132
0.046258
LX2
0.321093
0.226111
0.161198
-0.100160
0.186132
1.000000
0.107431
X3
-0.034610
-0.054472
-0.001576
-0.151421
0.046258
0.107431
1.000000
由上表我们可以看出，解释变量、虚拟变量和滞后一期变量之间的相关系数较小，可见存在轻度多重共线性。
用逐步回归法进行修正：（见附表2）
剔除影响不显著的D2、D3、X1、X3
方程变为：（见附表2*）
LY04 = 0.4890546548 + 0.8341617686*LY03 + 0.09252437598*LX2 + 0.1746671652*D1
（0.814811） （31.22490） （3.027865） （2.293012）
R-squared=0.770975 F-statistic =426.4015
（二）异方差检验
用EVIEWS软件，进行ARCH检验，得到：（见附表3）
Obs*R-squared=0.373588< =3.84146,不存在异方差性
(三)自相关检验
由于这是一个一阶自回归模型，所以我们采用德宾 h-检验来检验其自相关性：
对于逐步回归法修正前的模型：

对于逐步回归法修正后的模型：（见附表2*）

在0.05的显著性水平下，上述两个h<1.96，即不存在一阶自相关。
七、结论
那么我们的模型估计式就是经过逐步回归法修正所得到的结果：
LY04 = 0.4890546548 + 0.8341617686*LY03 + 0.09252437598*LX2 + 0.1746671652*D1
（0.814811） （31.22490） （3.027865） （2.293012）
R-squared=0.770975 F-statistic =426.4015
经过修正后，我们可以看出，各t统计量非常显著，而且可决系数和F统计量也都比较大，也就是说方程整体拟合效果较好。结合经济意义，以及回归结果（附表1），我们得出以下结论：
1、总体而言，上市公司高管平均薪酬的对数与其上一年的平均薪酬的对数、反映公司规模的总股本的对数以及是否发行H股或B股，呈现多元线性关系。
2、高管薪酬受其上一期薪酬水平的显著影响。
3、高管薪酬与经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）虽然存在正相关关系，但不显著。即表明我国上市公司的委托代理激励机制尚未建立健全，高管的薪酬与其经营的业绩没有什么关系。“干多干少一个样的，干好干坏一个样”的传统计划经济体制下的经营管理模式仍未改变。
4、高管薪酬与公司规模存在显著正相关关系。从积极的角度看，这体现了企业家在管理更大的企业时所体现的企业家价值获得了更多的补偿；但从另一个角度看，也说明了为什么我国上市公司那么热衷于“圈钱”、扩大企业规模。
5、高管薪酬与国有股权比例存在负相关关系，但不显著。国有企业的改制，以及国有股的逐步减持，都能说明国家持股对于上市公司高管的薪酬影响渐渐减弱。
6、上市公司是否同时发行B股或H股，显著影响着高管薪酬。同时在B股市场发行股票或在香港联交所上市的上市公司的高管薪酬显著高于一般水平。
7、上市公司所处的地区对上市公司高管薪酬影响不显著，而且违背了我们做出的假设或者说是经济意义。究其原因，可能是地区差异按照省份划分不合理，忽略了省内发达城市与不发达城市的区别，同时，由于样本选取中只选择了深市，所以样本中没有包括上海的上市公司。当然也可能是地区因素根本不显著，即对于薪酬没什么影响。
8、上市公司所在行业没有显著影响高管的薪酬。而且，基于对行业虚拟变量的假设，认为综合类的上市公司（通常认为是集团类企业）由于其主营业务多样，而应具有更好的盈利能力及抗风险能力，因而高管薪酬应较高。但回归结果与假定相反，这可能是因为一方面，我国上市公司行业分类本身存在一定的缺陷，很多综合类公司并非我们假定中认为的集团类上市公司，而只是主营业务有两项超过判断标准；另一方面，由于数据录入的困难，没有具体的对各个行业进行判断，所以可能让高盈利水平的行业影响没有表现出来。
九、不足之处
当然，由于我们水平有限，不足之处如下所述：
①由于录入数据的工作量太大，所以我们只选择了深交所的上市公司作为样本。这样影响了对于我国上市公司的全面反映，而且地区因素也可能因此不显著。
②对于行业的分类以及虚拟变量的设定还不够合理，有待完善

另注：对于高管薪酬的反映，忽略了高管可能获得的福利及“灰色收入”，而单纯考虑其年报所披露的收入。由于福利及灰色收入的不确定性和难以统计性，同时，也由于这些福利与灰色收入对于所有上市公司应该是普遍存在，所以我们不得不选择在研究时忽略这些。

欢迎大家一同探讨、指正。

参考文献
[1]　 李增泉《激励机制与企业绩效——一项基于上市公司的实证研究》（2000）
[2] 谌新民、刘善敏的《上市公司经营者报酬结构性差异的实证研究》（2003）
[3] 杨汉明的《高管薪酬与上市公司绩效的实证分析》（2004）
[4] 李兴绪、扬燕红、章玲和郑树明的《国有控股上市公司经营者薪酬安排的实证研究》
附录
（附表1）
Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:35
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.491748
0.623864
0.788230
0.4311
LY03
0.835528
0.028702
29.11029
0.0000
D1
0.167638
0.078019
2.148697
0.0323
D2
-0.013293
0.050589
-0.262773
0.7929
D3
-0.050005
0.090242
-0.554123
0.5798
X1
0.050402
0.102656
0.490981
0.6237
LX2
0.093156
0.031324
2.973939
0.0031
X3
-0.090802
0.081604
-1.112710
0.2665
R-squared
0.772059
Mean dependent var
12.99271
Adjusted R-squared
0.767815
S.D. dependent var
0.826929
S.E. of regression
0.398460
Akaike info criterion
1.018194
Sum squared resid
59.69766
Schwarz criterion
1.100499
Log likelihood
-187.4933
F-statistic
181.9356
Durbin-Watson stat
1.910938
Prob(F-statistic)
0.000000

（附表2）
Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:25
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
1.775929
0.322468
5.507298
0.0000
LY03
0.876329
0.025142
34.85581
0.0000
R-squared
0.760791
Mean dependent var
12.99271
Adjusted R-squared
0.760164
S.D. dependent var
0.826929
S.E. of regression
0.404972
Akaike info criterion
1.035196
Sum squared resid
62.64882
Schwarz criterion
1.055772
Log likelihood
-196.7576
F-statistic
1214.928
Durbin-Watson stat
1.877970
Prob(F-statistic)
0.000000

Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:29
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.123131
0.581827
0.211629
0.8325
LY03
0.847798
0.026189
32.37178
0.0000
LX2
0.103065
0.030378
3.392744
0.0008
R-squared
0.767806
Mean dependent var
12.99271
Adjusted R-squared
0.766587
S.D. dependent var
0.826929
S.E. of regression
0.399513
Akaike info criterion
1.010640
Sum squared resid
60.81159
Schwarz criterion
1.041504
Log likelihood
-191.0428
F-statistic
629.9334
Durbin-Watson stat
1.885471
Prob(F-statistic)
0.000000
（附表2*）
Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:30
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.489055
0.600206
0.814811
0.4157
LY03
0.834162
0.026715
31.22490
0.0000
LX2
0.092524
0.030558
3.027865
0.0026
D1
0.174667
0.076174
2.293012
0.0224
R-squared
0.770975
Mean dependent var
12.99271
Adjusted R-squared
0.769167
S.D. dependent var
0.826929
S.E. of regression
0.397299
Akaike info criterion
1.002106
Sum squared resid
59.98164
Schwarz criterion
1.043259
Log likelihood
-188.4044
F-statistic
426.4015
Durbin-Watson stat
1.895634
Prob(F-statistic)
0.000000

Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:32
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.450153
0.601325
0.748601
0.4546
LY03
0.832586
0.026755
31.11834
0.0000
LX2
0.096799
0.030833
3.139511
0.0018
D1
0.169385
0.076337
2.218909
0.0271
X3
-0.083296
0.080470
-1.035116
0.3013
R-squared
0.771620
Mean dependent var
12.99271
Adjusted R-squared
0.769210
S.D. dependent var
0.826929
S.E. of regression
0.397262
Akaike info criterion
1.004492
Sum squared resid
59.81255
Schwarz criterion
1.055932
Log likelihood
-187.8624
F-statistic
320.1292
Durbin-Watson stat
1.902857
Prob(F-statistic)
0.000000

Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:33
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.475856
0.603097
0.789020
0.4306
LY03
0.833450
0.026809
31.08808
0.0000
LX2
0.095219
0.030953
3.076284
0.0022
D1
0.165601
0.076620
2.161336
0.0313
X3
-0.090906
0.081386
-1.116972
0.2647
D3
-0.057548
0.088952
-0.646954
0.5181
R-squared
0.771873
Mean dependent var
12.99271
Adjusted R-squared
0.768855
S.D. dependent var
0.826929
S.E. of regression
0.397567
Akaike info criterion
1.008593
Sum squared resid
59.74639
Schwarz criterion
1.070322
Log likelihood
-187.6499
F-statistic
255.7941
Durbin-Watson stat
1.911948
Prob(F-statistic)
0.000000

Dependent Variable: LY04
Method: Least Squares
Date: 06/06/05 Time: 10:34
Sample(adjusted): 1 384
Included observations: 384 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.523272
0.611464
0.855768
0.3927
LY03
0.832893
0.026861
31.00801
0.0000
LX2
0.093106
0.031285
2.976085
0.0031
D1
0.164107
0.076758
2.137990
0.0332
X3
-0.091375
0.081474
-1.121526
0.2628
D3
-0.050959
0.090058
-0.565854
0.5718
X1
0.050064
0.102521
0.488325
0.6256
R-squared
0.772017
Mean dependent var
12.99271
Adjusted R-squared
0.768389
S.D. dependent var
0.826929
S.E. of regression
0.397968
Akaike info criterion
1.013169
Sum squared resid
59.70863
Schwarz criterion
1.085186
Log likelihood
-187.5285
F-statistic
212.7721
Durbin-Watson stat
1.910351
Prob(F-statistic)
0.000000

（附表3）
ARCH Test:
F-statistic
0.372000
Probability
0.542280
Obs*R-squared
0.373588
Probability
0.541055

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/06/05 Time: 10:52
Sample(adjusted): 2 384
Included observations: 383 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.161364
0.019433
8.303617
0.0000
RESID^2(-1)
-0.031235
0.051212
-0.609918
0.5423
R-squared
0.000975
Mean dependent var
0.156473
Adjusted R-squared
-0.001647
S.D. dependent var
0.346138
S.E. of regression
0.346423
Akaike info criterion
0.722897
Sum squared resid
45.72346
Schwarz criterion
0.743514
Log likelihood
-136.4348
F-statistic
0.372000
Durbin-Watson stat
1.992667
Prob(F-statistic)
0.542280

数据表
股票
代码
2004年 高管薪酬前三位总额(元）
2003年 高管薪酬前三位总额(元）
是否发行H股或B股
地区
行业
经营业绩（扣除非经营性损益的净利润为基础计算的净资产收益率/加权）%
总股本（股）
国有股
比例
000001
2,290,000
1,660,000
0
1
0
0.0592
1,945,822,149
0.000882
000002
5,150,000
1,770,000
1
1
0
0.1558
2,273,627,871
0.069603
000004
930,000
900,000
0
1
0
-0.0448
83,976,684
0.000000
000006
541,300
746,000
0
1
0
0.0069
253,591,631
0.280248
000007
560,000
430,000
0
1
0
-1.4417
143,593,664
0.049668
000009
540,000
540,000
0
1
1
-0.0122
958,810,042
0.227963
000010
225,000
225,000
0
1
0
-0.0952
147,017,448
0.000000
000012
1,480,000
1,230,500
1
1
0
0.1418
676,975,416
0.000000
000014
734,800
514,000
0
1
0
0.0982
89,646,750
0.288000
000016
739,200
739,200
1
1
0
0.0319
601,986,352
0.000000
000018
610,000
610,000
1
1
0
0.0028
169,142,356
0.280000
000019
344,600
332,700
1
1
0
0.0205
115,846,292
0.380592
000021
630,000
574,000
0
1
0
0.0867
732,932,101
0.559619
000022
1,560,000
1,060,000
1
1
0
0.3193
495,972,100
0.000000
000023
421,000
338,000
0
1
0
-0.0665
138,756,240
0.267123
000024
1,285,000
1,096,000
1
1
0
0.1146
618,822,672
0.000000
000026
888,100
730,700
1
1
0
0.0048
249,317,999
0.000000
000027
814,000
811,000
0
1
0
0.1696
1,202,495,332
0.552833
000028
829,600
843,700
1
1
0
0.0662
288,149,400
0