上市公司治理風險預警研究

　　【摘要】 文章在借鑒前人研究成果的基礎上，從股權結構、股東大會、董事會、監事會、經理層以及其他風險傾向六個維度構建了上市公司治理風險預警指標體系，借助配對T檢驗法進一步篩選，并運用生存分析中的時依協變量的COX模型進行公司治理風險預警研究。
　　【關鍵詞】 公司治理風險；時依協變量； COX回歸
　　
　　一、引言
　　
　　公司治理風險是指公司治理制度設計不合理或運行機制不健全給公司持續經營帶來的不穩定性及對公司總價值的影響，從而對投資者的利益產生威脅。這種威脅體現在多方面，單純的某一個風險往往有一定的潛伏期，產生的威脅是有限的，甚至是不被察覺的，但眾多風險的相互作用逐步積累，最終可能導致危機的總爆發，使企業陷入治理困境，進而影響到企業的生存發展。
　　近年來，無論是全球性金融危機的爆發還是眾多上市公司丑聞都凸顯了公司治理風險，對公司治理風險進行評價、監控，及早發出預警信號，已經成為國內外專家學者研究的重要課題。
　　
　　二、文獻綜述
　　
　　國外的部分學者和研究機構在20世紀90年代初就展開了對公司治理風險的研究。1992年COSO下屬的杜德威委員會提出了一份關于內部控制的整體框架報告，涉及控制環境、風險評估、控制措施、信息搜集、監控等環節，其中就包括對公司治理風險的評估監控問題，但其具體的操作過程是問卷的形式，也沒有對公司治理風險的內容進行具體描述；斯洛伐克科希策工業大學經濟學院的Vincent Soltes和Vladimir Penjak（2001），對問卷表進行完善，把單純的回答“是”或“否”改進為回答每項調查項目發生的可能性，并將風險劃分為很高、高、中等、低四個等級；Bernard Black （2001）利用該機構對俄羅斯16家公司的治理指數評級與公司價值進行回歸分析，得出公司治理風險的等級與公司價值存在正相關關系。German Creamer 和Yoav Freund（2005）介紹了如何用boosting方法評估公司治理風險，并以在美國上市的屬拉美地區的外國公司的數據資料為背景，分別用邏輯回歸、bagging& forest、分析樹等方法建立了預測公司績效的模型，并進一步提出可以通過預測公司的托賓Q值大小來預測公司治理風險，通過比較誤判率得出Adboost模型的預測效果最佳。
　　最近幾年，國內學者越來越重視對公司治理風險的研究。國內較早研究公司治理風險問題的是李維安教授，他率領團隊編制公司治理指數，并對中國上市公司治理指數與治理績效的關系進行實證分析；李維安和謝永珍（2007）基于系統思維視角界定了公司治理風險的內涵，并從六個維度，建立公司治理風險預警指標體系，采用基于主成分的二元logistic回歸模型對公司治理風險進行預警；劉紅霞（2005）就董事會對經理層的治理風險概念進行了界定，并運用主成分分析法構建了預警模型；劉騰（2007）從股東會治理角度界定了股東會治理風險，并對股東層治理風險與公司績效的相關性進行了研究；宋光磊，劉紅霞（2010）基于固定協變量的COX模型對董事會治理風險進行預警研究。
　　 綜上，國內外學者大多運用邏輯回歸、主成分分析、固定協變量的COX模型等靜態的模型對公司治理風險的預警進行研究，并取得一定進展，本文嘗試從動態的角度運用時依協變量的COX模型進行公司治理風險預警研究。
　　
　　三、公司治理風險預警指標體系構建
　　
　　基于公司治理風險的內涵，借鑒前人的研究成果，本文構建了公司治理風險預警指標體系，見表1：
　　
　　四、實證過程及結果
　　
　　（一）模型構建
　　生存分析在工程、醫學和生物學等領域已經是一個發展相當完善的統計分支，但是它在金融和經濟學領域的應用則起步相對較晚。COX回歸是生存分析中最重要的方法之一，由英國統計學家COX提出。COX回歸模型不直接考察生存函數與協變量的關系，而用風險率h（t，x）作為因變量進行研究。
　　本文采用生存分析中“帶時依協變量”的COX模型對公司治理數據進行分析。由于國內對于時依變量（time-dependent covariable）的COX模型的研究和介紹較少，故作如下介紹。
　　傳統生存分析中的COX比例風險模型一般形式為：h（t，X）=h0（t）exp（βX）。它分為三個部分，一個是h（t，X），表示具有協變量X的個體在t時刻的風險率函數，又稱瞬時死亡率。一個是h0（t），表示基線風險率，是所有危險因素為0時的基礎風險率，它是未知的；再一個是exp（βX），其中X為協變量，可以通過回歸分析找出其系數β。
　　模型假定協變量X是不隨時間改變而改變。而在現實情形中，筆者認為，企業遇到治理困境的原因可以歸結為兩方面，一方面為市場的宏觀因素，這一因素筆者可以假定在一定時期內是穩定的，表現為模型中的因素效應即系數β不變；另一方面是企業的微觀經營管理狀況。從公司治理角度看，若假設企業的治理數據不隨時間變動顯然是不合適的，而且筆者正是利用治理數據的這些變動的性質嘗試著去尋找它和企業治理困境的關系，所以引進含時依協變量的COX模型，該模型允許協變量隨時間變動，即h（t，X）=h0（t）exp（βX（t））。其中X（t）隨時間變化，而β在研究期內不變，這個模型們稱之為效應不變的時依變量COX模型，其一般形式為：
　　由于因素的效應不變，仍可采用通常的COX模型處理，不同之處是在計算時每個試點分別采用相應變量的當時值，難以用傳統的遞推算法。這里用SPSS13.0里面的計算程序解決這個計算問題。
　　（二）樣本選擇及變量篩選
　　1.樣本選取
　　本文研究樣本的選取基于以下考慮：（1）將是否因“治理狀況異常”而特別處理（以下均簡稱ST）的A股上市公司作為公司治理困境的界定標準。一是因為A股上市公司執行國內的會計準則和會計制度。二是ST的A股上市公司治理困境特征比較明顯。（2） 由于在實證研究中要考慮生存時間問題，因此選擇的上市公司是至少上市三年并于2004年以前就上市的，選取的樣本時間段為2004—2009年，從滬市A股中選取300家符合上述條件的企業樣本數據，其中首次ST企業數量為:2004年15家，2005年15家，2006年20家，2007年25家，2008年20家，2009年15家。為更好地分析COX模型預測效果，將2004—2009年樣本數據分為估計樣本和預測樣本兩類。其中，2004—2006年的數據作為估計樣本，2007—2009年的數據作為預測樣本，對應ST公司的生存時間就是一年，兩年，三年，其余非ST公司樣本數據都為右刪失數據。需要強調的是，運用COX模型在估計樣本的構造中，不需要對治理困境上市公司和非治理困境上市公司進行配對；而在預測樣本的構造中，將采用常用的配對方法，針對2007年、2008年、2009年的ST公司樣本，選取相同行業，資產規模接近，每股盈利較好的上市公司（以下均簡稱FST）60家為所選ST公司配對。所使用的數據主要來源于國泰安數據庫（http://www.gtarsc.com/）、色諾芬數據庫（http://www.ccerdata.com）。最后構造的樣本狀況見表2。
　　2.變量篩選
　　根據所選取的2007—2009年的60對配對樣本，對表1中的指標進行配對T檢驗，保留通過檢驗的指標，剔除未通過統計檢驗的指標，25個初始變量中只有前五大股東持股比例之和等14個變量通過顯著性檢驗。模型中的變量設定見表3。
　　
　　（三）實證過程及結果
　　1.COX模型的參數估計。在構建COX模型進行估計分析時，采用SPSS13.0統計軟件中“Survival”分析的“COX w/Time-Dep Cov”過程，以逐步回歸方法對選出的14個協變量進行參數估計。具體的做法是，先把全部變量引入COX模型，然后以最大局部似然為基礎做似然比概率檢驗，從而逐步剔除未通過顯著性檢驗的自變量，回歸結果見表4、表5。
　　從回歸結果可以看出，只有X1（前五大股東持股比例之和）、X4（關聯擔保金額與公司凈資產之比）、X5（關聯控股股東占用資金與公司總資產之比）、X6（年度內董事會的會議次數）、X7（董事持股比例）、X9（高管人員總報酬）、X10（年度報告是否被出具非標準意見或者被公開批評）、X13（凈資產收益率）等八個協變量保留在COX模型，其中，X1、X6、X7、X9、X13等五個變量與公司陷入治理困境的可能性負相關；X4、X5、X10等三個變量與公司陷入治理困境的可能性正相關；這與我們通常的認識是一致的。將估計的結果代入式（1），可得到COX危險率函數模型：
　　h（t，X（t））=h0（t）exp［-0.020X1（t）+0.546X4（t）+1.785X5（t）-
　　4.863X6（t）-2.483X7（t）-0.356X9（t）+0.245X10（t）-0.013X13（t）］
　　變形后得：
　　RH（t）=h（t，X（t））/h0t=exp［-0.020X1（t）+0.546X4（t）+1.785X5（t）
　　-4.863X6（t）-2.483X7（t）-0.356X9（t）+0.245X10（t）-0.013X13（t）］
　　RH（t）被描述為t時刻，相對于基線風險率的相對風險度。在t時刻，在知道各協變量值時，就可以算出t時刻企業相對于基線風險率的相對風險（被ST）度。
　　2.預測分析。在用COX模型預測時，需要事先規定一個判別值，當模型預測的生存概率小于該判別值時，就可以預測企業會陷入治理困境；反之，可以預測企業不會陷入治理困境。選擇預測樣本中生存時間為一年、兩年和三年的企業樣本數量與樣本總量的比率作為判別值，最終的預測結果見表5。
　　從表5的結果可以看出，在提前一年的預測中，準確率都達到了85%以上，提前二年和提前三年的預測結果，準確率也都在65%以上；因此，這個結果反映出本模型具有較好的預測能力，但是與其他預測模型一樣，COX模型在預測中也存在著隨著時間提前量的增大而預測準確率下降的缺點。
　　
　　五、結論
　　
　　作為一種預測企業治理風險的新方法，生存分析COX模型較好地解決了傳統橫截面統計模型的缺陷。由前面的分析可以看到：以生存分析模型——時依協變量COX模型為基礎的企業治理困境預測模型，能夠在一年前較好地預測企業治理困境的發生；而且該模型具有可以使用時間序列連續預測的特點。●
　　
　　【參考文獻】
　　［1］ Vincent Soltes， Vladimir Penjak， A Structured Approach to Risk Assessment Using Fuzzy Logic［J/OL］， Rocnik9，2001（5）:35-36.
　　［2］ Bernard Black， The Corporate Governance Behavior and Market Value of Russian Firms［J］. Emerging Market Review， 2001（2）:89-108.
　　［3］ German Creamer， Yoav Freund， Predicting Performance and Quantifying Corporate Governance Risk for LATIN American ADRS and Banks. Working paper series，2005:1-11.
　　［4］ 李維安.中國上市公司治理指數與治理績效的實證分析［J］.管理世界，2004（2）:63-74.
　　［5］ 李維安，謝永珍. 上市公司治理風險預警指標體系的理論分析與實際驗證［C］. 第四屆南開大學公司治理國際研討會論文集，2007.
　　［6］ 劉紅霞.董事會對經理層治理風險預警模型構建研究［J］.現代財經，200525（12）:42-46.
　　［7］ 宋光磊，劉紅霞.董事會治理風險預警研究——COX模型的構建［J］.山西財經大學學報，2010（4）.
　　［8］ 劉騰.股東層治理風險與公司績效的相關性研究［J］.財經界，2007（1）.