Page 50 - 《北京工商大学学报(社会科学版)》2020年第1期
P. 50

北京工商大学学报(社会科学版)摇 摇 摇 摇 2020 年摇 第 1 期

   GEO 的系数为负但不显著,且系数绝对值明显小                         主要是通过抑制办公费、差旅费和业务招待费这
   于以 PERK2 为因变量时,由此可见本地独立董事                       三项费用来降低企业高管在职消费 。
                                                                                   淤
                             表 10摇 本地独立董事与高管在职消费:双重差分法

                                                         PERK
           变量                        (1)GEOR                             (2)GEON
                              系数                T 值               系数                T 值
           GEO              - 0郾 000 9 *       - 1郾 693 2        - 0郾 000 2        - 1郾 299 2
        GEO 伊 Y2013         - 0郾 000 4         - 0郾 592 8        - 0郾 000 1        - 0郾 940 6
           Y2013            - 0郾 000 5         - 1郾 0927         - 0郾 000 4        - 0郾 851 1
           SIZE             - 0郾 001 3 ***    - 10郾 914 3        - 0郾 001 3  ***  - 10郾 929 9
            LEV             - 0郾 005 0 ***     - 6郾 124 7        - 0郾 005 0  ***   - 6郾 117 3
           FIRST            - 0郾 002 2 ***     - 2郾 872 1        - 0郾 002 2  ***   - 2郾 892 6
          INDEP             - 0郾 001 6         - 0郾 869 4        - 0郾 000 1        - 0郾 070 8
          BOARD              0郾 000 0           0郾 005 3          0郾 000 6          0郾 961 5
           DUAL              0郾 000 9 **        2郾 093 4          0郾 000 9  **      2郾 095 6
           LISTY            - 0郾 000 1 ***     - 3郾 587 8        - 0郾 000 1  ***   - 3郾 600 9
           SALA              0郾 000 6 ***       3郾 144 1          0郾 000 6  ***     3郾 159 6
           ROA              - 0郾 008 1 **      - 2郾 555 4        - 0郾 008 2  **    - 2郾 571 1
           GROW              0郾 000 1           0郾 513 2          0郾 000 1          0郾 526 7
           AGE               0郾 000 0           0郾 224 3          0郾 000 0          0郾 193 7
           EDU               0郾 000 2           1郾 081 6          0郾 000 2          1郾 123 5
           SEX               0郾 001 5 ***       2郾 597 0          0郾 001 5  **      2郾 534 2
          常数项                0郾 033 3 ***       8郾 239 8          0郾 031 1  ***     7郾 849 6
        YEAR\INDUS                      是                                   是
                2
         调整后 R                        0郾 147 9                            0郾 147 7
          样本量                          5 489                               5 489
           、 、 分别表示在 1% 、5% 和 10% 水平上显著;所有的 T 值经过年度和个体 Cluster 调整。
   摇 摇 注:  *** ** *
       五、进一步研究                                           茁 SEX + 移 YEAR + 移 INDUS + 着
                                                           13                               (6)
       本地独立董事监督功能的发挥会提高企业经
                                                       其中,本文使用了当期总资产收益率来衡量
   营绩效,但是其中的影响途径和机理长期以来缺
                                                   企业经营绩效 ROA。 在模型(6) 基础上,放入高
   乏深入的实证研究。 由此而自然引发的一个有趣
                                                   管在职消费变量 PERK,构建如下的模型(7)。 若
   命题在于本地独立董事既然可以抑制高管在职消
                                                   模型(7)中本地独立董事 GEO 的系数相较于模型
   费,而高管在职消费作为代理成本的一部分又会
                                                   (6)有所下降、且系数仍然显著,则说明高管在职
   降低企业经营绩效,那么也许高管在职消费可能
                                                   消费 PERK 在本地独立董事 GEO 影响企业绩效
   在本地独立董事提升企业经营绩效的过程中扮演
                                                   ROA 的过程中发挥了部分中介作用。
   着重要的中介作用。 为了检验高管在职消费在本
                                                    ROA = 茁 + 茁 GEO + 茁 PERK + 茁 SIZE + 茁 LEV +
   地独立董事提高国有企业经营绩效过程中的中介                                   0   1       2        3       4
   作用,本文构建本地独立董事 GEO 影响企业经营                           茁 FIRST + 茁 INDEP + 茁 BOARD + 茁 DUAL +
                                                       5
                                                                6
                                                                                     8
                                                                          7
                                                       茁 LISTY + 茁 SALA + 茁 GROW + 茁 AGE +
   绩效 ROA 的模型(6):                                       9        10       11        12
                                                     茁 EDU + 茁 SEX + 移 YEAR + 移 INDUS + 着
    ROA = 茁 + 茁 GEO + 茁 SIZE + 茁 LEV + 茁 FIRST +      13       14
          0   1       2        3      4
      茁 INDEP + 茁 BOARD + 茁 DUAL + 茁 LISTY +                                                (7)
       5         6         7        8
       茁 SALA + 茁 GROW + 茁 AGE + 茁 EDU +           摇 摇 详细的多元回归分析结果如表 11 所示,Pan鄄
        9        10        11      12
    · 4 6 ·
   45   46   47   48   49   50   51   52   53   54   55