| 标题 | 高管薪酬问题研究方法的国际经验与启示 |
| 范文 | 李 粟 【摘要】 公司高管薪酬问题长期以来都是一个研究热点。为了提高其研究水平和研究质量，有必要对国外相关领域的研究方法进行学习和借鉴。本文对日本在高管薪酬问题研究中的数据获取、计量方法的选择以及模型设定与假设检验等方面的做法进行了分析，从中发现一些值得我们学习的研究技巧和经验。 【关键词】 薪酬；研究方法；数据；模型；假设检验 一、引言 公司高管薪酬问题在国外长期以来都是一个研究热点。中国关于这一问题的实证研究始于魏刚（2001）和李增泉（2001）的两篇文章。自此以后，新的研究成果不断涌现。但是国内研究者过于关注是否得到了一个有意义的研究结果或者是研究结果与预期是否相符，常常忽视了研究方法对结果可能造成的影响。国内的有些研究者认为，“值得注意与借鉴的倒不是大样本的统计规律，而应该深入到薪酬体系取得成功的具体企业中，探询其薪酬制度之所以取得成功的关键因素，看是否可以移植、嫁接到中国企业中来”（崔宏，2006）。与这种观点不同，本文作者认为，研究方法较之于具体的薪酬制度更具有普遍适用性，更有助于对问题本质的认识。研究方法和研究技巧的不断提高和细化是提高国内高管薪酬问题研究水平和研究质量的重要方面。 之所以选择日本作为学习对象，有以下几个方面的原因：第一，中国关于企业高管薪酬的信息披露与日本有许多相似之处，而如何克服数据来源和数据质量问题则是国内此类研究亟待解决的重要难题。第二，与英美国家不同，日本文献针对企业高管薪酬问题的研究着重于现金薪酬。由于中国的股权激励在上世纪90年代末才开始试点（李春琦、黄群慧，2002），还没有被广泛采用。因此，现金薪酬也就成为国内研究的主要对象。第三，日本学术界关于薪酬问题的研究在数据选择、模型设定以及对结果的解释方面都有许多值得我们学习的地方。虽然有些方面还无法直接借用，但是对于我们研究思路的开拓或者是研究方法的创新还是有很大帮助的。 二、研究数据的获取 薪酬数据的来源与质量对研究具有十分重要的作用。在日本，薪酬数据的来源也受到很大的限制，数据质量也存在许多缺陷。日本上市公司只是被要求披露公司所有高管薪酬的总额，而没有像美国企业那样需要披露个人的薪酬信息。研究者通常是将这个薪酬总额除以高管人数，来转换为所谓的个人薪酬数据。这种做法会使数据存在偏误，并且常常是被低估。因此，如何克服数据上的偏误是所要解决的一个首要难题。 Kato和Kubo（2006）采用了一家薪酬顾问公司所提供的51家日本企业薪酬数据。其中18家为上市公司，33家为非上市公司，期间为1986－1995年。这个数据的主要优点在于：首先，薪酬数据是关于公司高管个人的薪酬信息，因此可以在一定程度上避免前面所提到的“偏误”。第二，数据结构是面板数据，因此可以在一定程度上解决忽略变量问题。第三，在这个数据中既包括了上市公司，也包括了非上市公司，因此可以将两者进行对比研究。但是，这种数据也存在一些缺陷。 Nakazato等（2006）指出，尽管这些数据的信息十分丰富，但是公司的选择不是随机的。另外，Kato（1994）也指出，专业公司的调查数据常常没有显示企业名称，无法将调查数据与会计报表中的信息进行合并。由于缺少一些反映企业特征的变量，使得通过专业公司调查所获得的数据“不适合进行多元回归分析”。在美国的一些文献中也经常采用专业公司所调查的数据来进行企业高级管理人员薪酬问题的研究。 由于日本相关法律要求纳税额超过1千万日元的纳税人应将其身份和税收账单予以公布。因此，Kato和Rockel（1992）和Nakazato等（2006）都是利用这个税收报告推算出了公司高管理的个人薪酬数额。Kato和Rockel（1992）观察了1985年的599位公司总裁的纳税情况；而Nakazato等（2006）则对2004年的578位公司总裁的纳税情况进行了观察。由于日本相关法律，纳税人的纳税收入在1.8千万日元以上的税率为37％。根据这个税率就可以大致推算出纳税人的应税收入。这种数据来源的重要特点是只可以获得收入超过一定标准的薪酬数据。而在这一标准以下的薪酬数额只能认为是在某一数值以下。 这种类型的数据也存在一定的局限性。首先，许多高管所报告的应税收入都低于他们的实际收入。而且，与其他地方的企业一样，日本公司的高管也存在大量不属于纳税范围的津贴。但是，重要的是这种向下的偏误不会因企业的不同而出现系统性的变化。另外，许多高管还有其他来源的收入。因此，采用应税收入又会对企业所支付的薪酬产生一个向上的估计偏误。例如，一些比较富有的企业高管可以进行较大数额的投资活动，从而获得更多的投资性收入，而这部分收入并不属于薪酬的范畴。 对于研究者而言，数据来源及其质量在某种程度上是无法完全控制的。因此，为了克服数据的缺陷，我们还需要针对具体的数据采用与之相适应的计量方法，从而增强估计结果的有效性。下面将着重讨论这个问题。 三、数据类型与计量方法的选择 薪酬数据的搜集只是进行问题分析的第一步，要想得出一个可靠而有效的结论，还必须将不同的数据类型与适当的计量方法相配合。如前所述，不同来源的数据都会存在一定的偏误，因此，可以通过计量方法的选择来尽量削弱数据缺陷对结果的影响。由于国内的许多研究没有将数据偏误对结果可能造成的影响进行深入、细致地探讨，因此常常忽略计量模型的选择，只是简单地采用OLS回归方法。 在Kato和Kubo（2006）中的数据结构为面板数据，因此可以使用面板数据的固定效应模型来省略掉那些不随时间变化的变量。这些变量包括企业高管的一些个人特征变量。面板数据的固定效应回归一方面可以精简模型；另一方面可以解决忽略变量对参数估计效率的影响。例如，在Kato和Kubo（2006）中使用的一个模型就是：△ln（APAY）i,t=α+βdDROAi,t+μi,t其中，因变量为企业高管年度现金薪酬的自然对数；而唯一的自变量是资产回报率。 如果只是一年的数据，则无法使用固定效应回归。Kato（1994）强调，“不是不愿意，而是因为无法使用固定效应模型进行回归”。在这种情况下，就必须加入一些变量来控制CEO个人特征的变化。因此，在这种情况下就无法使用“简洁”的模型。在Nakazato等（2006）中，由于只使用了2004年一年的数据，因此也无法采用面板数据的固定效应回归。为此，作者从高管个人特征、高管持股比例、股权结构以及董事会特征等方面加入控制变量。 对我们有较大启发的是作者在回归中采用了tobit模型。由于日本的相关法律规定了披露纳税人信息的最低纳税额。因此，纳税额低于该标准的企业高管薪酬就被“审查”（censor）掉了。虽然根据这个数据无法知道这些企业高管薪酬的具体数额。但是可以知道是在某一数额之下。为了从更广泛的数据来探究企业高管薪酬问题，使用tobit模型是必要的。作者认为“这是处理审查数据的标准技术。这个技术一方面可以避免样本选择的偏误，另一方面增加了回归分析中的观测样本数量”。 使用不同类型的被解释变量，应该采用不同的计量方法。Nakazato等（2006）在对其最初的结论进行稳健性检验的过程中，就使用了不同的回归形式。例如，将High Income TP哑变量（如果高管在2004年的纳税额超过10百万日元以上，则设定为1；否则为0）作为被解释变量则可以采用probit模型进行回归；将高管出现在纳税名单上的次数作为被解释变量则可以采用possion模型进行回归。 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。