上市公司股权激励与公司绩效研究.docVIP

上市公司股权激励与公司绩效研究 摘要：股权激励制度可以有效解决现代公司制中委托代理问题，本文运用Rosenbaum边界估计方法考察处理组平均处理效应的稳健性检验，尝试利用倾向得分匹配模型（PSM）来解决股权激励内生性问题。研究发现我国上市公司股权激励的实施显著提升了公司绩效，但国有上市公司实施股权激励对公司绩效提升作用不显著，成长性较高的上市公司实施股权激励的效果优于成长性较低的上市公司。 关键词：股权激励；公司绩效；内生性；倾向得分匹配 中图分类号：F82/84文献标识码：A 现代公司的两权分离引致了公司治理的代理成本问题，代理人为了追寻自身利益而产生道德风险和逆向选择。为了尽量使经理人目标与股东层目标保持一致，上市公司开始探索各种激励方式。在研究股权激励与公司绩效关系时必须考虑股权激励实施变量存在的内生性问题，本文尝试利用倾向得分匹配法（PSM）来解决股权激励内生性问题，并利用最新上市公司数据实证研究上市公司股权激励计划实施对公司绩效的影响，期望能为股权激励制度在我国的推广提供理论支撑。 一、倾向得分匹配模型 （一）倾向得分匹配模型基本原理 PSM模型的基本原理是在处理组样本非随机选择带来估计结果偏误的情况下，根据实施股权激励公司的特征（处理组），找出与处理组公司特征尽可能类似的上市公司（控制组），通过比较这两类上市公司经营绩效的差异，分离出单独由实施股权激励计划所带来的公司治理效果的改变情况。根据样本中上市公司是否实施股权激励计划，Y1i表示已实施股权激励计划的上市公司经营绩效，Y0i表示没有实施股权激励计划的上市公司经营绩效，定义Y1i-Y0i为处理效应，处理组的平均处理效应（ATT）、控制组的平均处理效应（ATC或ATU）以及平均处理效应（ATE）可以表示为： ATT E[（Y1i-Y0i）|Z，treat 1] ATC E[（Y1i-Y0i）|Z，treat 0] ATE ATT*[SX（]N1[]N1+N0[SX）]+ATU*[SX（]N0[]N1+N0[SX）] 其中treat 1表示处理组，即实施股权激励计划；treat 0表示控制组，即没有实施股权激励；Z表示所有可观测的匹配变量，N1表示处理组的样本数，N0表示控制组的样本数。若以所有的可观测特征Z为条件的均值同时在控制组中与处理组中都相等，那么实施股权激励就是一种随机行为，直接计算Y1i-Y0i就可以得到实施股权激励单独带来的经营绩效的改变。 在具体进行倾向得分匹配模型的估计时，首先构建以是否实施股权激励计划二值变量作为因变量，以影响股权激励实施的主要上市公司特征为自变量的Logit二值选择方程，根据Logit模型计算PS值。其次，检验共同支撑假设，即控制组与处理组是否具有相近的倾向得分值，根据PS值进行匹配，匹配结束后需要进行平行假设检验，即控制组与处理组在各个维度上的差异是否过大，如果差异不大继续进行下一步，否则重新回到初始步骤，进行Logit模型的重新设定。最后，比较控制组与处理组的经营绩效差异，并进行统计推断。 （二）进行稳健性检验 在利用PSM模型进行匹配前，处理组与控制组是存在显著差异的，经过可观测因素匹配后，如果不存在影响股权激励实施的不可观测因素，那么匹配后的两组公司就不存在差异。但是，现实中或多或少存在一些人们无法观测的，或者无法度量的影响股权激励的因素，导致匹配后的两组公司仍然存在差异。基于不可观测数据异质性问题的存在，需要使用Rosenbaum边界估计方法来检验估计结果的稳健性。当存在影响股权激励实施的不可观测因素异质性时，〗根据可观测因素匹配后不同上市公司存在的差异，Rosenbaum边界估计就是通过检验稍微改变这种差异的一个比例，是否会导致估计结果发生较大的改变，本文使用stata中rbounds命令进行处理组ATT的稳健性检验。 二、数据及变量描述性统计 （一）数据来源 本文以2006-2013年所有上市公司作为初选样本，将2006年到2011年实施股权激励的上市公司作为处理组样本，并依据PSM模型中匹配维度的设定，选取一定上市公司作为控制组样本，以期研究实施股权激励的上市公司在2012年、2013年公司绩效的提升情况。本文数据来源于色诺芬经济金融数据库（CCER）、国泰安数据库（CSMAR）、锐思数据库（RESSET），数据筛选的原则是：（1）删去中途取消股权激励方案的上市公司；（2）删去金融类上市公司；（3）删去重要变量存在缺失值的样本；（4）删去ST、PT类上市公司；（5）删去发生兼并、收购行为的上市公司，因为这类公司会带来估计结果偏误，属于异常值；（6）删去资不抵债的上市公司；（7）删去2011年以后上市的公司。最后得到1 371个实施股权激励的样本、10 952个未实施股权激励的样本，其中实施股权激励的样本占据111