高管团队背景特征、投资效率与企业绩效关系的实证研究

尉 颖，朱家明，陈宇翔

(安徽财经大学)

0 引言

企业高层管理团队作为企业的决策者和管理者，是企业珍贵的资源，拥有并保持一个高效稳定的优秀团队是企业获得竞争优势的关键所在.按照高阶梯队理论，具有不同年龄、任期、教育水平和性别比例等背景特征的管理者对企业活动有不同的影响作用.因此研究高管团队的背景特征与企业绩效的相关关系对企业的决策发展和人员的管理具有重要的战略意义.通过对以往的文献研究发现，高管团队背景特征对企业绩效具有直接并且显著的影响，但是认为高管个人背景特征与企业绩效可能并非是简单的直接相关，更有可能受到一些中间变量的作用.因此选取投资效率作为中间变量，通过对选取的样本数据进行研究分析，进一步探讨三者之间的关系.

1 文献综述

自20世纪80年代，国内外学者便对高管团队背景特征展开了深入的研究，企业绩效管理体系也逐渐趋于完整.1984年，美国的Hambrick与Mason两位教授首次提出的“高阶梯队理论” 认为拥有不同背景特征的管理者会具有不同的认知，做出的企业决策差异性明显，因此公司领导层需要对高层管理团队进行合理的构建，自此高管团队特征成了学者们研究讨论的热门话题[1].Jackson指出公司高管学历越高，越有利于企业做出正确的决策选择[2].Welboume通过调研发现，高管人员中女性的比例越高，企业绩效提高地越迅速[2].Christian等学者则认为高管团队的年龄与公司绩效呈负相关关系[3].

中国关于高管团队背景特征问题的研究起步较晚，直到20世纪90年代，理论界才开始涉足高管团队特征对企业财务绩效影响的研究领域.汪金龙等学者以中国高科技上市公司为样本，发现高管年龄与企业绩效负相关[4].孙立慰通过调查研究发现，高管的教育程度与企业绩效正相关[5].郑冲以上市公司为例，分析了高管背景特征对企业绩效的影响[6].王梅分析高管团队背景特征对会计信息披露质量的影响[7].

综上所述，学者们对高管背景特征和企业绩效之间的关系已经进行了深入地探讨，但是认为高管背景特征有可能不能直接影响企业绩效，外部环境可能会影响到二者之间的相关性，只有进行准确地投资，将项目成功转化为收益时，才会提高企业绩效.因此，该文假设投资效率具有传导作用，将其作为一个中介变量来探讨中国企业的高管背景特征对公司绩效的影响.

2 数据来源、变量选取与模型的构建

2.1 数据来源

该文选取2015～2019年A股上市公司为样本，剔除ST公司以及数据缺失的公司，最终得到1432家上市公司的观测样本，数据来源于国泰安数据库.该文研究的公司高管人员包括：总裁、副总裁董事、总经理、副总经理、财务总监.

2.2 变量选取

该文选取年龄(AGE)、教育水平(EDU)、任期(TIME)和性别(GEND)4个解释变量作为评价高管团队背景特征的4个指标，选取市净率(PBR)来反映投资效率的高低，市净率指的是每股股价与每股净资产的比率.一般来说，企业发行的股票的市净率越低，投资价值就越小，市净率越高，投资价值就越高.对于影响企业绩效财务指标的选择，采用总资产报酬率(ROA)来衡量企业的绩效，ROA是指在整个会计期间内，企业的所得利润和平均资产的比值，是企业盈利能力的重要体现.相较于资产负债率、存货周转率和权益报酬率来说，ROA对企业利润的波动更加敏感，能够更准确地反映盈利的稳健性和管理水平.同时为了便于更加直观地分析数据，分别对教育水平和性别进行了赋值和定义.表1为变量的相关定义.

表1 变量的相关定义

2.3 模型构建

先假设投资效率在高管背景特征与企业绩效之间存在传导作用，即高管背景特征→投资效率→企业绩效，假设关系模型如图1所示.为了更好地理解三者之间的关系，用Eviews分别建立以下2个模型.

(1)高管背景特征对投资效率的影响分析模型

PBRi,t=α0+α1AGE1,t+α2EDUi,t+α3TIMEi,t+α4GENDi,t+εi,t

(2)投资效率对企业绩效影响效果分析模型

ROAi,t=α0+α1PBRi,t+εi,t

其中，模型中的α0代表常数项；α1，α2，α3，α4分别代表相应指标的回归系数，PBRi,t代表第i家A股上市公司第t年的投资效率；AGEi,t代表第i家A股上市公司第t年的高管团队年龄；EDUi,t代表第i家A股上市公司第t年的高管团队教育水平；TIMEi,t代表第i家A股上市公司第t年的高管任期时长；GENDi,t代表第i家A股上市公司第t年的高管性别比例；ROAi,t代表第i家A股上市公司第t年的总资产报酬率；εi,t代表引入模型的随机误差项.

图1 高管团队背景特征、投资效率与企业绩效的关系模型

3 基于多元回归模型对三者关系的分析

3.1 研究思路

首先对回归模型进行平稳性检验，若数据平稳则继续使用Johansen协整检验对模型作进一步的验证，最后将数据及模型输入Eviews中，将得到的结果代入模型中，进行描述性统计分析.

3.2 平稳性检验

为了避免所建立的回归模型在经济意义上没有因果关系，即存在伪回归的情况，该文针对两种数据模型先进行平稳性检验.表2为采用LLC、IPS、ADF、PP等方法对两个模型进行平稳性检验的结果，Statistic1为EI是对第一个模型的检验结果，Statistic2是对第二个模型的检验结果，为了便于观察，将两种结果合并于一个表中.显然，每种模型的P值小于0.5，均拒绝原假设，因此两种模型都是平稳的，不存在单位根，可以继续建立计量经济模型.

表2 模型的平稳性检验结果

3.3 Johansen协整检验

针对变量之间是否存在长期的均衡关系这个问题，对变量进行协整检验.显然模型中不只存在一个变量，故对该模型进行Johansen协整检验.模型1检验结果见表3，在显著性水平为5%的条件下，由P值小于0.5可以判断，模型1最多存在三个协整关系.

模型2检验结果如图2所示，None假设的P值为0.0094，拒绝原假设，故两种模型中的变量都存在长期稳定的关系.综上所述，两个模型均通过了平稳性检验和协整检验，可以继续进行模型的构建.

表3 模型1的协整检验结果

图2 模型2的协整检验结果

4 实证结果及分析

4.1 简单描述性统计分析

表4是高管背景特征变量通过Execl处理过后的简单描述性统计结果，不难看出，在1432家上市公司中，高管的年龄范围是[24，85]，且大多数在40岁以上(平均值为46.52)，标准差为7.89说明高管人员的年龄相差较大；教育水平基本上在本科以上(平均值为3.29)，说明高管团队都接受了高等教育；任期时长大多数在40年以上(平均值为43.46)，最长任期达到了118年，且任期差异性明显(标准差为17.07)；性别均值为0.19，说明绝大多数为男性，女性仅占高管人员很少的一部分.

4.2 多元回归结果分析

将选取的样本数据代入回归模型中，在Eviews软件中输入相关程序，求解结果见表5.

表4 解释变量描述性统计

表5 高管团队背景特征和投资效率的回归结果

从表5中结果可以看出，高管团队的年龄和任期系数均为负数，且与投资效率呈显著的负相关关系.当高管团队的年龄越大，相对来说会比较保守，排斥有风险的投资，投资不足的情况可能越严重.高管团队的教育水平系数为0.0848，在1%的显著性水平下T值为3.8905，与投资效率显著正相关，认为高管团队的学历和教育水平越高，更容易做出正确的投资决策，有利于投资效率的提高.高管性别的系数为0.0035，T值为1.7587，在10%的显著性水平下性别对投资效率有显著的影响，与投资效率正相关，认为女性在处理问题和沟通上有独特的优势，更有利于进行高效率的投资.

同样，将投资效率和企业绩效的样本数据输入Eviews软件中，得到结果为投资效率的系数为0.071，在给定显著性水平为5%的条件下，与企业绩效显著正相关，通过检验(见表6)，与做出的假设一致.

表6 投资效率和企业绩效的回归结果

5 研究结论及启示

该文以投资效率作为中介变量，对高管团队背景特征、投资效率和企业绩效三者之间的关系进行了研究和分析.分析结果显示：教育水平和女性比例与投资效率呈显著的正相关关系，而年龄和任期与投资效率呈显著的负相关关系.并且投资效率在背景特征与企业绩效之间存在传导作用，即公司高管的背景特征先影响投资效率，进一步影响到企业绩效.

通过该文的研究还得到以下几点启示：首先，在选拔企业的高层管理人员时，应该注重高管的年龄特征.年轻的高管富有冒险精神同时喜欢接受挑战，具有更加高效的学习能力和应变能力，年龄较大的高管追求平稳性，容易使公司错失发展良机.当市场出现合适的投资机会时，年轻的高管更能把握住机会，愿意承担风险，调整适应外部环境，因此高管团队应当不断注入新鲜血液.其次，在学历方面，管理层人员的学历越高，越容易具有较高的素质和充分的知识储备，更容易作出准确的投资决策和选择.再次，企业应该适当吸纳女性进入管理层，形成合理的性别比例，女性其特有的优势有利于员工之间的沟通和合作，提高员工的积极性，提升公司整体运行效率.最后，企业生存和发展的关键在于有效准确的投资，为了提高企业的投资效率，企业应当建立完善的选拔制度，合理构建高层管理团队，注重高层管理人员人才的选拔，打造背景多样化的团队.