上市公司企業(yè)績效測度與評價

劉冰+李長軍

內容摘要：本文從與企業(yè)績效相關的變量出發(fā)，綜合國內外相關文獻，介紹回歸方法的基本概念。基于制造業(yè)上市公司財務數(shù)據(jù)，研究分析與企業(yè)績效相關的24個變量，分別使用最小二乘法、相關系數(shù)法、嶺回歸、最優(yōu)子集選擇法和lasso方法進行回歸，根據(jù)回歸結果比較不同方法的優(yōu)劣處，綜合選擇最優(yōu)的回歸方法得到最優(yōu)的模型為lasso模型，并解釋模型，通過交叉驗證的方法進行驗證分析。最后通過模型提出建議：優(yōu)化高管結構，根據(jù)行業(yè)特征選擇最優(yōu)企業(yè)模型，保證審計意見準確，并且由于公司規(guī)模較大后規(guī)模報酬遞減，因此在公司規(guī)模擴大到一定程度后應停止擴張。

關鍵詞：企業(yè)績效 ? 嶺回歸 ? 最優(yōu)子集選擇法 ? lasso ? 交叉驗證

問題的提出

（一）研究背景

本文旨在從眾多變量中篩選出有價值的變量，利用篩選出的變量進行企業(yè)績效的相關性分析，以期發(fā)現(xiàn)實際意義。本文區(qū)別于傳統(tǒng)的根據(jù)專家選擇解釋變量建立回歸模型的方法，而將挑選和企業(yè)績效相關的因素的過程引入到建模。基于2015年制造業(yè)上市公司財務數(shù)據(jù)，研究分析與企業(yè)績效相關的24個變量，分別使用最小二乘法、最優(yōu)子集選擇法、嶺回歸和lasso方法進行分別回歸，根據(jù)回歸結果比較不同方法的優(yōu)劣處，綜合選擇最優(yōu)的模型并解釋模型。最后通過交叉驗證的方法進行驗證分析。

本文在使用最小二乘法、最優(yōu)子集選擇法、嶺回歸和lasso算法后分析比較得出，lasso算法無論是在變量選擇還是擬合優(yōu)度方面都表現(xiàn)得更為出色。根據(jù)研究過程，本文也針對企業(yè)績效提出相關建議。

（二）數(shù)據(jù)來源及樣本處理

本文選用制造業(yè)上市公司2015年公開披露的財務數(shù)據(jù)1686個，在此基礎上做了如下處理：刪除ST、*ST企業(yè)的樣本;刪除相關變量缺失的企業(yè)樣本，最終得到了1006個企業(yè)年度數(shù)據(jù)，為消除離群值的影響，對所有連續(xù)型變量進行了（1%，99%）的縮尾處理。本文數(shù)據(jù)均來自國泰君安數(shù)據(jù)庫。

本文用ROA表示企業(yè)績效，同時選取24個可能與它相關的變量，分別是董事會效率、董事會獨立性、公司規(guī)模、公司年齡、市凈率、比率結構（有形資產比率、無形資產比率）、主營業(yè)務利潤占比、財務杠桿、總股數(shù)、國有股占比、資產負債率、歸屬于上市公司股東的扣除非經(jīng)常性損益的凈利潤、加權平均凈資產收益率、基本每股收益、審計意見、內控評價報告（是否披露內控評價報告、是否出具內控評價報告結論、內部控制是否有效、內部控制是否存在缺陷）、高管資料（年齡、教育背景、年末持股數(shù)）、公司年齡。

企業(yè)績效模型建立與實證分析

（一）最小二乘模型

本文采用最小二乘法為對照組，用以比較其它回歸方法得到的結果，并從中選出最優(yōu)模型。說明：所有數(shù)據(jù)已進行了標準化處理，所以模型的系數(shù)大小說明的是比例，與量綱無關。在最后做出預測時，只需根據(jù)均值和標準差進行還原即可。關于目標函數(shù)求得最小二乘解和顯著性檢驗結果，如表1所示。

從回歸的結果可以看出，大部分變量的系數(shù)不能通過顯著性檢驗，說明回歸的結果不佳，模型里摻雜了很多不相關的變量。

加權平均凈資產收益率、資產負債率等指標能較為直接的反映企業(yè)績效，因為它們是與企業(yè)績效直接相關的變量。需要引起關注的是顯著變量中的審計意見類型、高管年齡和高管持股數(shù)，其對企業(yè)績效產生了顯著的影響。

（二）最優(yōu)子集選擇模型

最優(yōu)子集選擇法的思想是對p個變量的所有可能組合分別使用最小二乘回歸進行擬合，最后在所有可能模型中選擇一個最優(yōu)模型。

將最優(yōu)子集選擇法運用財務數(shù)據(jù)中，可以看到對于24個變量，模型中的變量數(shù)k的選擇也有24種，對于每個k都有一個最優(yōu)的模型。先對k=1，2，…，24分別選出最優(yōu)模型，最后綜合選出這24個不同的k的最優(yōu)模型。模型誤差與k的關系如圖1所示。

從圖1中可以看出，當模型的變量個數(shù)k取4時，模型的測試誤差達到了最小值，此時的模型正是所要求的模型。且當模型中變量個數(shù)很大時，模型的誤差大大增加，即達到擬合狀態(tài)。

在最優(yōu)子集選擇法中保留下來的變量為市凈率、資產負債率、凈資產收益率、基本每股收益。這樣的結果是有說服力的，因為這四個變量都可以作為企業(yè)績效的直接體現(xiàn)，同時也得到一個結論，模型的準確性極高，解釋性極強。但并不能作為很有意義的信息，以提出有效的結論。所以應當增加模型中的變量數(shù)，找出與企業(yè)績效非直接相關的變量，當模型的變量增加到5個時，公司規(guī)模加入了模型;當變量增加到6個時，審計意見類型又加入了模型。

公司規(guī)模的系數(shù)為負數(shù)，即公司規(guī)模越大，企業(yè)績效越差，這顯然與顯示情況不完全相同。直接觀察公司規(guī)模和企業(yè)績效的關系如圖2所示。

公司規(guī)模與企業(yè)績效有較明顯的相關關系，即公司規(guī)模與企業(yè)績效的關系是一個較為明顯的倒U凹函數(shù)。在短期內小幅度增加公司規(guī)模對于企業(yè)績效有一個有益的促進，由斜率可以看出，公司規(guī)模的擴大會使企業(yè)績效快速發(fā)展，但這只在小規(guī)模企業(yè)成立;當企業(yè)規(guī)模漸漸擴大時，企業(yè)績效不再呈增長趨勢，而是緩緩下降，也由斜率可以看出，企業(yè)績效的下降速度較緩慢。

審計意見被證明是一個和企業(yè)績效顯著相關的變量。由于審計意見變量是個定性變量，因此在回歸時當作啞變量來處理，并且賦予審計意見得分（見表2）。

審計意見類型對企業(yè)績效有著顯著的影響，處理數(shù)據(jù)得到的審計意見得分是根據(jù)審計意見類型的優(yōu)劣來排序的。對于審計意見得分這個變量，企業(yè)績效的最優(yōu)子集選擇的系數(shù)顯著為正。只有科學的結構和良好的企業(yè)績效才會得到審計者的信任，因此公司績效的好壞是與審計意見類型直接相關的。可以說，企業(yè)績效良好的企業(yè)會更容易得到給出審計意見類型的注冊會計師的信任，并且審計意見類型良好的企業(yè)所給出的報表更加真實公允不做假，這樣的企業(yè)一般信譽較高，所以對公司績效有一個正的作用。

（三）嶺回歸模型

嶺回歸的目標函數(shù)為，從目標函數(shù)可以看出，它與最小二乘最大的不同是加入了一項，稱為壓縮懲罰，當β1、…、βp接近零時比較小，因此具有將βj的估計值往零的方向進行壓縮的作用。當λ=0時，懲罰項不產生作用，嶺回歸與最小二乘估計結果相同。隨著λ→∞，壓縮懲罰項的影響力增加，嶺回歸系數(shù)估計值越來越接近零。與最小二乘法得到的唯一的估計結果不同，嶺回歸得到的系數(shù)估計結果βRλ隨λ的變化而變化。

從λ取值從0到5，等距取1000個值。圖3直接給出了在不同λ下的嶺回歸對企業(yè)績效的估計值和企業(yè)績效真實值之間的誤差。

從圖3中可以看出，在參數(shù)λ位于虛線之間時，殘差平方和達到最小，即嶺回歸效果最好。在λ較小時，誤差一致處于較低的水平，但是當λ超過某個值后，誤差迅速增加。這是由于當λ變得過大時，懲罰項的作用太大，以至于在求解目標函數(shù)最優(yōu)解時忽略了殘差平方和。通過十折交叉驗證法，可以求出建模效果最好的λ的取值。

綜上所述，嶺回歸效果最好時，則存在λ=0.08008008。即在λ=0.08008008時嶺回歸所得的模型最優(yōu)。由于篇幅所限，嶺回歸系數(shù)在此不一一列出，但通過結果能夠發(fā)現(xiàn)，嶺回歸過程沒有實現(xiàn)篩選一些與企業(yè)績效顯著相關的變量的效果，而是將所有可能與企業(yè)績效相關的變量系數(shù)整體壓縮后得到回歸結果。但同時嶺回歸仍然提升了最小二乘估計的效果。嶺回歸的劣勢在于它的復雜度懲罰項可以將系數(shù)往0的方向進行縮減，但是不會把任何一個變量的系數(shù)確切的壓縮至0（除非λ=∞）。本文將進一步使用lasso方法來解決這個問題。

（四）lasso模型

lasso是近年來常用的用于克服嶺回歸上述缺點的方法。lasso的系數(shù)βLλ通過求解目標函數(shù)得到。比較lasso和嶺回歸的目標函數(shù)，可以發(fā)現(xiàn)它們具有相似的擬合公式。唯一的區(qū)別是嶺回歸中的β2j項在lasso中被替代為上式中的|βj|。與嶺回歸相同，lasso也將系數(shù)估計值向0的方向進行縮減。當調節(jié)參數(shù)λ足夠大時，它的懲罰項具有將其中某些系數(shù)的估計值強制設定為0的作用。因此，lasso建立的模型與嶺回歸建立的模型相比更易于解釋。研究中，lasso起到的作用和最優(yōu)子集選擇法較為相似，即把與企業(yè)績效顯著相關的變量篩選出來。

與嶺回歸的步驟相同，首先應選定合適的參數(shù)λ，使得模型的交叉驗證集誤差最小，從圖4中可以看出，參數(shù)λ在兩條虛線之間時達到最優(yōu)模型，此時λ=0.03503504，相比較嶺回歸而言，lasso的參數(shù)λ較小，說明收縮程度并不大，但仍然達到了篩選變量的效果。最優(yōu)模型的系數(shù)如表3所示。

最終選出的變量有資產負債率、歸屬于上市公司股東的扣除非經(jīng)常性損益的凈利潤、加權平均凈資產收益率、基本每股收益、公司規(guī)模、高管年齡、高管年末持股數(shù)七個變量。其中可以得到關于企業(yè)績效有效的結論和提升企業(yè)績效的建議的變量有公司規(guī)模、高管年齡、高管年末持股數(shù)這三個變量，因為剩下的四個變量可以直接表示企業(yè)經(jīng)營狀況，并不能提供建議。

公司規(guī)模顯然是一個與企業(yè)績效相關的變量，因為它在最優(yōu)子集選擇法和lasso中都被顯著挑選出來作為企業(yè)績效的解釋因素。從前面的分析中可知，公司規(guī)模對于企業(yè)績效在短期內應該是正相關的關系，但在公司規(guī)模擴大到一定程度后，再進行擴張就會使企業(yè)績效向相反方向變動。在信息完全且不考慮企業(yè)內部腐敗成本的情況下，理論上的公司規(guī)模的擴大會使生產、加工、管理、損耗都成規(guī)模，產品規(guī)格標準化，大量購入原材料致使單位成本下降，管理人員技術人員生產方案和資源分配的選擇更多，顯然會比公司規(guī)模較小時達到更優(yōu)的帕累托最優(yōu)狀態(tài)。但現(xiàn)實中的市場是不完全的市場，企業(yè)規(guī)模擴大到某種程度會讓生產管理成本都飛速增加，在大企業(yè)中也很難實現(xiàn)像小企業(yè)一樣的面面俱到的監(jiān)督管理。

高管年齡和高管年末持股屬于企業(yè)的高管特征變量。從系數(shù)可以看出，高管年齡對企業(yè)績效呈顯著的弱正相關關系，高管年末持股數(shù)與企業(yè)績效呈現(xiàn)較強的正相關關系。與過去較為封閉保守的市場環(huán)境不同，年齡較大且經(jīng)驗豐富的管理者，比年輕的管理者對于企業(yè)績效的提升而言，優(yōu)勢并不明顯，因為我國市場已經(jīng)步入轉型期，機遇增多，高管年齡對于企業(yè)績效不再是一個至關重要的因素，但工作經(jīng)驗仍然是優(yōu)勢。對于高管年齡的研究也很豐富， Wiersema M F和Bantel K A等認為，高管年齡的多樣化程度高，異質性較大，與企業(yè)績效負相關;而高管年齡的同質性較高對企業(yè)績效有正面影響但作用不大，這也與本文得到的顯著弱正相關關系一致。

高管年末持股數(shù)與企業(yè)績效呈現(xiàn)顯著正相關關系。每增加0.01%的高管持股數(shù)，企業(yè)績效可以增加0.05%。高管的持股比例獎勵會引發(fā)激勵效應。但企業(yè)的高管持股比例普遍較低，這會影響激勵效應的發(fā)揮;其次，很多企業(yè)的高管持股比例數(shù)據(jù)為零，即并無正式的股權激勵政策，沒有對所有高管人員進行股權激勵，因此激勵效果也會大打折扣。

模型比較與政策建議

（一）模型結果比較

不同的模型有各自的優(yōu)缺點。例如最小二乘法會引入很多不顯著相關的變量，信息冗雜，給影響企業(yè)績效的真實因素帶來了噪聲影響;最優(yōu)子集選擇法是一種不解析、不連續(xù)的方法，它對于系數(shù)的收縮不是循序的，估計結果的方差極大，數(shù)據(jù)有一點差異可能會給結果帶來很大的改變;嶺回歸方法克服了最優(yōu)子集選擇法不連續(xù)的缺點，它實現(xiàn)了系數(shù)的連續(xù)變化，但是不能將一些變量的系數(shù)直接收縮到零;lasso是介于嶺回歸和最優(yōu)子集選擇法之間的一種方法，不僅實現(xiàn)了算法的連續(xù)，并且它的解是稀疏的，即能夠將部分變量篩掉。表4給出了在研究企業(yè)績效相關性問題上運用這幾種方法的效果。

由結果可以看出，所采用的三個降低模型復雜度的回歸方法的確在最小二乘法的基礎上改善了很多，在對企業(yè)績效的預測方面比原本的精度提高了5%以上，lasso算法甚至將精度提高了10%，其中最優(yōu)子集選擇法和嶺回歸的回歸效果相似，但是最優(yōu)子集選擇法只使用了6個變量（市凈率、資產負債率、凈資產收益率、基本每股收益、公司規(guī)模、審計意見類型）評價企業(yè)績效的預測，而嶺回歸使用了24個變量，所以在評價最優(yōu)子集選擇法比嶺回歸更有意義。而lasso無論是在變量選擇和回歸精度方面的表現(xiàn)都更加出色。它只用了資產負債率、歸屬于上市公司股東的扣除非經(jīng)常性損益的凈利潤、加權平均凈資產收益率、基本每股收益、公司規(guī)模（總股數(shù)）、高管年齡、高管年末持股數(shù)7個變量就使預測精度提高到75%，說明lasso模型更有意義。

（二）政策建議

公司規(guī)模與企業(yè)績效息息相關，在短期內，企業(yè)規(guī)模的擴大能夠實現(xiàn)生產或經(jīng)銷單位成本的降低，處于規(guī)模報酬遞增狀態(tài)，但當公司規(guī)模擴大到一定程度后會處于規(guī)模報酬遞減狀態(tài)，應穩(wěn)定企業(yè)發(fā)展，因此絕不能一味盲目擴大規(guī)模。

審計意見類型良好的企業(yè)所給出的報表應更加真實，從而有較高的信譽，審計意見類型可以一定程度上反映企業(yè)的經(jīng)營和誠信狀況。審計意見類型指標較技術性的指標處在一個更加重要的地位，所以相比較企業(yè)的經(jīng)營方式、營銷手段等技術指標，更應注意企業(yè)的誠信建設。

高管特征在研究中處于重要地位。lasso方法選出的三個變量中有兩個是高管特征變量，因此應當注意培養(yǎng)人才留住人才，管理人員是企業(yè)命脈，適當選擇經(jīng)驗豐富的經(jīng)理人，保證管理階層的同質性，少追求管理階層年齡和教育背景的多樣化。

尤為重要的是對管理人員適當采取股權激勵機制。雖然高管的持股比例很小，但對其實施股權激勵將會發(fā)揮巨大的作用，當經(jīng)理人股權達到一定數(shù)目后，不僅能夠提高忠誠度，還能監(jiān)督治理企業(yè)內部腐敗。