陸 瑤, 張葉青, 黎 波, 趙浩宇

(清華大學(xué)經(jīng)濟(jì)管理學(xué)院, 北京 100084)

0 引 言

“高管特征與公司績(jī)效的關(guān)聯(lián)”一直以來(lái)是公司治理領(lǐng)域的重點(diǎn)研究問(wèn)題.以往研究一方面探究了高管是否在公司決策中擔(dān)任了至關(guān)重要的角色, 另一方面挖掘出了可能會(huì)影響公司績(jī)效的一系列高管的個(gè)人特征[1,2].那么公司高管的個(gè)人特征能夠幫助預(yù)測(cè)公司業(yè)績(jī)嗎？在這些可能預(yù)測(cè)公司績(jī)效的高管特征中, 哪些特征更為關(guān)鍵呢？它們的預(yù)測(cè)機(jī)制又是怎樣的？以往研究主要圍繞單一特征與公司業(yè)績(jī)之間的因果關(guān)系推斷進(jìn)行研究, 而缺乏從預(yù)測(cè)能力出發(fā)的系統(tǒng)定量的結(jié)論.本文試圖通過(guò)運(yùn)用機(jī)器學(xué)習(xí)的方法來(lái)彌補(bǔ)這一空白.

目前, 大部分公司金融實(shí)證研究的目的是推斷變量之間的因果關(guān)系.因果解釋性模型從假設(shè)性理論出發(fā), 利用統(tǒng)計(jì)模型來(lái)驗(yàn)證理論中可觀測(cè)變量之間的因果關(guān)系.這一類(lèi)建模過(guò)程被稱(chēng)為解釋性建模 (explanatory modeling), 其中最常用的模型是線性回歸模型和結(jié)構(gòu)方程模型.與解釋性建模不同, 預(yù)測(cè)性建模 (predictive modeling) 的目的是準(zhǔn)確預(yù)測(cè)未來(lái)的觀測(cè)值.

預(yù)測(cè)性分析雖然較少出現(xiàn)在公司金融 (特別是公司治理) 的實(shí)證研究中, 但在學(xué)術(shù)研究中同樣至關(guān)重要.首先, 預(yù)測(cè)性模型沒(méi)有假設(shè)變量之間因果關(guān)系, 而大部分?jǐn)M合效果好的模型也沒(méi)有假設(shè)變量之間特定的函數(shù)形式 (比如線性關(guān)系、U型關(guān)系、指數(shù)關(guān)系等); 相對(duì)地, 解釋性模型預(yù)先對(duì)因果關(guān)系提出假設(shè), 然后利用數(shù)據(jù)來(lái)進(jìn)行檢驗(yàn).因此, 預(yù)測(cè)性模型能夠發(fā)掘出數(shù)據(jù)中更為復(fù)雜的規(guī)律, 有助于提出并驗(yàn)證新的理論來(lái)解釋數(shù)據(jù)中存在的規(guī)律, 從而推動(dòng)解釋性模型和理論的進(jìn)步.其次, 預(yù)測(cè)效果提供了一個(gè)評(píng)估解釋性模型的新角度[3], 衡量每個(gè)變量對(duì)預(yù)測(cè)表現(xiàn)的貢獻(xiàn)度能刻畫(huà)該變量的重要程度, 進(jìn)而檢驗(yàn)以往理論的可靠性.第三, 預(yù)測(cè)性模型幫助研究者比較不同的解釋性模型.最后, 預(yù)測(cè)能力的強(qiáng)弱程度能夠反映理論解釋現(xiàn)象的能力的強(qiáng)弱程度[4].如果某一個(gè)解釋性模型的預(yù)測(cè)效果特別差, 則說(shuō)明其所依托的理論不足以解釋現(xiàn)象, 該理論仍存在較大的發(fā)展空間.但值得一提的是, 雖然預(yù)測(cè)性模型和解釋性模型分別從“預(yù)測(cè)”和“理解”的角度出發(fā), 但兩者之間并非是完全對(duì)立的.本文預(yù)測(cè)性模型的設(shè)計(jì)基于一系列相關(guān)經(jīng)濟(jì)金融學(xué)文獻(xiàn), 而非單純從數(shù)據(jù)中憑空構(gòu)建.因此, 本文與以往理論和實(shí)證研究的關(guān)系密不可分、相輔相成.

絕大多數(shù)對(duì)于高管特征與公司業(yè)績(jī)的研究?jī)H僅關(guān)注了兩者之間的因果關(guān)聯(lián), 而忽視了高管特征對(duì)公司業(yè)績(jī)的預(yù)測(cè)能力.解釋性模型和預(yù)測(cè)性模型從概念和優(yōu)化目標(biāo)上存在很大差異[5,6](1)從概念方面, 解釋性模型基于理論中變量的因果關(guān)系, 而預(yù)測(cè)性模型則基于可測(cè)變量之間的關(guān)聯(lián); 從優(yōu)化方法的角度, 解釋性建模的目標(biāo)是最小化模型偏差以準(zhǔn)確地刻畫(huà)潛在的理論模型, 而預(yù)測(cè)性建模的目標(biāo)是同時(shí)最小化模型偏差和樣本方差.模型偏差和樣本方差的最小化之間存在一定的權(quán)衡關(guān)系, 因此預(yù)測(cè)準(zhǔn)確性的提高需要犧牲一定的理論解釋性., 對(duì)公司業(yè)績(jī)有解釋力的高管指標(biāo)并不一定能準(zhǔn)確預(yù)測(cè)公司業(yè)績(jī), 因此無(wú)法從因果推斷模型的估計(jì)結(jié)果中得出預(yù)測(cè)效果的結(jié)論.本文的研究目標(biāo)是通過(guò)直接探究高管特征對(duì)公司業(yè)績(jī)的預(yù)測(cè)效果來(lái)彌補(bǔ)這一學(xué)術(shù)空白.

那么, 為什么要采用機(jī)器學(xué)習(xí)的方法來(lái)解答這一問(wèn)題呢？首先, 改革開(kāi)放以來(lái), 我國(guó)經(jīng)歷了從中央高度集中的計(jì)劃經(jīng)濟(jì)體制到中國(guó)特色社會(huì)主義市場(chǎng)經(jīng)濟(jì)的轉(zhuǎn)軌階段.從公司的股權(quán)結(jié)構(gòu)來(lái)看, 國(guó)有企業(yè)高管的選拔和任命往往出于政治性因素的考慮, 而國(guó)企高管面臨的非市場(chǎng)化的晉升考核體制也使得他們?cè)谌温毱陂g的目標(biāo)不是企業(yè)的經(jīng)營(yíng)業(yè)績(jī), 而是政治訴求[7-8].在轉(zhuǎn)型期經(jīng)濟(jì)環(huán)境下, 國(guó)有企業(yè)的改革不斷推進(jìn), 中國(guó)特色社會(huì)主義市場(chǎng)經(jīng)濟(jì)體制逐步建立, 經(jīng)濟(jì)環(huán)境出現(xiàn)明顯波動(dòng).經(jīng)濟(jì)環(huán)境的波動(dòng)可能導(dǎo)致高管特征與公司績(jī)效之間的關(guān)聯(lián)不是一成不變的, 而是隨經(jīng)濟(jì)環(huán)境波動(dòng)而動(dòng)態(tài)變化的.以往研究最常使用線性擬合模型, 該模型假定變量之間的相關(guān)性是恒定的, 并在此基礎(chǔ)上進(jìn)行模型估計(jì), 因此難以在經(jīng)濟(jì)環(huán)境波動(dòng)的情形下得到可靠準(zhǔn)確的預(yù)測(cè)模型.第二, 已有文獻(xiàn)發(fā)現(xiàn)高管的個(gè)人特征與公司績(jī)效之間的非線性關(guān)系以及這些特征之間的交互作用(2)比如Adams等[9]發(fā)現(xiàn)管理層的特征與組織變量的相互作用對(duì)公司表現(xiàn)有顯著影響., 這些研究意味著傳統(tǒng)的簡(jiǎn)單線性擬合模型難以清晰、準(zhǔn)確地厘清變量之間的復(fù)雜關(guān)系.基于此, 為了全面挖掘高管特征與公司績(jī)效之間關(guān)聯(lián), 本文引入處理復(fù)雜預(yù)測(cè)問(wèn)題的機(jī)器學(xué)習(xí)模型, 試圖針對(duì)這一公司治理的傳統(tǒng)問(wèn)題提供一個(gè)更為全面的解答.

本文以2008年～2016年的上市公司為樣本, 實(shí)證評(píng)估了高管特征對(duì)公司績(jī)效的預(yù)測(cè)能力, 進(jìn)一步挖掘了對(duì)公司業(yè)績(jī)預(yù)測(cè)能力較強(qiáng)的高管的個(gè)人特征, 并刻畫(huà)了它們的預(yù)測(cè)機(jī)制.本文采用的機(jī)器學(xué)習(xí)方法為“Boosting回歸樹(shù)”.該方法的基本思想是: 從初始訓(xùn)練集中得到一個(gè)基回歸樹(shù), 然后在當(dāng)前預(yù)測(cè)誤差的基礎(chǔ)上訓(xùn)練新的基回歸樹(shù), 每次迭代都向損失函數(shù)負(fù)梯度的方向移動(dòng), 從而達(dá)到損失函數(shù)隨著迭代次數(shù)增加而逐漸減小的效果, 最后加權(quán)結(jié)合多個(gè)基回歸樹(shù)得到回歸函數(shù).進(jìn)一步地,基于訓(xùn)練模型分析了各個(gè)高管特征在預(yù)測(cè)公司業(yè)績(jī)中的重要程度和預(yù)測(cè)效果.研究結(jié)果發(fā)現(xiàn): 整體而言, 在我國(guó)公司CEO和董事長(zhǎng)的特征對(duì)公司業(yè)績(jī)的預(yù)測(cè)能力較弱.而在眾多高管特征之中, 持股比例和年齡對(duì)公司業(yè)績(jī)的預(yù)測(cè)能力較強(qiáng), 且它們與公司業(yè)績(jī)之間的關(guān)系呈現(xiàn)出明顯的非線性的特點(diǎn).在更換了擬合的滾動(dòng)窗口期、公司績(jī)效的衡量指標(biāo)、Boosting模型的參數(shù)、其他機(jī)器學(xué)習(xí)算法后, 上述結(jié)果仍然穩(wěn)健.

與現(xiàn)有文獻(xiàn)相比, 本文的貢獻(xiàn)如下: 第一, 首次應(yīng)用機(jī)器學(xué)習(xí)方法來(lái)研究中國(guó)的公司治理問(wèn)題, 評(píng)估了公司高管特征整體對(duì)于公司績(jī)效的預(yù)測(cè)能力, 本文的研究豐富了“高管特征與公司績(jī)效的關(guān)聯(lián)”這一領(lǐng)域的文獻(xiàn).第二,采用前沿的Boosting回歸樹(shù)的方法, 規(guī)避了傳統(tǒng)線性模型的缺陷, 更好地分析了變量之間的非線性和交互關(guān)系.第三,探究了不同高管特征對(duì)于預(yù)測(cè)公司績(jī)效的重要程度, 并分析了相對(duì)重要的高管特征對(duì)公司績(jī)效的預(yù)測(cè)機(jī)制, 這一系列結(jié)論對(duì)選聘公司高管具有非常重要的啟示意義.

1 文獻(xiàn)綜述

1.1 高管特征與公司業(yè)績(jī)

在現(xiàn)代公司制度下, 高管是公司的核心決策者, 因此“高管特征與公司業(yè)績(jī)的關(guān)聯(lián)”是經(jīng)濟(jì)、金融和管理學(xué)中的經(jīng)典研究問(wèn)題.早期的實(shí)證研究發(fā)現(xiàn), 高管的個(gè)人特征能夠很大程度上解釋公司的資本結(jié)構(gòu)、投資決策和組織架構(gòu)[2,10].后續(xù)的一系列研究從高管特征的不同角度出發(fā), 驗(yàn)證了多維度的高管特征對(duì)公司業(yè)績(jī)的影響.這些高管特征的維度可以被歸納為以下五類(lèi): 先天特質(zhì)、人生經(jīng)歷、個(gè)性特征、能力水平以及管理風(fēng)格.同時(shí)，公司組織結(jié)構(gòu)也可能影響高管作用.

先天特質(zhì)方面, 已有文獻(xiàn)從高管的性別、年齡、容貌等角度研究.Kaplan和Sorensen[11]的研究發(fā)現(xiàn)男、女性高管在管理風(fēng)格上沒(méi)有顯著差異.高管年齡的影響主要體現(xiàn)在年齡較大的高管的管理風(fēng)格更加保守[2,12].

高管的人生經(jīng)歷一方面是高管個(gè)人特征的反映, 另一方面也可能會(huì)通過(guò)影響他們的風(fēng)險(xiǎn)偏好、專(zhuān)業(yè)技能、對(duì)行業(yè)發(fā)展的預(yù)期來(lái)影響公司決策的制定.這部分研究的切入點(diǎn)主要包括幼年生活經(jīng)歷[13,14]、家庭生活[15,16]、職業(yè)經(jīng)歷[2, 12,13,17]和教育經(jīng)歷[2,12]等.

高管的性格特點(diǎn)也會(huì)影響公司決策和公司績(jī)效.比如過(guò)度自信的高管可能會(huì)高估自己的能力和公司的收益, 從而制定更激進(jìn)的投資和財(cái)務(wù)決策, 特別是公司的研發(fā)創(chuàng)新投入, 進(jìn)而影響公司績(jī)效[18-20].此外, 高管是否樂(lè)于尋求刺激[21]和他們的風(fēng)險(xiǎn)態(tài)度[22-24]也會(huì)影響他們的管理風(fēng)格.

近年來(lái), 針對(duì)高管個(gè)人能力的研究也非常豐富, 受到研究者關(guān)注的高管個(gè)人能力主要包括基本能力、溝通交流能力和執(zhí)行能力等.個(gè)人能力本身是難以度量的, 因此越來(lái)越多的研究通過(guò)非結(jié)構(gòu)化數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)來(lái)構(gòu)建高管的多維能力指標(biāo), 并分析這些指標(biāo)與公司績(jī)效之間的關(guān)聯(lián)[11,25,26].

與上述維度相比, 高管的管理風(fēng)格是內(nèi)生性更強(qiáng)的指標(biāo).一方面, 管理風(fēng)格受到高管個(gè)人經(jīng)歷、性格、專(zhuān)業(yè)水平等特質(zhì)的影響; 另一方面, 管理風(fēng)格本身難以觀測(cè)和度量.比較典型的研究是Bandiera等[27]利用高管的日程記錄和非監(jiān)督機(jī)器學(xué)習(xí)算法, 刻畫(huà)了“領(lǐng)導(dǎo)型”和“管理型”兩種管理風(fēng)格, 并發(fā)現(xiàn)領(lǐng)導(dǎo)型高管所在的公司的績(jī)效更佳.

此外, 公司的組織結(jié)構(gòu)也是影響高管作用的重要因素.例如, 管理層的薪酬制度和高管持股情況通過(guò)影響高管工作的努力程度和公司治理水平來(lái)影響公司績(jī)效[24,28,29].創(chuàng)始人高管以及家族企業(yè)中的高管對(duì)公司績(jī)效的影響也有所不同, 比如創(chuàng)始人高管會(huì)有更多的研發(fā)投入、資本支出和兼并收購(gòu)活動(dòng)[30,31].Khanna等[32]發(fā)現(xiàn)高管在企業(yè)內(nèi)部的裙帶關(guān)系會(huì)影響上市公司違規(guī)犯罪的概率.

關(guān)于中國(guó)上市公司高管與公司業(yè)績(jī)之間關(guān)聯(lián)的研究也層出不窮, 但限于數(shù)據(jù)的可得性, 國(guó)內(nèi)的研究大多立足于一些可觀測(cè)的高管特征指標(biāo), 并且更多地考慮了中國(guó)獨(dú)特的公司體制和經(jīng)濟(jì)環(huán)境.具體而言, 中國(guó)上市公司高管特征的分析大多圍繞高管的職業(yè)經(jīng)歷展開(kāi), 比如有政府任職經(jīng)歷的高管會(huì)更多地參與非生產(chǎn)性活動(dòng), 從而降低資源配置效率, 損害公司業(yè)績(jī)[33], 但是民營(yíng)公司高管的政府背景對(duì)公司價(jià)值沒(méi)有顯著影響[34].高管的學(xué)術(shù)經(jīng)歷能幫助降低公司的債務(wù)融資成本[35], 但人大代表或政協(xié)委員的經(jīng)歷會(huì)提高發(fā)債成本[36].程新生和趙旸發(fā)現(xiàn)權(quán)威專(zhuān)業(yè)董事能夠促進(jìn)企業(yè)創(chuàng)新活躍度[37].此外, 徐莉萍等[38]從個(gè)人家庭生活經(jīng)歷的角度入手, 發(fā)現(xiàn)高管離婚后公司盈利能力和市值水平都有所下降.風(fēng)險(xiǎn)投資和創(chuàng)始人持股會(huì)對(duì)公司治理效果產(chǎn)生影響[39].此外, CEO與董事之間的關(guān)聯(lián)關(guān)系也受到學(xué)者的關(guān)注, 比如CEO對(duì)董事會(huì)的影響力的提高使得CEO的違規(guī)傾向增加[40], CEO與董事之間存在“老鄉(xiāng)”關(guān)系會(huì)提高公司違規(guī)的可能性和公司的財(cái)務(wù)風(fēng)險(xiǎn)[41,42].而不同類(lèi)型的董事 (咨詢(xún)董事或監(jiān)督董事) 與CEO的互動(dòng)關(guān)系也有所差異[43].

從上述研究可知, 以往關(guān)于高管特征的研究主要圍繞某一類(lèi)個(gè)人特質(zhì), 探討其對(duì)公司決策及業(yè)績(jī)的影響, 缺少全面比較公司高管特征相對(duì)重要性的研究.此外, 我國(guó)特有的制度和文化環(huán)境也使得國(guó)內(nèi)的高管研究難以直接借鑒西方的研究結(jié)論, 需要更加綜合地考慮高管特征對(duì)公司業(yè)績(jī)的影響.這為本文的研究提供了難得的契機(jī).在已有文獻(xiàn)的基礎(chǔ)上, 本文結(jié)合了各角度的高管特征來(lái)探討哪些特征與公司業(yè)績(jī)有更為顯著的關(guān)聯(lián).

1.2 機(jī)器學(xué)習(xí)與公司金融研究

機(jī)器學(xué)習(xí)作為一種新興的統(tǒng)計(jì)工具, 越來(lái)越多地受到研究者的關(guān)注.目前, 已有研究從兩個(gè)角度嘗試將機(jī)器學(xué)習(xí)應(yīng)用到公司金融的研究領(lǐng)域: 無(wú)監(jiān)督學(xué)習(xí) (unsupervised learning) 和有監(jiān)督學(xué)習(xí) (supervised learning).

在無(wú)監(jiān)督學(xué)習(xí)中, 訓(xùn)練樣本并不對(duì)應(yīng)標(biāo)記信息, 因此它的目標(biāo)是通過(guò)訓(xùn)練總結(jié)、刻畫(huà)出多維數(shù)據(jù)的內(nèi)在關(guān)聯(lián), 進(jìn)一步將高維甚至非結(jié)構(gòu)化的變量轉(zhuǎn)化為低維的、可解釋性強(qiáng)的變量.這一方法能夠從復(fù)雜的數(shù)據(jù)集中歸納、生成本身難以觀測(cè)的變量, 從而幫助解決公司金融研究中常面臨的關(guān)鍵變量難以精確度量的問(wèn)題.典型的研究包括Bandiera等[27]利用無(wú)監(jiān)督學(xué)習(xí)中的潛在狄利克雷配置方法來(lái)分析CEO日常活動(dòng)記錄的數(shù)據(jù), 刻畫(huà)出了“領(lǐng)導(dǎo)型”和“管理型”兩種CEO的行為特征, 并進(jìn)一步發(fā)現(xiàn)“領(lǐng)導(dǎo)型”CEO與好的公司業(yè)績(jī)更相關(guān).Li等[44]采用單詞植入模型, 構(gòu)建了五個(gè)公司文化價(jià)值的指標(biāo), 并研究了其對(duì)公司行為決策的影響.總體而言, 無(wú)監(jiān)督學(xué)習(xí)有助于基于大數(shù)據(jù)來(lái)構(gòu)建難以直接觀測(cè)和衡量的指標(biāo), 大大拓展了公司金融中可研究的領(lǐng)域.

有監(jiān)督學(xué)習(xí)主要解決從特征變量(x)到結(jié)果變量(y)的預(yù)測(cè)問(wèn)題.與傳統(tǒng)的線性回歸模型相比, 機(jī)器學(xué)習(xí)模型能夠應(yīng)對(duì)變量之間更加復(fù)雜的非線性和交互關(guān)系, 在樣本外達(dá)到更好的擬合效果[45].近年來(lái), 有監(jiān)督學(xué)習(xí)已經(jīng)在資產(chǎn)定價(jià)領(lǐng)域備受關(guān)注[46-48], 但在公司金融領(lǐng)域的應(yīng)用較少.只有Gow等[49]基于CEO個(gè)性特征來(lái)預(yù)測(cè)公司樣本外的特征, 包括融資決策、投資決策以及經(jīng)營(yíng)表現(xiàn).簡(jiǎn)言之, 有監(jiān)督學(xué)習(xí)提高了傳統(tǒng)方法的預(yù)測(cè)精度, 在公司金融領(lǐng)域的應(yīng)用仍有廣大的探索空間.

2 數(shù)據(jù)來(lái)源和變量說(shuō)明

2.1 數(shù)據(jù)來(lái)源

本文選取的樣本為2008年 ～ 2016年所有的中國(guó)A股上市公司, 研究對(duì)象為上市公司的最高管理層——CEO和董事長(zhǎng).數(shù)據(jù)來(lái)源為國(guó)泰安經(jīng)濟(jì)金融研究數(shù)據(jù)庫(kù) (CSMAR) 和銳思數(shù)據(jù)庫(kù) (RESSET) .其中CEO和董事長(zhǎng)的個(gè)人特征數(shù)據(jù)來(lái)自CSMAR從2008年起開(kāi)始數(shù)據(jù)收錄的“上市公司人物特征”子數(shù)據(jù)庫(kù).剔除了CEO特征與董事長(zhǎng)特征存在缺失的樣本點(diǎn), 同時(shí)保證了CEO和董事長(zhǎng)個(gè)人特征數(shù)據(jù)的完整, 最終保留樣本18 170個(gè), 平均占各年度全部上市公司的85.06%.表1報(bào)告了樣本分布情況.

表1 樣本分布

2.2 變量定義

本文從盈利能力和價(jià)值這兩個(gè)角度對(duì)目標(biāo)變量——公司績(jī)效進(jìn)行衡量.公司的盈利能力對(duì)應(yīng)公司的財(cái)務(wù)績(jī)效, 公司的價(jià)值對(duì)應(yīng)公司的市場(chǎng)績(jī)效.具體而言, 本文采用行業(yè)中值調(diào)整后的資產(chǎn)收益率(adEBITDAper)作為財(cái)務(wù)績(jī)效指標(biāo), 采用行業(yè)中值調(diào)整后的托賓Q值(adTobinQ)作為市場(chǎng)績(jī)效指標(biāo).其中資產(chǎn)收益率定義為息稅折舊攤銷(xiāo)前利潤(rùn)除以期末總資產(chǎn); 托賓Q值的定義為公司總市值除以總資產(chǎn).考慮到公司業(yè)績(jī)受行業(yè)因素和宏觀經(jīng)濟(jì)因素影響, 在實(shí)際分析過(guò)程中, 本文基于行業(yè)中值對(duì)這兩個(gè)公司績(jī)效指標(biāo)進(jìn)行了調(diào)整, 即實(shí)際績(jī)效指標(biāo)減去公司所屬行業(yè)所有公司當(dāng)年該績(jī)效指標(biāo)的中位值.

CEO和董事長(zhǎng)的多維度個(gè)人特征是本文的核心變量.本文結(jié)合文獻(xiàn)和中國(guó)A股上市公司數(shù)據(jù)可得性?xún)蓚€(gè)方面來(lái)選取相關(guān)變量.在文獻(xiàn)綜述部分, 將高管特征的維度歸納為先天特質(zhì)、人生經(jīng)歷、個(gè)性特征、能力水平、管理風(fēng)格, 以及公司的組織結(jié)構(gòu).其中, 先天特質(zhì)包括性別、年齡和容貌等高管與生俱來(lái)的種種特征, 而在這些特征當(dāng)中, 能夠被客觀測(cè)度并可得的變量包括性別和年齡; 人生經(jīng)歷和能力水平可以從高管的職業(yè)經(jīng)歷以及教育經(jīng)歷來(lái)切入, 本文從生產(chǎn)經(jīng)營(yíng)、市場(chǎng)管理、財(cái)務(wù)法律、金融領(lǐng)域的職業(yè)經(jīng)驗(yàn)來(lái)衡量高管在各個(gè)領(lǐng)域的專(zhuān)業(yè)水平, 同時(shí)海外經(jīng)歷以及研究經(jīng)歷也是本文關(guān)注的指標(biāo).此外, 考慮到國(guó)有企業(yè)在中國(guó)經(jīng)濟(jì)中發(fā)揮的影響, 本文認(rèn)為高管的政府工作經(jīng)歷也可能是預(yù)測(cè)公司績(jī)效的重要指標(biāo).組織結(jié)構(gòu)方面,采用高管持股和兼職情況來(lái)對(duì)公司績(jī)效進(jìn)行預(yù)測(cè).而由于個(gè)性和管理風(fēng)格方面的特征難以觀測(cè)和準(zhǔn)確度量,暫時(shí)未將其納入考慮, 但這會(huì)是下一步的重要研究方向.

具體而言, 本文選取的高管特征包括年齡、性別、話語(yǔ)權(quán)、年末持股比例、公司外兼職、職能經(jīng)驗(yàn)、海外經(jīng)驗(yàn)、學(xué)術(shù)經(jīng)驗(yàn)、金融工作背景和政府工作背景.其中, 話語(yǔ)權(quán)由CEO和董事長(zhǎng)是否兩權(quán)分離來(lái)衡量; 職能經(jīng)驗(yàn)涵蓋三個(gè)方面, 第一是生產(chǎn)、技術(shù)和設(shè)計(jì)崗位經(jīng)驗(yàn), 第二是市場(chǎng)、人力、管理崗位經(jīng)驗(yàn), 第三是財(cái)務(wù)、法律職能崗位經(jīng)驗(yàn), 這三方面職能經(jīng)驗(yàn)描述了高管主要的職場(chǎng)經(jīng)驗(yàn)和能力; 海外經(jīng)驗(yàn)反映該CEO或董事長(zhǎng)是否有海外工作或求學(xué)經(jīng)歷; 學(xué)術(shù)經(jīng)驗(yàn)反映該CEO或董事長(zhǎng)是否有學(xué)術(shù)研究工作經(jīng)歷; 金融背景反映該CEO或董事長(zhǎng)是否曾任職于金融機(jī)構(gòu)(3)此處統(tǒng)計(jì)中的金融機(jī)構(gòu)包括監(jiān)管部門(mén)、政策性銀行、商業(yè)銀行、保險(xiǎn)公司、證券公司、基金管理公司、證券登記結(jié)算公司、期貨公司、投資銀行、信托公司、投資管理公司、交易所等.; 政府工作背景反映該CEO或董事長(zhǎng)是否曾任職于政府部門(mén), 衡量其政治關(guān)聯(lián)度.

在基準(zhǔn)模型中, 公司層面的變量包括: 公司規(guī)模、公司壽命、杠桿率、重資產(chǎn)率和股權(quán)性質(zhì).其中, 公司規(guī)模由公司總資產(chǎn)規(guī)模衡量; 杠桿率由上市公司總負(fù)債與總資產(chǎn)的比率衡量; 重資產(chǎn)率由上市公司固定資產(chǎn)凈額與總資產(chǎn)的比率衡量; 股權(quán)性質(zhì)指的是國(guó)有股份占比.上述所有變量的具體定義, 均在表2中列明.

從探究因果關(guān)系的角度出發(fā), 上述變量之間存在明顯的內(nèi)生性問(wèn)題, 而對(duì)變量之間內(nèi)生性的處理方式也是本文與以往大部分高管相關(guān)研究相比的重要區(qū)別之一.內(nèi)生性指的是在解釋性模型中, 解釋變量與殘差項(xiàng)之間的相關(guān)性, 通常由遺漏解釋變量、反向因果和測(cè)量誤差導(dǎo)致[4].解釋性建模旨在識(shí)別模型和證明因果關(guān)系, 因此內(nèi)生性的存在會(huì)使得參數(shù)估計(jì)有偏.然而, 與證明因果關(guān)系的解釋性建模不同的是, 本文的預(yù)測(cè)性建模并不關(guān)注因果關(guān)系, 而是相關(guān)關(guān)系, 所以變量之間內(nèi)生性的存在并不會(huì)影響對(duì)預(yù)測(cè)效果的評(píng)估[4].

2.3 描述性統(tǒng)計(jì)

表2分別列出了被預(yù)測(cè)變量、CEO特征、董事長(zhǎng)特征和公司層面其他變量的描述性統(tǒng)計(jì), 包括樣本量、均值、標(biāo)準(zhǔn)差和中位數(shù).為了防止極值帶來(lái)的統(tǒng)計(jì)偏差, 本文對(duì)連續(xù)型變量進(jìn)行了1%和99% 的Winsorize處理.

從高管的個(gè)人特征變量的描述性統(tǒng)計(jì)結(jié)果 (面板B和面板 C) 中,可以發(fā)現(xiàn): 首先, 近四分之一 (24.96%) 樣本中CEO和董事長(zhǎng)由同一人擔(dān)任; 第二, 男性在公司“一把手”職位中占絕對(duì)優(yōu)勢(shì), 女性CEO僅占6.02%, 而女性董事長(zhǎng)僅占4.53%; 第三, 我國(guó)上市公司CEO在其他公司兼職的比例高于董事長(zhǎng), 超過(guò)一半 (52.92%) CEO在其他公司兼職, 董事長(zhǎng)在其他公司兼職的比例僅為26.51%; 第四, 我國(guó)上市公司CEO和董事長(zhǎng)在職能背景方面具有類(lèi)似的特征, 平均25%至30%的CEO或董事長(zhǎng)具有生產(chǎn)、技術(shù)、設(shè)計(jì)等職能經(jīng)驗(yàn), 約18%的CEO或董事長(zhǎng)具有財(cái)務(wù)、法律等專(zhuān)業(yè)職能經(jīng)驗(yàn), 超過(guò)90%的CEO或董事長(zhǎng)具有市場(chǎng)、戰(zhàn)略、人力等管理職能經(jīng)驗(yàn); 第五, CEO或董事長(zhǎng)具有海外工作、求學(xué)經(jīng)歷的比例較低, 僅約5%; 最后, 我國(guó)上市公司的董事長(zhǎng)比CEO具備更豐富的政府工作、學(xué)術(shù)研究和金融工作經(jīng)歷.

表2 主要變量的定義和描述性統(tǒng)計(jì)

3 研究方法和模型構(gòu)建

3.1 Boosting回歸樹(shù)

本文采用的機(jī)器學(xué)習(xí)方法為漸進(jìn)梯度回歸樹(shù) (gradient boosting regression trees, GBRT)(4)本文使用的Boosting算法是Ridgeway[50]使用的R語(yǔ)言工具包“gbm”, 參數(shù)設(shè)置如下: distribution=“gaussian”, n.trees=10 000, interaction.depth=6, shrinkage=0.001.在穩(wěn)健性檢驗(yàn)部分驗(yàn)證了參數(shù)調(diào)整對(duì)預(yù)測(cè)效果的影響., 簡(jiǎn)稱(chēng)“Boosting回歸樹(shù)”[51,52].Boosting回歸樹(shù)有效地結(jié)合了機(jī)器學(xué)習(xí)中的決策樹(shù)和集成思想, 通過(guò)加權(quán)多個(gè)基回歸樹(shù)來(lái)提高擬合效果, 在樣本內(nèi)和樣本外的擬合精確度都非常高[53].

(1)

(2)

即使得誤差平方和最小的常數(shù).計(jì)算損失函數(shù)的負(fù)梯度

(3)

利用損失函數(shù)負(fù)梯度在當(dāng)前模型的值(zi)作為殘差的近似值, 基于xi擬合出新的回歸樹(shù)模型

g(x)=Ε(z|x)

(4)

選擇使得誤差最小的梯度下降幅度

(5)

進(jìn)而得到經(jīng)過(guò)本輪迭代后新的預(yù)測(cè)函數(shù)

(6)

然后循環(huán)以上迭代過(guò)程(t=1,…,T) .

Boosting回歸樹(shù)的估計(jì)過(guò)程主要涉及三個(gè)參數(shù): 回歸樹(shù)的交互深度 (interaction depth) 、收縮參數(shù) (shrinkage parameter) 和回歸樹(shù)的數(shù)量.在本文的模型中, 參數(shù)的調(diào)整優(yōu)化 (tuning parameters) 僅建立在樣本內(nèi)信息之上, 而最優(yōu)參數(shù)的搜索范圍則是根據(jù)經(jīng)驗(yàn)法則和運(yùn)算成本來(lái)確定的.

交互深度指的是每個(gè)基回歸樹(shù)有幾次分叉.根據(jù)經(jīng)驗(yàn)法則和算力限制設(shè)置了最大交互深度, 即最優(yōu)交互深度的搜索范圍.較多的分叉意味著基回歸樹(shù)能考慮到更復(fù)雜的交互性, 但更容易過(guò)度擬合.同時(shí), 過(guò)高的交互深度也會(huì)帶來(lái)較大的計(jì)算成本.Hastie等[54]認(rèn)為在多數(shù)問(wèn)題中最優(yōu)交互深度都較低, 因此本文的研究將交互深度的上限設(shè)置為6.

收縮參數(shù)指的是被加入模型中的新的基學(xué)習(xí)器的權(quán)重.根據(jù)以往基于GBRT模型的研究經(jīng)驗(yàn)[50,54], 收縮參數(shù)一般設(shè)置為0.01或0.001, 且在算力允許的情況下取值盡可能小.越小的收縮參數(shù)越可能帶來(lái)更優(yōu)的預(yù)測(cè)效果, 但本文并沒(méi)有嘗試小于0.001的收縮參數(shù), 主要原因是更小的收縮參數(shù)需要更高的運(yùn)算性能, 會(huì)極大地提高計(jì)算成本(包括存儲(chǔ)成本和CPU運(yùn)算時(shí)間), 且對(duì)預(yù)測(cè)的邊際提升效果很小[54], 容易過(guò)度擬合[52].因此, 本文取收縮參數(shù)值為0.001.

最優(yōu)的收縮參數(shù)和最優(yōu)的回歸樹(shù)數(shù)量是相互影響的.基回歸樹(shù)的數(shù)目與收縮參數(shù)之間需要一定的平衡, 小的收縮參數(shù)往往需要更多的基學(xué)習(xí)器.本文的模型中基回歸樹(shù)的數(shù)目上限設(shè)置為10 000.(6)本文分析部分所涉及的擬合過(guò)程取得最佳優(yōu)化效果時(shí)的回歸樹(shù)的數(shù)量通常處于3 000至5 000之間.在每一次滾動(dòng)的訓(xùn)練樣本中,采用5折交叉驗(yàn)證 (cross-validation) 的方法來(lái)確定最優(yōu)的基回歸樹(shù)的數(shù)目.上述模型參數(shù)的優(yōu)化過(guò)程完全沒(méi)有用到樣本外的信息.

作為一種集成的樹(shù)形回歸算法, Boosting雖然可以顯著提升預(yù)測(cè)準(zhǔn)確度, 但模型的可解讀性卻不盡如人意.為了解決這一問(wèn)題,采用了相對(duì)重要性 (relative importance) 和部分依賴(lài)圖 (partial dependence plot)來(lái)進(jìn)一步挖掘模型背后的經(jīng)濟(jì)學(xué)內(nèi)涵.本文的目的并非僅僅是預(yù)測(cè), 更是試圖回答哪些變量對(duì)預(yù)測(cè)效果影響較大以及預(yù)測(cè)模式如何.這些問(wèn)題的回答一方面能夠有助于驗(yàn)證以往文獻(xiàn)中“因果關(guān)系”的可靠性以及預(yù)測(cè)模型的可靠性, 比如本文通過(guò)部分依賴(lài)圖關(guān)系圖印證了高管持股比例與公司業(yè)績(jī)之間存在著非線性的復(fù)雜關(guān)系; 另一方面能夠推動(dòng)對(duì)變量之間關(guān)系的理解, 從而提出新的理論[4].上述兩點(diǎn)意義對(duì)于正在形成期的理論而言尤為重要[55,56].如果僅僅關(guān)注預(yù)測(cè)效果, 而忽視預(yù)測(cè)模型的可解釋性, 那么整個(gè)模型就變成了一個(gè)“黑箱模型”, 內(nèi)在預(yù)測(cè)機(jī)制被掩蓋, 無(wú)法帶來(lái)更多啟發(fā).

一個(gè)變量的相對(duì)重要性指的是一個(gè)變量在模型擬合過(guò)程中, 相對(duì)于模型中其他變量的重要程度.根據(jù)Friedman[52],將變量重要性的定義為給定模型中其他部分不變, 在模型中加入該變量帶來(lái)的平方誤差的下降幅度.換言之, 相對(duì)重要性即在模型中其他部分不變的前提下, 在模型中去掉該變量或用一個(gè)隨機(jī)數(shù)變量將該變量替代后, 模型擬合能力的惡化程度相對(duì)于在其他變量上做相同操作后模型擬合能力惡化程度的大小.如果一個(gè)變量對(duì)應(yīng)的惡化程度相對(duì)較大, 則其在模型擬合過(guò)程中的相對(duì)重要性較大.本文通過(guò)計(jì)算相對(duì)重要性來(lái)回答高管的高維特征之中, 哪些特征對(duì)于公司績(jī)效的預(yù)測(cè)效果貢獻(xiàn)更大的問(wèn)題.為了便于比較, 模型中所有變量的相對(duì)重要性指標(biāo)之和被標(biāo)準(zhǔn)化為1.

本文希望基于Boosting模型的估計(jì)挖掘出一些解釋性意義, 因此進(jìn)一步引入部分依賴(lài)圖來(lái)分析單個(gè)變量對(duì)于預(yù)測(cè)結(jié)果的影響模式.某一特征變量對(duì)于被預(yù)測(cè)變量的部分依賴(lài)關(guān)系是在控制其他特征為觀測(cè)值的情況下, 衡量這一特征變量值的變動(dòng)對(duì)模型擬合效果的影響.這一指標(biāo)能夠在一定程度上解決relative importance無(wú)法反映正負(fù)關(guān)系的問(wèn)題.利用部分依賴(lài)圖, 可以考察某一高管特征對(duì)公司績(jī)效的預(yù)測(cè)模式

(7)

(8)

(9)

(10)

本文選擇Boosting回歸樹(shù)作為主要研究方法有以下兩點(diǎn)原因.1) Boosting回歸樹(shù)有較強(qiáng)的擬合能力.根據(jù)Hastie等[54]的論述, 在眾多統(tǒng)計(jì)學(xué)習(xí)方法中, 基于“樹(shù)”的學(xué)習(xí)器具有易于構(gòu)建、可解讀、對(duì)變量的嚴(yán)格單調(diào)變換保持不變、不受極端值影響等優(yōu)點(diǎn).另外, 回歸樹(shù)本身能夠進(jìn)行變量篩選, 因此即使加入不相關(guān)的變量, 也不會(huì)對(duì)結(jié)果造成影響.但是, 回歸樹(shù)是一種弱學(xué)習(xí)器, 單獨(dú)使用會(huì)得到不精確、波動(dòng)大的結(jié)果.因此，Boosting回歸樹(shù)通過(guò)對(duì)集成許多基回歸樹(shù), 能在盡量保持其固有優(yōu)勢(shì)的情況下, 顯著提升其準(zhǔn)確性.2) Boosting回歸樹(shù)有較好的可解釋性.大多數(shù)有監(jiān)督的機(jī)器學(xué)習(xí)方法的唯一目的是預(yù)測(cè), 因此往往會(huì)為了提高模型的復(fù)雜度和預(yù)測(cè)準(zhǔn)確性而犧牲模型的可解釋性[57], 導(dǎo)致了絕大部分機(jī)器學(xué)習(xí)方法都是“黑箱模型”, 極大地限制了機(jī)器學(xué)習(xí)在公司金融領(lǐng)域的應(yīng)用.而B(niǎo)oosting回歸樹(shù)是機(jī)器學(xué)習(xí)中為數(shù)不多的解釋性較強(qiáng)的模型(7)隨機(jī)森林 (random forest) 模型和XGBoost也是可解釋性較強(qiáng)的模型, 本文在穩(wěn)健性分析中加以討論., 不僅可以提高模型的預(yù)測(cè)性, 而且能通過(guò)計(jì)算變量的相對(duì)重要性和繪制部分依賴(lài)圖來(lái)促進(jìn)對(duì)理論的探索.

表3 模型構(gòu)建

3.2 模型構(gòu)建

本文對(duì)中國(guó)上市公司高管的個(gè)人特征進(jìn)行綜合考量.首先構(gòu)建了只包含公司基本特征但不含公司高管人物特征的基準(zhǔn)模型 (以下簡(jiǎn)稱(chēng)“基準(zhǔn)模型”) .基準(zhǔn)模型僅由五個(gè)描述公司特征的控制變量組成, 包括公司規(guī)模(lnAsset)、杠桿率(Leverage)、國(guó)有股份占比(State.Share)、重資產(chǎn)比例(PPE)和公司壽命(Esty).在基準(zhǔn)模型的基礎(chǔ)上,分別加入CEO特征族和董事長(zhǎng)特征族, 進(jìn)一步構(gòu)建了兩個(gè)包含高管人物特征的模型(以下分別簡(jiǎn)稱(chēng)為“CEO模型”和“董事長(zhǎng)模型”).三個(gè)模型如表3所示.

基于上述模型, 本文的研究設(shè)計(jì)主要按照以下幾個(gè)步驟進(jìn)行:

(11)

第二, 考察高管各項(xiàng)特征對(duì)于預(yù)測(cè)公司績(jī)效的相對(duì)重要性.利用Boosting回歸樹(shù)的相對(duì)重要性指標(biāo), 計(jì)算三個(gè)模型中各變量的對(duì)于模型擬合的相對(duì)重要性, 取T次擬合結(jié)果中各變量的相對(duì)重要性的均值作為該變量綜合的相對(duì)重要性.在CEO模型和董事長(zhǎng)模型中,將各人物特征的相對(duì)重要性相加可以得到CEO或董事長(zhǎng)人物特征的綜合的相對(duì)重要性, 從而可以進(jìn)一步對(duì)比CEO或董事長(zhǎng)特征族在模型中的相對(duì)重要程度, 從中總結(jié)出對(duì)公司績(jī)效預(yù)測(cè)能力較強(qiáng)的高管特征.

第三, 對(duì)于相對(duì)重要性較高的高管特征,利用Boosting回歸樹(shù)生成部分依賴(lài)圖, 進(jìn)一步分析其對(duì)于公司績(jī)效的預(yù)測(cè)模式和邊際影響.

最后, 對(duì)本文主要的分析結(jié)論進(jìn)行穩(wěn)健性檢驗(yàn), 包括改變滾動(dòng)時(shí)間窗口、改變公司績(jī)效衡量方式、調(diào)整Boosting模型的估計(jì)參數(shù)、更換機(jī)器學(xué)習(xí)方法和更換高管特征變量.

4 實(shí)證檢驗(yàn)與結(jié)果分析

4.1 高管特征能夠預(yù)測(cè)公司業(yè)績(jī)嗎？

本部分利用Boosting回歸樹(shù)的方法和中國(guó)A股上市公司的樣本, 分別實(shí)證檢驗(yàn)了CEO和董事長(zhǎng)的個(gè)人特征是否能夠較大程度上提高模型對(duì)公司業(yè)績(jī)的預(yù)測(cè)效果.表4列出了“Boosting-CEO模型”和“Boosting-董事長(zhǎng)模型”的擬合效果, 并加入了僅包括公司層面指標(biāo)的“Boosting-基準(zhǔn)模型”作為對(duì)照, 通過(guò)分析二者相對(duì)于“Boosting-基準(zhǔn)模型”的擬合效果分別提升的程度, 判定CEO和董事長(zhǎng)的個(gè)人特征整體對(duì)公司業(yè)績(jī)預(yù)測(cè)的貢獻(xiàn)程度.同時(shí),將“OLS-基準(zhǔn)模型”、“OLS-CEO模型”和“OLS-董事長(zhǎng)模型”(8)與Boosting模型類(lèi)似, OLS模型也是采用一年期滾動(dòng)窗口回歸, 并分別計(jì)算了其在樣本內(nèi)的擬合效果和在樣本外的泛化能力.作為對(duì)照組, 檢驗(yàn)Boosting回歸樹(shù)的機(jī)器學(xué)習(xí)方法是否能顯著提高模型的預(yù)測(cè)能力.在表4的面板A和面板B中,分別以財(cái)務(wù)績(jī)效和市場(chǎng)績(jī)效作為公司業(yè)績(jī)的代理變量.

表4 主要擬合結(jié)果

PanelA財(cái)務(wù)績(jī)效基準(zhǔn)模型CEO模型提升效果董事長(zhǎng)模型提升效果模型(1)(2)(2)-(1)(3)(3)-(1)R2IS(%)Boosting19.9422.692.7521.091.15OLS9.4310.461.0310.330.90R2OOS(%)Boosting12.3513.431.0813.260.91OLS9.179.360.199.540.37MSEOOSBoosting0.01240.0123-0.00010.0123-0.0001OLS0.01290.0128-0.00010.0128-0.0001PanelB市場(chǎng)績(jī)效基準(zhǔn)模型CEO模型提升效果董事長(zhǎng)模型提升效果模型(1)(2)(2)-(1)(3)(3)-(1)R2IS(%)Boosting65.8767.972.1067.811.94OLS48.8650.171.3149.911.05R2OOS(%)Boosting37.7238.620.9038.781.06OLS27.8828.430.5528.440.56MSEOOSBoosting1.781.75-0.031.75-0.03OLS2.052.03-0.022.03-0.02

4.2 高管個(gè)人特征的相對(duì)重要性分析

表5中報(bào)告了CEO模型和董事長(zhǎng)模型中各變量對(duì)于預(yù)測(cè)公司績(jī)效的相對(duì)重要性, 其中面板A和面板B分別展示了各變量對(duì)于預(yù)測(cè)財(cái)務(wù)績(jī)效和市場(chǎng)績(jī)效的結(jié)果.每一個(gè)面板的左側(cè)為CEO模型, 右側(cè)為董事長(zhǎng)模型.為了便于區(qū)分,在屬于人物特征的變量后標(biāo)記了“*”.從而發(fā)現(xiàn): 在眾多的高管特征中, 持股比例和年齡對(duì)預(yù)測(cè)公司績(jī)效的相對(duì)重要性較高 (在面板A和面板B中都大于1%) , 而其他諸如政府背景所代表的政府資源、金融工作背景所代表的金融資源和不同職能的工作經(jīng)驗(yàn)等特征的相對(duì)重要性較低.

表5 各變量相對(duì)重要性排序

Table 5 The ranking of relative variable importance

排序CEO模型董事長(zhǎng)模型變量相對(duì)重要性(%)變量相對(duì)重要性(%)1資產(chǎn)負(fù)債率31.77資產(chǎn)負(fù)債率32.252公司規(guī)模21.27公司規(guī)模21.303重資產(chǎn)占比18.52重資產(chǎn)占比18.734年齡*6.45年齡*6.395國(guó)有控股比例5.51公司壽命5.666公司壽命5.50國(guó)有控股比例5.597持股比例*4.91持股比例*4.928影響力(兼職)*1.05管理職能*0.819專(zhuān)業(yè)職能*1.00金融工作背景*0.7710學(xué)術(shù)經(jīng)驗(yàn)*0.83政府背景*0.7511政府背景*0.76專(zhuān)業(yè)職能*0.7012金融工作背景*0.68CEO董事長(zhǎng)兼任*0.4713性別*0.49學(xué)術(shù)經(jīng)驗(yàn)*0.4214CEO董事長(zhǎng)兼任*0.49性別*0.3515生產(chǎn)職能*0.41生產(chǎn)職能*0.3416海外經(jīng)歷*0.35影響力(兼職)*0.3417管理職能*0.00海外經(jīng)歷*0.22CEO特征族相對(duì)重要性總計(jì)17.43董事長(zhǎng)特征族相對(duì)重要性總計(jì)16.47

表5 (續(xù))

Table 5 (Continue)

排序CEO模型董事長(zhǎng)模型變量相對(duì)重要性(%)變量相對(duì)重要性(%)1公司規(guī)模50.06公司規(guī)模50.192資產(chǎn)負(fù)債率25.57資產(chǎn)負(fù)債率25.763重資產(chǎn)占比8.92重資產(chǎn)占比9.134持股比例*5.10持股比例*4.945公司壽命3.06公司壽命3.086年齡*2.96年齡*3.077國(guó)有控股比例1.42國(guó)有控股比例1.478學(xué)術(shù)經(jīng)驗(yàn)*0.76學(xué)術(shù)經(jīng)驗(yàn)*0.579影響力(兼職)*0.46政府背景*0.4110專(zhuān)業(yè)職能*0.35生產(chǎn)職能*0.3711海外經(jīng)歷*0.28專(zhuān)業(yè)職能*0.3212生產(chǎn)職能*0.27CEO董事長(zhǎng)兼任*0.1913政府背景*0.25影響力(兼職)*0.1814CEO董事長(zhǎng)兼任*0.24性別*0.1015性別*0.18管理職能*0.0816金融工作背景*0.13海外經(jīng)歷*0.0717管理職能*0.00金融工作背景*0.07CEO特征族相對(duì)重要性總計(jì)10.97董事長(zhǎng)特征族相對(duì)重要性總計(jì)10.37

注:1. 依照相對(duì)重要性高低進(jìn)行排序, 人物特征后標(biāo)記*.

2. 下劃線代表相對(duì)重要性指標(biāo)在面板A和面板B中的均大于1%的人物特征變量.

持股比例反映了高管對(duì)公司決策的話語(yǔ)權(quán)和公司績(jī)效對(duì)公司高管的激勵(lì)水平.高管年齡反映了高管對(duì)用于生產(chǎn)經(jīng)營(yíng)和管理公司的內(nèi)部資源的積累.相比而言, CEO和董事長(zhǎng)的其他人物特征反映的是其對(duì)個(gè)人自身技能和外部資源的積累.例如, 生產(chǎn)職能、專(zhuān)業(yè)職能和管理職能的工作經(jīng)驗(yàn)和學(xué)術(shù)經(jīng)驗(yàn)可以反映個(gè)人自備技能的積累, 政府工作背景、金融工作背景和海外經(jīng)歷等可以反映外部資源積累.上述分析結(jié)果表明高管的持股比例和年齡能夠更大程度上預(yù)測(cè)公司績(jī)效.其原因主要是在中國(guó)A股上市公司中, 高管對(duì)公司內(nèi)部資源的積累和把控能力對(duì)于公司績(jī)效的影響大于其個(gè)人自身技能和對(duì)外部資源的積累把控能力帶來(lái)的影響.

4.3 重要高管特征對(duì)于公司績(jī)效的預(yù)測(cè)模式

在變量重要性的分析中, 本文發(fā)現(xiàn)持股比例和年齡是高管特征中兩個(gè)最為重要的預(yù)測(cè)公司績(jī)效的因素.那么這兩個(gè)特征和公司績(jī)效的關(guān)聯(lián)究竟是怎樣的呢？為了回答這一問(wèn)題, 本文中采用部分依賴(lài)圖來(lái)考察持股比例與年齡對(duì)于公司績(jī)效的預(yù)測(cè)模式.圖1至圖4展示了CEO持股比例和年齡對(duì)于公司績(jī)效的預(yù)測(cè)模式(9)董事長(zhǎng)的持股比例和年齡的分析結(jié)果與CEO的類(lèi)似.限于篇幅, 本文在正文中僅報(bào)告了CEO相關(guān)的部分依賴(lài)圖., 橫軸為持股比例或年齡, 縱軸為公司績(jī)效.

圖1和圖2分別展示了中國(guó)A股上市公司的CEO持股比例與公司財(cái)務(wù)績(jī)效和市場(chǎng)績(jī)效的部分依賴(lài)圖.根據(jù)表2描述性統(tǒng)計(jì)的結(jié)果, 中國(guó)A股上市公司的CEO和董事長(zhǎng)的持股比例平均值很低, 中位數(shù)皆為0.進(jìn)一步觀察發(fā)現(xiàn), 18 170個(gè)觀察值中, 僅有53個(gè)CEO的持股比例高于60%, 僅有76個(gè)董事長(zhǎng)的持股比例高于60%, 高比例占股的現(xiàn)象極少.因此本文主要分析持股比例在0%到60%區(qū)間的部分依賴(lài)圖, 高管的持股比例對(duì)公司績(jī)效的預(yù)測(cè)效果具有明顯的非線性特點(diǎn).整體來(lái)看, 隨著高管持股比例的提升, 公司績(jī)效呈上升趨勢(shì).公司績(jī)效受到CEO持股比例影響的程度在不同持股比例下是不同的.部分依賴(lài)圖中的曲線初始階段較為平緩, 后半段陡升.這說(shuō)明當(dāng)持股比例處于中等以下水平區(qū)間時(shí) (0%至約40%) , 持股比例增加對(duì)提升公司績(jī)效的作用較為微弱; 而當(dāng)持股比例處于較高水平時(shí) (約40%以上) , 增加持股比例對(duì)于提升公司績(jī)效的作用明顯.

圖1 CEO持股比例與財(cái)務(wù)績(jī)效

圖2 CEO持股比例與市場(chǎng)績(jī)效

以往文獻(xiàn)中針對(duì)高管持股的激勵(lì)效果存在爭(zhēng)論, 主流觀點(diǎn)有以下三種.首先, 管理層所有權(quán)的增加可以使得管理者與股東的利益趨同, 緩解代理問(wèn)題[61].其次, 當(dāng)高管持股水平超過(guò)一定閾值后, 他們的權(quán)力難以受到控制, 就能更多地謀取自身的利益而犧牲股東利益, 即“壕溝防守效應(yīng) (entrenchment effect) ”[62].最后, 高管持股與公司績(jī)效之間也可能沒(méi)有明顯關(guān)聯(lián)[63].基于這三類(lèi)效應(yīng), 目前大量的實(shí)證結(jié)果驗(yàn)證了高管持股與公司業(yè)績(jī)之間的非線性關(guān)聯(lián)(10)對(duì)于財(cái)務(wù)績(jī)效, 劉魯彬[64]的實(shí)證研究發(fā)現(xiàn), 當(dāng)高管持股低于約23%或高于約61%時(shí), 其與扣除了非經(jīng)常性損益后的凈資產(chǎn)回報(bào)率呈顯著正相關(guān), 否則呈顯著負(fù)相關(guān).對(duì)于市場(chǎng)績(jī)效, Morck等[65]的分段回歸分析表明, 高管持股比例低于5%或高于25%時(shí), 其與托賓Q值呈顯著正相關(guān), 否則呈顯著負(fù)相關(guān).類(lèi)似地, 韓亮亮等[66]利用小規(guī)模的中國(guó)市場(chǎng)樣本發(fā)現(xiàn)當(dāng)高管持股比例低于8%或高于25%時(shí), 其與托賓Q值呈正相關(guān), 否則呈負(fù)相關(guān)關(guān)系..

基于上述理論, 本文認(rèn)為圖1和圖2的結(jié)果是因?yàn)楫?dāng)高管持股比例較高時(shí), 利益趨同效應(yīng)更加明顯.與此同時(shí), 隨著持股比例的提升, 其對(duì)公司績(jī)效的作用會(huì)在局部出現(xiàn)“下探”現(xiàn)象, 即在局部區(qū)間對(duì)公司績(jī)效有負(fù)面影響.理論上, 這種“下探”對(duì)應(yīng)著“壕溝防守效應(yīng)”, 即提升高管持股比例可能使高管對(duì)公司的控制能力增強(qiáng), 受到的約束變?nèi)? 進(jìn)而可以追求更大范圍的個(gè)人利益, 提高代理成本.該非線性關(guān)系也與Kim和Lu[24]的發(fā)現(xiàn)一致: 當(dāng)高管持股比例高于一定水平時(shí), 經(jīng)理人會(huì)過(guò)于風(fēng)險(xiǎn)厭惡, 從而放棄一些對(duì)公司有利的但高風(fēng)險(xiǎn)的投資行為 (例如研發(fā)投資) , 從而導(dǎo)致企業(yè)價(jià)值下降.總體而言, 本文發(fā)現(xiàn)高管持股對(duì)公司業(yè)績(jī)的作用效果是非線性的, 且在不同持股比例區(qū)間可能呈現(xiàn)出利益趨同效應(yīng)、壕溝防守效應(yīng)或沒(méi)有影響, 這對(duì)已有理論是互相補(bǔ)充印證的.

圖3和圖4分別展示了中國(guó)A股上市公司的CEO年齡與公司財(cái)務(wù)績(jī)效和市場(chǎng)績(jī)效的部分依賴(lài)圖.高管的年齡對(duì)于公司績(jī)效也具有明顯的非線性預(yù)測(cè)作用, 且對(duì)財(cái)務(wù)績(jī)效和市場(chǎng)績(jī)效的預(yù)測(cè)模式差異較大.從財(cái)務(wù)績(jī)效來(lái)看, 年齡與績(jī)效的關(guān)系近似與“U”型結(jié)構(gòu), 特別年輕CEO與特別年長(zhǎng)的CEO管理的公司財(cái)務(wù)績(jī)效更佳.而市場(chǎng)績(jī)效卻會(huì)隨著CEO年齡增長(zhǎng)而逐步提升, 同時(shí)在年齡超過(guò)一定范圍后, 市場(chǎng)業(yè)績(jī)會(huì)出現(xiàn)隨年齡增長(zhǎng)而大幅下降的趨勢(shì).這說(shuō)明年齡與公司績(jī)效之間的關(guān)聯(lián)較為復(fù)雜.

圖3 CEO年齡與財(cái)務(wù)績(jī)效

圖4 CEO年齡與市場(chǎng)績(jī)效

從理論上看, CEO年齡可能會(huì)有三種機(jī)制來(lái)預(yù)測(cè)公司決策和公司業(yè)績(jī).第一, 年齡的變化給高管帶來(lái)的個(gè)人心理和生理的變化將會(huì)間接影響公司的投融資行為.比如年輕的CEO容易過(guò)度自信, 因此更容易從事并購(gòu)以及高風(fēng)險(xiǎn)項(xiàng)目, 而年老的CEO管理風(fēng)格更為保守[67, 68].其次, CEO年齡是其在公司中的地位與權(quán)力的體現(xiàn), 年齡大的CEO在公司擁有更強(qiáng)的控制力, 會(huì)利用自身權(quán)力謀取私利, 不利于公司業(yè)績(jī)提升.最后, 年齡大意味著更高的社會(huì)資本和經(jīng)驗(yàn), 因此年齡大的CEO為企業(yè)貢獻(xiàn)更多的人力資本, 幫助企業(yè)提升業(yè)績(jī).

結(jié)合圖3和圖4的結(jié)果, 本文認(rèn)為年齡與公司業(yè)績(jī)的關(guān)系體現(xiàn)了上述三種預(yù)測(cè)機(jī)制, 且不同作用機(jī)制的相對(duì)強(qiáng)弱與其他變量存在較強(qiáng)的交互關(guān)系, 比如企業(yè)的國(guó)有性質(zhì)會(huì)使得年齡帶來(lái)的管理權(quán)力效應(yīng)更為顯著.因此, 年齡與公司業(yè)績(jī)的關(guān)聯(lián)較為復(fù)雜,會(huì)在未來(lái)研究中關(guān)注.

5 穩(wěn)健性檢驗(yàn)

5.1 更換滾動(dòng)時(shí)間窗口

表6 更換滾動(dòng)窗口期 (三年)

表7 更換公司績(jī)效的衡量方式

表7 (續(xù))

5.2 更換公司績(jī)效的衡量指標(biāo)

在基本分析中,分別采用行業(yè)中值調(diào)整后的資產(chǎn)收益率(息稅折舊攤銷(xiāo)前利潤(rùn)除以期末總資產(chǎn)) 和托賓Q值作為公司的財(cái)務(wù)和市場(chǎng)績(jī)效評(píng)價(jià)指標(biāo).為了避免可能的變量衡量誤差帶來(lái)的結(jié)果偏差,更換了一組公司績(jī)效衡量指標(biāo)來(lái)分析.財(cái)務(wù)指標(biāo)更換為行業(yè)中值調(diào)整后的資產(chǎn)收益率 (凈利潤(rùn)除以期末總資產(chǎn)) , 市場(chǎng)指標(biāo)更換為行業(yè)中值調(diào)整后的個(gè)股年度超額回報(bào)率.

5.3 Boosting模型的參數(shù)調(diào)整

Boosting模型的估計(jì)過(guò)程中設(shè)定了多個(gè)參數(shù), 包括回歸樹(shù)的交互深度、收縮參數(shù)和回歸樹(shù)的數(shù)量.其中,模型將回歸樹(shù)數(shù)目的上限設(shè)為10 000, 而模型的回歸樹(shù)數(shù)目是通過(guò)交叉驗(yàn)證最優(yōu)選擇的.本文擬合過(guò)程取得最佳優(yōu)化效果時(shí)的回歸樹(shù)的數(shù)量通常處于3 000至5 000之間，因此上限設(shè)置是合理的.

本文還檢驗(yàn)了回歸樹(shù)的交互深度和收縮參數(shù)的選擇是否合理.在絕大多數(shù)的GBM模型中, 回歸樹(shù)的交互深度都在2至9之間, 而收縮系數(shù)在0.001和0.1之間[54].基于參數(shù)檢驗(yàn)的基本思想,構(gòu)建了一系列可能的參數(shù)組合, 遍歷這些參數(shù)下的估計(jì)結(jié)果, 從而判斷在基本分析中所使用的參數(shù)是否合理.如果預(yù)測(cè)結(jié)果對(duì)參數(shù)的選擇十分敏感的話, 那么選擇的參數(shù)則是不合理.

具體而言, 本文將交互深度設(shè)為{2, 4, 6, 8}, 收縮參數(shù)設(shè)為{0.001, 0.01, 0.1}, 共構(gòu)成12(=4×3) 個(gè)參數(shù)組合, 并分別在每個(gè)參數(shù)下進(jìn)行估計(jì).表8以財(cái)務(wù)績(jī)效的預(yù)測(cè)模型為例, 展示了參數(shù)變動(dòng)對(duì)預(yù)測(cè)效果的影響.結(jié)果發(fā)現(xiàn)在這些參數(shù)組合下, CEO和董事長(zhǎng)對(duì)公司績(jī)效預(yù)測(cè)效果的提升程度與表4的結(jié)果相近.

表8 更換參數(shù)組合

5.4 更換機(jī)器學(xué)習(xí)方法

5.4.1 隨機(jī)森林 (Random Forest)

Random Forest是機(jī)器學(xué)習(xí)算法中另一種常用的回歸樹(shù)模型.文獻(xiàn)表明, Boosting的預(yù)測(cè)能力強(qiáng)于Random Forest, 尤其是在指標(biāo)維度低于4 000維時(shí)[69,70].因?yàn)镽andom Forest在解決回歸問(wèn)題時(shí), 無(wú)法做出超越訓(xùn)練集數(shù)據(jù)范圍的預(yù)測(cè), 在噪音較大的問(wèn)題上容易出現(xiàn)過(guò)度擬合[45].所以本文沒(méi)有將Random Forest作為主要的研究方法, 但采用這一方法作為穩(wěn)健性檢驗(yàn).

表9報(bào)告了Random Forest模型擬合的基本結(jié)果.發(fā)現(xiàn), 相對(duì)于Boosting模型, Random Forest模型的結(jié)果中高管特征對(duì)公司業(yè)績(jī)的預(yù)測(cè)性有所提高, 但總體而言仍處于較低水平.比如, 高管個(gè)人特征的加入對(duì)公司財(cái)務(wù)和市場(chǎng)績(jī)效的預(yù)測(cè)誤差分別降低了0.001 0和0.13.

表9 更換機(jī)器學(xué)習(xí)算法 (隨機(jī)森林)

Table 9 Alternative machine learning algorithms (random forest)

基準(zhǔn)模型CEO模型董事長(zhǎng)模型(1)(2)(2)-(1)(3)(3)-(1)R2IS(%)63.5180.8317.3280.8217.31R2OOS(%)15.2022.146.9422.607.40MSEOOS0.01200.0110-0.00100.0110-0.0010基準(zhǔn)模型CEO模型董事長(zhǎng)模型(6)(7)(7)-(6)(8)(8)-(6)R2IS(%)82.0691.099.0391.129.06R2OOS(%)37.0241.994.9742.045.02MSEOOS1.791.66-0.131.66-0.13

5.4.2 XGBoost

XGBoost (Extreme Gradient Boosting) 是除GBM之外另一種優(yōu)化GBRT問(wèn)題的算法, 它與GBRT的主要區(qū)別在于在優(yōu)化過(guò)程中不僅考慮了損失函數(shù)的一階導(dǎo)數(shù)信息, 而且對(duì)損失函數(shù)進(jìn)行了二階泰勒展開(kāi), 同時(shí)用到了一階和二階導(dǎo)數(shù)信息[71].但由于參數(shù)數(shù)量的增多,XGBoost所需的運(yùn)算時(shí)間更長(zhǎng).在表10中報(bào)告了XGBoost的估計(jì)結(jié)果, 發(fā)現(xiàn)高管模型相對(duì)于基準(zhǔn)模型的提升程度與表4中GBM的結(jié)果相似, 多數(shù)指標(biāo)的提升幅度仍處于較低水平.比如, CEO個(gè)人特征的加入對(duì)財(cái)務(wù)績(jī)效的樣本外預(yù)測(cè)誤差 (MSEOOS) 的降低幅度僅為0.000 2.綜上, 本文的基本結(jié)果是穩(wěn)健的.

表10 更換機(jī)器學(xué)習(xí)方法 (XGBoost)

Table 10 Alternative machine learning algorithms (XGBoost)

基準(zhǔn)模型CEO模型董事長(zhǎng)模型(1)(2)(2)-(1)(3)(3)-(1)R2IS(%)22.1323.581.4523.381.25R2OOS(%)11.4412.551.1112.531.09MSEOOS0.01260.0124-0.00020.0124-0.0002基準(zhǔn)模型CEO模型董事長(zhǎng)模型(6)(7)(7)-(6)(8)(8)-(6)R2IS(%)65.7568.432.6866.730.98R2OOS(%)37.1137.880.7737.890.78MSEOOS1.801.78-0.021.78-0.02

5.5 更換高管特征變量

在主要結(jié)果的CEO模型及董事長(zhǎng)模型中, 高管個(gè)人特征大部分為虛擬變量.而回歸樹(shù)的方法可能會(huì)導(dǎo)致這些變量相對(duì)于連續(xù)型變量的預(yù)測(cè)能力較低.因此, 在原有一系列指標(biāo)的基礎(chǔ)上,將高管個(gè)人特征的虛擬變量轉(zhuǎn)化為高管團(tuán)隊(duì)特征的連續(xù)變量.例如, 在CEO模型中, 以高管團(tuán)隊(duì)作為一個(gè)整體,將“是否有學(xué)術(shù)研究經(jīng)歷”轉(zhuǎn)換為擁有學(xué)術(shù)研究經(jīng)歷的高管占高管總?cè)藬?shù)的比重.同理, 本文轉(zhuǎn)換了其他虛擬變量, 包括是否在其他公司兼職、是否有生產(chǎn)、技術(shù)、設(shè)計(jì)職能經(jīng)驗(yàn), 是否有市場(chǎng)、戰(zhàn)略、人力管理職能經(jīng)驗(yàn), 是否有財(cái)務(wù)、法律職能經(jīng)驗(yàn), 是否有海外工作、求學(xué)經(jīng)歷、是否有政府工作經(jīng)歷和是否有金融行業(yè)工作經(jīng)歷.董事長(zhǎng)的個(gè)人特征也轉(zhuǎn)化為董事會(huì)成員中擁有相應(yīng)特征的成員占比.模型的擬合結(jié)果在表11中匯報(bào).發(fā)現(xiàn), 以特征指標(biāo)的連續(xù)變量為預(yù)測(cè)指標(biāo)的模型擬合效果有了一定提升, 比如在對(duì)財(cái)務(wù)績(jī)效的預(yù)測(cè)中, Boosting-CEO模型相對(duì)基準(zhǔn)模型的樣本外提升效果從1.08變?yōu)?.47, 但仍然處于較低的水平, 這說(shuō)明基本結(jié)論是穩(wěn)健的.

表11 高管特征均值的擬合結(jié)果

Table 11 Fitting results on the mean value of executive features

基準(zhǔn)模型CEO模型提升效果董事長(zhǎng)模型提升效果模型(1)(2)(2)-(1)(3)(3)-(1)R2IS(%)Boosting19.9422.532.5925.345.40OLS9.4310.881.4510.471.04R2OOS(%)Boosting12.3513.821.4714.452.10OLS9.179.920.759.680.51MSEOOSBoosting0.01240.0122-0.00020.0121-0.0003OLS0.01290.0128-0.00010.0128-0.0001基準(zhǔn)模型CEO模型提升效果董事長(zhǎng)模型提升效果模型(4)(5)(5)-(4)(6)(6)-(4)R2IS(%)Boosting65.8769.533.6669.423.55OLS48.8650.992.1350.892.03R2OOS(%)Boosting37.7238.881.1638.771.05OLS27.8828.921.1428.961.08MSEOOSBoosting1.781.75-0.031.75-0.03OLS2.052.02-0.032.02-0.03

6 結(jié)束語(yǔ)

以往高管特征研究大多僅研究單一特征與公司業(yè)績(jī)之間的因果關(guān)聯(lián), 缺乏全面的高管特征分析, 特別是其對(duì)公司績(jī)效的預(yù)測(cè)能力的分析.本文首次采用機(jī)器學(xué)習(xí)中的Boosting回歸樹(shù)算法全面考察了多維度的高管特征與公司業(yè)績(jī)之間的關(guān)聯(lián).具體而言, 本文以我國(guó)2008年～2016年上市公司為樣本, 總結(jié)了高管的高維特征變量, 研究了高管的個(gè)人特征是否能較大程度地預(yù)測(cè)公司業(yè)績(jī), 并進(jìn)一步分析了對(duì)公司業(yè)績(jī)預(yù)測(cè)程度較大的高管個(gè)人特征及其預(yù)測(cè)模式.研究發(fā)現(xiàn): (1) 整體而言, 公司CEO和董事長(zhǎng)的特征對(duì)公司業(yè)績(jī)的預(yù)測(cè)力較弱; (2) 在眾多高管個(gè)人特征之中, 高管持股比例和年齡對(duì)公司業(yè)績(jī)的預(yù)測(cè)程度較高; (3) 高管持股比例和年齡與公司業(yè)績(jī)之間的關(guān)聯(lián)呈現(xiàn)出非線性的特點(diǎn), 與以往的理論吻合.本研究不僅從一個(gè)更為全面的視角推進(jìn)了中國(guó)高管特征與公司業(yè)績(jī)關(guān)聯(lián)的研究, 也對(duì)公司遴選高管和激勵(lì)機(jī)制設(shè)計(jì)等提供了有益啟發(fā).

本文首次應(yīng)用機(jī)器學(xué)習(xí)方法來(lái)研究中國(guó)的公司治理的問(wèn)題, 評(píng)估了公司高管特征對(duì)于公司績(jī)效的整體預(yù)測(cè)能力, 豐富了“公司高管特征與公司績(jī)效之間關(guān)系”這一領(lǐng)域的文獻(xiàn).此外, 本文采用前沿的Boosting回歸的方法規(guī)避了傳統(tǒng)線性模型的缺陷, 更加適用于分析變量之間的非線性和交互關(guān)系.最后, 本文探究了不同公司高管特征對(duì)于預(yù)測(cè)公司績(jī)效的重要程度, 并分析了相對(duì)重要的變量對(duì)公司績(jī)效的作用效果, 這一系列結(jié)論對(duì)于選聘公司高管具有實(shí)踐意義.

本文開(kāi)啟了中國(guó)高管特征研究的一個(gè)新的維度: 高維高管特征對(duì)公司績(jī)效的預(yù)測(cè)能力.它對(duì)于深入理解中國(guó)高管在企業(yè)經(jīng)營(yíng)管理中所扮演的角色具有重要意義.基于機(jī)器學(xué)習(xí)方法和預(yù)測(cè)性模型, 未來(lái)仍有廣闊的研究空間值得探索.首先, 機(jī)器學(xué)習(xí)方法能夠利用非結(jié)構(gòu)性數(shù)據(jù)來(lái)構(gòu)建無(wú)法直接觀測(cè)的變量 (比如高管的性格特點(diǎn)和行為等) , 從而挖掘在理論上尚未證實(shí)的重要高管特征, 豐富高管個(gè)人特征對(duì)公司績(jī)效的影響以及公司治理方面的研究.第二, 除了公司績(jī)效這一直接衡量公司表現(xiàn)的變量之外, 本文用類(lèi)似的模型可以進(jìn)一步探究中國(guó)高管特征對(duì)公司經(jīng)營(yíng)決策的預(yù)測(cè)能力, 從而豐富高管對(duì)公司的影響機(jī)制方面的研究.總體而言, 本文開(kāi)拓了新的研究視角, 為后續(xù)研究奠定了基礎(chǔ).