创业板上市公司高管薪酬诊断分析

刘 天

(东北财经大学 金融学院，辽宁 大连 116025)

创业板上市公司高管薪酬诊断分析

刘 天

(东北财经大学 金融学院，辽宁 大连 116025)

以深交所创业板具有2009-2011年3个完整年报的58家公司为样本，以每股收益为响应变量，以高管人均年薪等为自变量建立回归模型。利用数据建模诊断方法，根据WK统计量、学生化外残差等诊断统计量，对每股收益是否存在异常进行检测。结果表明，样本公司中存在高管年薪和持股比例与该公司每股收益负相关的情况。针对这一结果，认为应建立、健全公司的法人治理结构和内部监督体系;加强高管减持本公司股票的信息披露;加强企业文化激励。

创业板 ;高管薪酬;每股收益;诊断

1 文献综述

由于创业板公司高管的特殊位置与贡献，适当提高公司高管的薪酬水平，能够更好地体现其自身价值，增强其荣誉感和责任感，充分发挥他们的积极性、主动性和创造性。但是，提高公司高管薪酬水平必须和业绩挂钩，不能业绩下滑而薪酬增长。

高管薪酬的影响因素包括企业内部、管理者自身、企业外部环境等多方面因素。

关于企业内部方面的因素，张恩众、张文彬［1］谌新民［2］和 Walking［3］认为高管薪酬水平受公司规模的影响最大。乔丽［4］的分析结果表明，高管薪酬与公司的总资产、营业收入、研发经费、高管学历有显著的正相关关系。樊婷［5］的实证研究表明，高管薪酬与第一大股东的持股比例存在负相关关系。魏刚［6］和李增泉［7］认为，高管薪酬与企业业绩并不存在显著的正相关关系，而张俊瑞［8］的研究表明高管薪酬与公司绩效正相关。

关于管理者自身方面的因素，王清刚、胡亚君［9］等研究表明，我国上市公司存在异常高管薪酬行为，董事长和总经理两职兼任、董事会规模、独立董事比例与公司异常高管薪酬不存在显著关系，而董事激励、董事会会议次数、第一大股东持股比例与异常高管薪酬的关系较为显著。

关于企业外部环境方面的因素，杜兴强、王丽华［10］的研究认为，“59岁现象”在中国可能存在，但并不显著。

2 研究方法概述

本文从数据建模诊断的角度，对这个问题进行分析。通过数据建立模型来对经济现象进行分析时，我们对数据本身提出了很多严格的假设条件，只有这些条件真正满足时，由此得到的模型及其以后基于此所做的推断才是可靠的。对于数据本身，我们经常假定数据是均匀同质的，即假定数据集中每一个点对建模的影响是基本相同的，每个点对建模都有影响，但都很微小，单独一个或若干个点不应该对模型的总体变化趋势产生决定性的影响。而在实际中，这个条件往往不能得到满足。一个数据集中，经常会有那么一个或几个不安分的点，它们经常基于现有建模手段的漏洞来兴风作浪，它们就是数据集中的异常点、杠杆点及强影响点。一般来讲，异常点是指那些与既定模型有较大偏离的数据点，杠杆点是指那些远离数据主体的点，强影响点是指对统计推断影响特别大的点。本文就是从这个角度，来寻找对建模有不同寻常影响的点。为了能检测出这些点，我们需要了解几个重要的诊断统计量。

线性回归模型可表示为:

其中，yi为因变量，xi1，…，xi(p-1)为自变量，εi为随机误差，其第 i组观察值为(yi，xi1，…，xi(p-1))。通常可表示为矩阵形式如下:

其中，Y=(y1，…，yn)T，ε =(ε1，…，εn)T，β =(β0，β1，…βp-1)T，X 为 n × p 阶列满秩矩阵，其第 i行为(1，xi1，…，xi(p-1))。对于随机误差项 ε，通常假定其分量ε1，…，εn相互独立，数学期望为零，方差具有齐性，即 E(ε)=0，var(ε)= σ2I，其中σ2为未知常数，I为n阶单位矩阵，可记为:

在多数情况下还假定ε服从标准正态分布，即

通常的线性回归，大多采用这些假设。

现考虑回归分析中常用的投影阵，在模型(1)式中，X的投影阵常记为P，并记为Q=I-P。由于P作用到Y上可以得到拟合值=PY，因此有些统计学家也称这种特定的投影阵为帽子矩阵(hat matrix)。

在(1)式中，把 X的列向量记为 1=(1，…，1)T，X1，…，Xp-1，矩阵 X 可写成分块形式如下:

由于P1=1 1T/n，Q1=(I-1 1T/n)，由二次投影公式可知，帽子矩阵P可表示为:

Xc称为矩阵的中心化，它在(i，j)处的元素xcij为:

现记帽子矩阵的元素为pij，则P=(pij)具有以下性质:

帽子矩阵P的对角元素pii在回归诊断中起着十分重要的作用。矩阵 就是观测矩阵X去掉已知的第一个向量1而得到。 的每一行就是自变量的一组数据，现记

则由(4)可知，(5)式可写为:

模型(1)式的学生化残差定义为:

为了考察数据集(yi，x)与模型的符合情况(i=1，…，n)，一个重要的方法就是逐个考虑每组数据点的作用，如数据删除模型。

对于下面模型，

其中，xi=(1，xi1，…，xi(p-1))T，β =(β0，β1，…，βp-1)T，

那么，删除第i组数据点(yi，x)后的模型就是数据删除模型，即，

由线性模型的理论可知，模型(1)式中参数β的置信域可表示为以下形式:

在参数空间Rp中，它表示一个以为中心的椭球，易见，落在椭球以外的β点可能性很小，其概率只有α。现考虑(i)，如果落在椭球之外，则说明(i)与的差异非常大，(yi，x)作为模型(1)式的点是不可接受的。同理，若(i)的值代入(11)式左端所得的值较大，则说明(i)离置信域中心较远，因而(i)与有较大的差异，从而可以认为(yi，x)对模型(1)式的影响也较大。基于这种考虑，Cook提出在(11)式左端以(i)代替β，作为度量第i个数据点(yi，x)影响大小的数量指标，即给定模型(1)式和(10)式，第 i个数据点(yi，x)的Cook距离定义为:

Di也称为Cook统计量，Cook距离表示(i)与之间的一种加权距离，其权重为XTX/p2。

现考虑数据点(yi，x)删除前后对xi处拟合值的影响。其拟合值分别为二者的差值可用来度量第 i个数据点对于拟合带来的影响。另外，为了消除尺度的影响，还要除以拟合值的均方误差var()。

易见，

给定模型(1)式和(10)式，第i个数据点(yi，x)对于拟合值的影响定义为:

W Ki称为Welsch-Kuh距离，简称为W-K统计量，也有称之为DFFITS，DF表示差异(Difference)，FIT即拟合。

3 实证分析

下面选取深圳证券交易所具有2009年、2010年、2011年3个完整年报数据的58家创业板公司作为样本，对其进行建模诊断分析。

3.1 2011年数据分析过程

我们以每股收益(shouyi)为响应变量，以人均年薪(nianxin)、人均持股比例(chigubili)、总股本(zongguben)为自变量作回归，得到表1和表2。

表1 完全数据下回归结果

由表2可知，第7号(星辉车模)、第9号(新宁物流)、第29号(乐普医疗)、第39号(华谊兄弟)、第43号(红日药业)、第52号(大禹节水)数据点，在6个诊断统计量中皆被检测出5次，因此，将这些点作为重点怀疑对象，在原始数据集中将这些点删除，再作回归。

表2 各主要诊断统计量处于前十位的观测列表

表3 删除第7、9号等数据点后回归结果

对比表1和表3可知，复相关系数平方删除前为0.1413571，删除后为0.1169519，基本没有显著变化。F统计量，删除前为 2.9633，删除后为2.1191，可以认为没有明显改变。对于各回归系数显著性，删除前nianxin的P=0.018850，删除后为0.019645，基本没有显著变化;删除前chigubili的P=0.181008，删除后为0.672672，删除前后变化较大;删除前 zongguben的 P=0.582968，删除后 P=0.754614，删除前后变化较大。关于自变量之间复共线性，删除前，条件指标η1=1，η2=2.93895，η3=4.04927，η4=6.72353;删除 后，η1=1，η2=3.66293，η3=4.50005，η4=8.17615，尽管根据判定标准，若条件指标处于(0，100］，则可以认为不存在复共线性，删除前后自变量之间均符合无复共线性要求，但是删除前后η2，η3，η4变化较大。同样，方差膨胀因子 VIF，删除前c11=1.07824，c22=1.05172，c33=1.07534;删除后c11=1.02022，c22=1.02273，c33=1.01188，尽管根据一般标准，如果VIF在(0，10］范围内，即可认为没有复共线性，删除前后方差膨胀因子也指出自变量之间无复共线性，但是，c11，c22，c33仍是有些变化。再看随机误差项之间是否存在序列自相关，删除前，DW=1.899396，半偏相关系数SC=0.037293，根据序列相关的判定规则，在DW接近2，SC接近0时，可以认为不存在序列相关，可见，均符合要求;删除后，DW=2.015532，SC=-0.023477，也符合，因此可以认为，删除前后序列相关性没有变化。

接着，我们来分析随机误差项之间是否为方差齐性，观测残差之递减趋势概率图，删除前如图1，删除后如图2。

由图1和图2可以看出，两图均有明显的规律性变化趋势，即先是逐渐上升，到最高点后下降，然后又是一个上升下降过程。根据判定规则，只有在这些点关于横坐标轴基本对称，并且没有明显的规律性变化特点时，才可以认为无异方差，显然以上两图均不符合，因此可判断为删除前后均存在异方差。

图1 完全数据下回归残差序列趋势概率图

图2 删除第7、9号等数据点后回归残差序列趋势概率图

关于随机误差项正态性的判断，由残差之半正态概率图可知，删除前后也没有明显变化。

综上所述，可知这些被怀疑为异常的点，对于回归系数的显著性、自变量之间的复共线性方面均有较大影响，确实对建模产生了比较大的影响，因此可判断这些点构成建模的强影响点。

下面将这些数据点所对应公司的各变量在全部58家样本公司中的排名情况作对比分析:

表4 2011年数据中已诊断为异常的各公司主要变量排名

由表4可知，红日药业以高管人均年薪81.39万元位居58个样本公司首位，华谊兄弟以77.15万元位居第3位，乐普医疗以44.16万元位居第8位，新宁物流以44.12万元位居第9位，大禹节水以16.18万元位居第48位，星辉车模以9.65万元位居第57位;在每股收益方面，红日药业以每股收益0.81元位居全部58家样本公司第2位，华谊兄弟以0.34元位居第32位，乐普医疗以0.5827元位居第8位，新宁物流以0.1元位居第57位，大禹节水以0.11元位居第56位，星辉车模以0.51元位居第19位。由此可见，对于红日药业、乐普医疗、大禹节水，其高管人均年薪与其每股收益在整个样本公司中的位次基本是对应的，而华谊兄弟、新宁物流、星辉车模则明显处于不对应的状态，特别是新宁物流，其高管人均年薪处于第9位，而其每股收益却处于倒数第2位。可见，采用数据建模诊断的方法能够对样本数据中明显异于其他个体的点进行了较准确的检测。

另外，在高管人均持股比例方面，星辉车模以31.03%位居58个样本公司的第2位，新宁物流以30.3%位居第3位，大禹节水以27.58%位居第4位，华谊兄弟以9.13%位居第25位，红日药业以7.06%位居第39位，乐普医疗以0.93%位居第57位，与前面的每股收益的位次相对比明显看出，除了华谊兄弟以每股收益处于第32位还算基本对应外，其余5个皆有较大位次差异。可见，本方法也较好地检测出了数据集中表现异常的个体。

3.2 2010年和2009年数据分析过程

根据相同的方法，将2010年和2009年的结果直接给出。

对于2010年数据，将第9号(新宁物流)、第19号(神州泰岳)、第25号(欧比特)、第29号(乐普医疗)、第43号(红日药业)诊断为异常点。在2010年数据已诊断出的这5个异常点中，对于年薪排名与每股收益排名的关系，除了红日药业与欧比特还算对应以外，其余3个都不对应，神州泰岳年薪排第30名，每股收益却排第4名，乐普医疗年薪排第5名，每股收益却排第23名，特别是新宁物流，其年薪排第8名，而每股收益竟然排倒数第2名，即在58个样本公司中排第57名。对于持股比例排名与每股收益排名的关系，5个排名都是逆序，持股比例排第1名的欧比特，其每股收益只排在第48名，持股比例排第2名的新宁物流，其每股收益竟然为倒数第2名，即58个样本公司中排第57名，而持股比例处于第38名的神州泰岳，其每股收益竟达到第4名，持股比例处于倒数第3名的乐普医疗，其每股收益排第23名，而持股比例处于第36名的红日药业，其每股收益却处于第5名。

对于2009年数据，将第9号(新宁物流)、第18号(世纪鼎利)、第29号(乐普医疗)、第31号(蓝色光标)、第39号(华谊兄弟)诊断为异常点.。2009年数据已诊断出的这5个异常点中，对于年薪排名与每股收益排名的关系，除了世纪鼎利还算是基本对应外，其余4家公司都是逆序，年薪排第1名的华谊兄弟，其每股收益只排第38名，年薪排第3名的蓝色光标，其每股收益排第23名，年薪排第4名的乐普医疗，其每股收益排第29名，年薪排第6名的新宁物流，其每股收益排第46名。对于持股比例排名与每股收益排名，除了华谊兄弟比较对应外，其余4家都是逆序，持股比例排第2名的新宁物流，其每股收益排第46名，持股比例排第14名的蓝色光标，其每股收益排第23名，持股比例排第18名的世纪鼎利，其每股收益排第1名，持股比例排第57名的乐普医疗，其每股收益排第29名。

4 结论及政策建议

综合实证分析结果可以看出，通过数据建模诊断方法确定出的异常点，经过与实际比对，绝大部分都确实表现异常，即在高管人均年薪与持股比例较高的公司，其每股收益都比较低;而在高管人均年薪与持股比例较低的公司，其每股收益却比较高。这明显与一般的经济理论相悖，从而可以推断这些公司在内部治理结构、公司决策机制和发展战略方面存在明显异于其他公司的情况，特别是第9号(新宁物流)、第29号(乐普医疗)两家公司，3次皆被列为异常点，第39号(华谊兄弟)、第43号(红日药业)也有两次被检测为异常。

通过以上分析可见，部分创业板公司应从以下几方面加强治理:

首先，不要盲目跟国际攀比。随着我国经济逐渐与国际接轨，不少高管将其薪酬比较的范围扩大到美国等发达国家。应当说，一定程度的公平感知确实能够增强高管的工作积极性、主动性和创造力，但要注意，比较是以一定文化、经济实力、一定的国情为基础的。尽管近年来我国经济取得了长足进步，但就整体而言，与西方发达国家相比仍有较大的差距。同时，即使是美国，部分高管的天价高薪也是极少数的，因此，创业板高管不应盲目与发达国家相比。

其次，建立、健全公司的法人治理结构和内部监督体系，包括加强董事会的独立性，建立相对独立的薪酬委员会，完善公司决策规则，建立上市公司实施股权激励的评价标准，强化长期性激励，使每个组织成员的自利行为结果与既定的组织目标相一致，激励方式应从传统的支付薪酬为主向更多参与剩余分享的模式转变。

再次，加强高管减持本公司股票的信息披露，要求公司高管在职期间减持股票需提前进行信息披露;引导创业板公司修改公司章程，延长持股高管辞职后的限售期限，使辞职高管减持节奏不能明显优于在职高管。

最后，加强企业文化激励。对于创业板上市公司的高管而言，获得精神上的激励，获得社会的认可，其激励作用是更持久、深刻的。如能从企业文化方面提升高管的自我价值感、责任感，使其为经营好公司而自豪，成为真正负责的管理者，这更能从根源上遏制创业板公司高管的短期行为。

［1］张恩众，张文彬.影响上市公司高管薪酬的因素分析［J］.经济问题探索，2007(11):124-127.

［2］谌新民，刘善敏.上市公司经营报酬结构性差异的实证研究［J］.经济研究，2003(8):89-95.

［3］Walking.Executive careers and compensation surrounding takeover bids［J］.Journal of Finance，1994(49):985-1014.

［4］乔丽.创业板上市公司高管薪酬影响因素实证分析［J］.哈尔滨商业大学学报:社会科学版，2012(2):25-30.

［5］樊婷.上市公司高管薪酬影响因素的实证研究［J］.南京财经大学学报，2006(6):47-52.

［6］魏刚.高级管理层激励与上市公司经营绩效［J］.经济研究，2000(3):53-57.

［7］李增泉.激励机制与企业绩效——基于上市公司的实证研究［J］.会计研究，2001(9):25-29.

［8］张俊瑞，赵进文，张建.高级管理层激励与上市公司经营绩效相关性的实证分析［J］.会计研究，2003(9):68-74.

［9］王清刚，胡亚君，王婧雅，陈震.公司内部治理与异常高管薪酬行为研究［J］.重庆理工大学学报:社会科学版，2011，25(5):30-44.

［10］杜兴强，王丽华.高层管理当局薪酬与上市公司业绩的相关性实证研究［J］.会计研究，2007(1):37-40.

Diagnostic Analysis about Senior Executives Salary of Listed Companies on GEM

LIU Tian
(College of Finance，Dongbei University of Finance and Economics，Dalian 116025，China)

Taking 58 companies which have complete annual report from 2009 to 2011 in Shenzhen Stock Exchange on GEM，earnings for per share as the response variable and annual salary of senior executives as the independent variable，this paper establishes a regression model.By diagnostic statistics methods of data modeling diagnosis，WK statistics and studentized residuals，it determines whether there is abnormality in earnings for per share.The result shows that the annual salary and share proportion negatively related to earnings for per share in sample firms.The author thinks that the corporate governance structure and internal supervisory system should be established;The information disclosure of reducing holding shareholder of senior executives should be strengthened;The enterprise culture motivation should be improved.

GEM;senior executives salary;earnings for per share;diagnostics

F832.5

A

1009-3907(2013)11-1394-07

2013-09-09

刘天(1974-)，男，黑龙江哈尔滨人，博士研究生，主要从事金融工程方面的研究。

责任编辑:

沈 玲