空气污染与高管流动研究——基于秦岭—淮河线的断点回归设计

杨金玉

一、引 言

2019年《中国生态环境状况公报》显示，全国337个地级及以上城市中有180个城市空气质量超标，其占比为53.4%；337个城市发生重度污染1666天次，发生严重污染452天次，以PM2.5为首要污染物的天数占重度及以上污染天数的78.8%。2020年全球环境绩效指数(Environmental Performance Index，EPI)排名中，中国空气质量指数在180个国家和地区中排在第137位。空气污染给居民健康带来了严重威胁，并制约了经济的高质量发展，长期以来受到相关部门和学者们的高度重视(黎文靖和郑曼妮，2016；石庆玲等，2016；陈强等，2017)。

与此相关的早期研究主要关注经济增长造成的污染问题(Peng和Bao，2006；符淼和黄灼明，2008)。之后，越来越多的学者指出环境污染也会反向抑制经济增长(Weuve等，2012；Chen等，2013；陈硕和陈婷，2014)。随着环境立法和相关政策的出台，也有学者关注于相关立法对空气质量的改善和经济增长、资源配置效率的影响(陈诗一和陈登科，2018；李蕾蕾和盛丹，2018)。总的来讲，空气污染和经济增长相关研究集中于宏观政策(例如环境立法、环境规制)对宏观经济实体(例如国家、地区经济增长)影响的探讨，较少有研究探讨空气污染对微观个体行为决策和生产绩效的影响(Higdon等，2015；Chang等，2016；罗勇根等，2019)。

在现实的经济运行中，空气污染可能对区域高级人才和人力资本的流动带来重要影响。本文关注于空气污染对企业高管流动的影响。理论上，空气污染将对个体的健康和情绪带来严重的威胁。对于高管来讲，作为较高收入群体，高管更加看重生活的质量与品质。当空气污染对自身的健康和情绪等造成影响时，将促使高管选择离职。同时，高管个体、企业和所处的外部环境因素也将对上述关系产生直接或者间接的影响。以高管能力为例，在面临同等严重的空气污染时，能力较强的高管在劳动力市场中具有更强的竞争优势，易于获取相当或者更好的工作岗位，其流动性也将随之增加。此外，企业及其所处外部环境因素也会对高管流动决策产生影响(宗文龙等，2013；饶品贵和徐子慧，2017)。

基于上述背景，结合高管简历和中国地级市的空气质量指数(AQI)数据，本文以秦岭—淮河线(供暖分界线)作为南北空气质量差异的“断点”，使用断点回归设计(RDD)检验空气污染对高管流动的影响。

本文可能的研究贡献主要有以下三个方面。

第一，拓展了与空气污染及其经济后果相关的研究领域。当前，与空气污染及其经济后果相关的研究主要集中于宏观层面的国家政策、地区环境政策对经济增长的影响(陈诗一和陈登科，2018；李蕾蕾和盛丹，2018)，鲜有探讨空气污染对微观层面的影响(Chen等，2017；Dehaan等，2017；罗勇根等，2019)。本研究从高管个体角度，探讨了空气污染对高管流动可能性的影响，并发现空气污染促进了高管流动，从而可能造成企业和区域高级人力资本的流失与错配。同时，本研究也有助于理解空气污染治理的重要作用，对进一步提高环境治理能力，实现经济与环境的和谐共生，具有一定的借鉴意义。

第二，将空气污染这一地区层面因素纳入对高管流动的分析框架中，检验空气污染对高管流动的影响。具体而言，鉴于高管对企业的重要性，现有较多的研究探讨了高管流动及其影响因素，主要聚焦于高管个体特征和企业层面因素(黄继承和盛明泉，2013；周林洁和邱汛，2013)，较少从高管所在的空间特征进行分析。基于中国空气污染的经济环境背景，本文以空气污染这一地区层面因素为视角，为高管流动领域的研究提供了更为丰富的实证证据。同时，本研究对空间经济学的相关研究也有所贡献，即除了个体所在城市的规模、天气和日照等空间地理特征会影响企业高管决策行为外(Chen等，2017；Dehaan等，2017)，空气污染也被纳入个体行为决策的重要因素之中。

第三，在一定程度上解决了当前高管流动的内生性问题。在相关研究中，对空气污染影响高管流动的内生性因素鲜有涉及。本文参考Chen等(2013)的研究，以秦岭—淮河线作为南北空气质量差异的断点，采用断点回归方法(RD)来检验空气污染对高管流动的影响，能够更好地识别出空气质量对高管流动的影响。

本文剩余部分结构如下：第二部分为理论分析与研究假设；第三部分为研究设计，包括数据来源、变量测量以及实证模型；第四部分是实证结果分析；第五部分为进一步分析，对主要的影响机制进行探讨；第六部分是稳健性检验；第七部分总结全文并提出相关启示。

二、理论分析与研究假设

高管作为企业的管理者和决策者，其流入和流出都将对企业关键性和战略性资源产生重要影响，受到学者们的广泛关注(Messersmith等，2013；Bermiss和Murmann，2015)。现有研究主要集中于对高管个体特征和企业层面两方面的探讨。从个体特征来看，黄继承和盛明泉(2013)的研究表明高管变更事件的宣告效应与其背景特征呈现显著相关性；王锟和李伟(2012)指出高管的从政背景能够显著弱化高管的离职可能性与业绩水平的负相关关系。从企业层面来看，大部分研究证实了高管流动与公司业绩负相关(刘青松和肖星，2015)，另外也有研究指出企业的产权性质(周林洁和邱汛，2013)、公司的股权结构(赵震宇等，2007)等也将对高管流动产生影响。此外，也有研究关注于高管所处的外部环境对其流动的影响。例如，饶品贵和徐子慧(2017)指出，经济政策不确定性影响了高管变更，继任高管更有可能从内部选聘。

总体而言，相关研究集中于对企业或高管个体特征差异的探讨，较少有研究从地区层面探讨高管流动的影响因素，例如地区环境差异是否会影响到高管流动的可能性，等等。这方面已开始受到学者们的关注，并有学者指出环境对人口流动会产生重要作用，区域因素是影响人力资本流动和经济资源配置的重要因素(Chen等，2017；Dehaan等，2017；陆铭，2017；罗勇根等，2019)。

不同于以往的研究，本文提出，空气污染通过直接影响个体的健康、工作效率和生产率而影响个体的情绪和内在动机，继而提高了高管流动的可能性。其具体包括以下方面。

首先，空气污染直接影响到个体健康，进而影响其流动决策。大量医学方面的文献表明，空气污染会直接进入人体，阻碍正常的血液循环，引发呼吸系统等相关疾病，严重损害个体的健康状况甚至缩短寿命(Laden等，2000；Peel等，2005)。Chen等(2013)以秦岭—淮河供暖线作为南北空气质量高低的断点，使用断点回归分析了空气污染对预期寿命的影响，得出了空气高浓度的总悬浮颗粒物平均减少个体寿命超过5年的结论；陈硕和陈婷(2014)发现二氧化硫浓度每增加1%，每一万人中死于呼吸系统疾病或肺癌的人数分别增加0.055和0.005。由此可见，空气污染会对身体健康甚至寿命造成不利影响。这种不利影响又可能会促使高管选择离开空气污染较严重的地区，前往空气质量更好的城市以规避空气污染对其健康带来的影响。

其次，空气污染影响个体的人力资本输出，在减少劳动力供给的同时，降低工作效率及生产率。例如Higdon等(2015)探讨了墨西哥城一家大型炼油厂对外界的污染如何影响劳动力供给，结果表明，二氧化硫每增加1%会导致当地居民下一周的工作时间将减少0.43%～0.67%；而当炼油厂关闭后，当地SO2浓度平均下降19.7%，促使周围居民每周的工作小时数增加3.5%。对于高管而言，工作效率和工作能力的下降可能带来对工作“不满意”的感知；同时，高管工作效率的低下也可能意味着工作绩效的下降，增加了其被解雇的可能性，这两方面都促使了高管的流动。

最后，空气污染可能使个体产生消极情绪，继而造成其离职行为。Dehaan等(2017)研究结果表明，恶劣的天气导致股票分析师对收益回报的反应变得迟钝，甚至无法做出回应。Bassi等(2013)的研究表明，天气会影响到个体的决策，良好的天气(阳光)增加了金融市场中个体采取高风险投资行为的可能性。Chen等(2017)发现，阴天天气会使企业高管产生较为严重的负面情绪，企业避税的可能性也随之增加。相较于短期的天气变化所造成的情绪变化，长期空气污染对个体及高管所带来的负面情绪将更显突出，对工作现状的忧虑和厌倦将增加高管离职的可能性。

据此，本文提出如下假设。

研究假设：在其他条件不变的情况下，空气污染越严重的地区，高管流动的可能性越大。

三、样本选择与模型设定

（一）样本选择

本文样本数据主要来源于以下三个途径：(1)中华人民共和国生态环境部(原环境保护部)公布的全国城市空气质量日报；(2)国泰安(CSMAR)数据库；(3)中华人民共和国国家统计局统计年鉴。

首先，参考黎文靖和郑曼妮(2016)、罗勇根等(2019)等人的研究，本文从生态环境部公布的全国城市空气质量日报获取了个体所在城市的空气质量指数(Air Quality Index，AQI)。其次，高管简历数据来自国泰安(CSMAR)数据库。通过对简历的整理，本研究获取了2007—2017年间439246份高管简历，包括证券代码、统计日期、职位类别、高管工作经历等详细信息。值得一提的是，根据国泰安数据库中高管简历信息，本文以高管团队成员作为研究的样本，而在数据分析中，是否剔除非高管团队成员的样本对回归结果和显著性没有影响。企业层面的控制变量来源于国泰安(CSMAR)数据库，区域层面控制变量来源于中国国家统计局。最后，参考宗文龙等(2013)、饶品贵和徐子慧(2017)的研究，本研究按以下标准对样本做筛选与处理：剔除金融行业，因为这些企业的资产特性与其他企业存在较大差异；剔除了所有“ST”企业，因为这些企业的财务数据可能存在异常；剔除相关数据缺失的样本。同时，为了消除极端值的影响，本研究对所有的连续控制变量进行了1%和99%的Winsorize处理。本文的研究样本涉及2007—2017年期间47637位高管，共计179393个个体年度观测样本。

（二）变量测量

(1) 空气质量指数(AQI)。参考黎文靖和郑曼妮(2016)、罗勇根等(2019)的研究，本文以空气质量指数(AQI)作为空气污染的衡量指标。空气质量等级按照AQI的大小来进行划分，AQI值越大，表明空气污染越严重，本文对空气质量指数取自然对数。

(2) 高管流动(Flow)。若高管当年发生跨城市流动则取值为1，未发生流动或者同城市流动则为0。同时，根据高管流动前后城市空气质量指数的差异，区分了高管流动的方向变量，Flow_up表示高管流向空气质量较好的城市，此时Flow_up取值为1，否则为0；Flow_down表示高管流向空气质量更差的城市，此时Flow_down取值为1，否则为0。

(3) 控制变量。本文还加入了高管个体、企业和城市三个层面的控制变量。具体而言，参考Custódio等(2013)和赵子夜等(2018)的研究，个体层面的控制变量包括高管能力结构指数(GAI)、性别(Sex)、年龄(Age)、高管职务类别(CEO)、任期(Tenure)、高管年末持股数(SharEnd)、薪酬(Salary)；企业层面的控制变量包括企业规模(Size)、产权性质(SOE)、企业年龄(Firm_age)、企业绩效(Performance)；城市层面的控制变量包括所在城市居民消费价格指数(CityCPI)、所在城市GDP增长率(CityGDP)和所在城市人均GDP(GDP_avg)。

此外，为了消除不可观测变量对本文结果的影响，参照Dehaan 等(2017)的研究，在回归中还控制了年份(Year)、城市(City)和行业(Industry)的固定效应，并采用Robust估计，在城市层面进行集群(Cluster)处理。具体的变量定义如表1所示。

（三）研究模型

参考Chen等(2013)的研究，本文将秦岭—淮河线(供暖分界线)作为南北空气质量差异的断点，采用断点回归方法(RD)来检验空气污染对高管流动可能性的影响①本文从谷歌地图上获取了秦岭—淮河线及各个城市的纬度，当城市位于秦岭—淮河线以北时视作北方城市，即属于供暖城市，城市区域(Side)取值为1，反之为0。。

具体而言，本文采用2SLS方法进行参数估计，首先检验了秦岭—淮河线是否导致了南北两侧空气污染和高管流动的不连续变化，模型如下：

模型中，AQI是城市当年的空气质量指数；Sidej,t作为虚拟变量，表示城市j是位于秦岭—淮河线的南侧还是北侧，位于北侧取值为1，南侧则取值为0；Flow表示高管流动指标；Control是一系列控制变量；Year、City和Industry分别是年份、城市和行业的固定效应；ε是模型误差项。模型(1)目的在于检验秦岭—淮河线是否导致了南北两侧空气污染的不连续变化。模型(2)目的在于检验秦岭—淮河线是否导致了南北两侧高管流动可能性的不连续变化。在此基础上，本文构建了2SLS第二阶段模型：

四、实证分析

（一）描述性统计

1. 描述性统计表格

表2列出了主要变量的描述性统计。在描述性统计中，高管流动均值为0.0310，方差为0.1759，表明不同高管流动可能性呈现一定的差异性。空气质量指数(AQI)均值为4.4014，方差为0.3148，与黎文靖和郑曼妮(2016)的研究基本一致。高管的能力结构指数(GAI)均值为-0.0378，方差为0.8454，与赵子夜等(2018)的研究基本一致。企业层面的控制变量如ROA、资产负债率(Lev)等与已有研究基本一致。同时，本文还对所有自变量进行了方差膨胀因子检验，VIF最大值为4.75，表明变量间不存在严重的共线性干扰。

表2 描述性统计

2. 秦岭—淮河线的局部平均处理效应

在使用断点回归前，本文先估计了秦岭—淮河线对南北两侧空气污染以及高管流动的局部平均处理效应，如图1和图2所示。从图1中可以看出，秦岭—淮河断点线空气污染呈现较为明显的上升态势，局部平均处理效应为0.08(4.59－4.51)。从图2中可以看出，秦岭—淮河断点线高管流动同样呈现上升态势，平均处理效应为0.005(0.032－0.027)。以上结果表明，主要考察变量在断点两侧均呈现非连续性的变化。

图1 秦岭—淮河线与两侧空气质量

图2 秦岭—淮河线与两侧高管流动

（二）RD回归结果

表3 空气污染与高管流动

表4 空气污染与高管流动方向

续表3

续表4

五、进一步分析

（一）边界影响因素检验

本文从高管个体、企业和外部环境三个层面检验了空气污染影响高管流动的间接影响因素。具体而言，在高管个体层面关注高管能力，在企业层面关注薪酬补偿和股权补偿，在外部环境层面关注经济政策不确定性指数。

1. 高管能力的调节作用

空气污染对高管流动可能性的影响可能受到高管能力的影响。这是因为，在其他条件相同的情况下，高管的能力越强，在劳动力市场和岗位竞争中优势越明显，从而更易于获取相当或者更好的工作岗位。因此，在其他条件不变的情况下，能力越强的高管在面对高强度的空气污染时流动可能性也将越高。

鉴于此，参考Custódio等(2013)和赵子夜等(2018)的研究，本文对高管的能力进行了估计。同时，参照Demerjian等(2012)的方法，本文采用数据包络分析法(DEA)估计管理者能力作为稳健性检验指标。主要构建思路分为两个步骤：第一步先确认投入产出模型，以公司主营业务收入作为投入指标，用公司的主营业务成本、销售与管理费用之和、固定资产净值、无形资产和企业商誉等作为产出指标，采用DEA方法分行业计算每一家公司的运营效率(Firm Efficiency)；第二步运用Tobit模型分年度分行业将公司特征与公司的运营效率进行回归，从而分离出由企业特征所产生的效率以及由管理者能力所带来的效率，回归的残差即为管理者能力的代理变量(Capability)。

其回归结果如表5所示。从其中可以看出，交互项系数分别为0.1851和0.1525，分别在1%和5%水平上与高管流动可能性显著正相关，与预期相一致。

表5 空气污染、高管能力与高管流动

2. 薪酬和股权补偿的作用机制

前文分析表明，空气污染显著增加了高管流动的可能性。从成本效用角度来看，高管流动决策本质上是比较成本与预期效用的结果(Tiebout，1956)。从这方面来讲，空气污染给高管增加了健康和负面情绪等成本，如果给予适当或额外的补偿，也可能降低个体成本损失感知程度，继而影响高管流动决策(宗文龙等，2013)。因此，本文进一步分析薪酬和股权两类补偿机制对高管流动可能性的影响。

表6 薪酬和股权补偿的作用机制

3. 经济政策不确定性的作用机制

从外部环境来看，当外界经济政策不确定性程度较高时，高管对流动后的效用水平具有不确定或者消极的预期；同时，在经济政策不确定性较高时，高管流动可能会导致企业潜在成本和风险上升(饶品贵和徐子慧，2017)，企业可能通过多种方法以留住高管。因此，经济不确定性将对空气污染与高管流动可能性之间的关系产生影响。鉴于此，本文进一步探讨了经济政策不确定性对上述关系的影响。

本文经济政策不确定性指标(Economic Policy Uncertainty，EPU)来源于Baker等(2016)开发编制的中国经济政策不确定性指数，其数据从1995年1月开始逐月更新。参考饶品贵和徐子慧(2017)等人的研究，本文将1995年1月的指数标准化为100，并以此计算随后每个月的指数。随后，构建两个指标来测量经济政策不确定性：EPU是每年的月度数据均值除以100；DEPU是在EPU基础上按照时间序列分组，当EPU大于中位数时视作高经济政策不确定性，DEPU赋值为1，反之赋值为0。其回归结果如表7所示。表7中，交互项系数为-0.7993和-0.2825，分别在1%和5%水平上与高管流动可能性(Flow)显著负相关，表明经济政策不确定性指标在空气污染和高管流动可能性之间起到负向调节作用。

表7 空气污染、经济政策不确定性与高管流动

续表7

（二）空气污染与高管流动类型

（三）空气污染、企业性质与高管流动

表8 空气污染、企业性质和高管流动

（四）不同污染物与高管流动

不同的污染物类型对高管流动可能性具有差异化的影响。参考罗勇根等(2019)的研究，本文以空气污染中二氧化硫(SO2)、可吸入颗粒物(PM10和PM2.5)和一氧化碳(CO)为例，分析了这四类不同的污染物对高管流动的影响，回归结果如表9所示。其中，第(1)列至第(4)列为单一污染物(即PM10、SO2、PM2.5和CO)对高管流动的影响。整体而言，不同污染物均提高了企业高管流动的可能性。第(5)列是同时加入四种不同污染物的回归结果，从系数及显著性可以看出，细微颗粒物(PM10和PM2.5)对高管流动可能性的影响更大。

表9 不同污染物类型与高管流动

六、稳健性检验

（一）RD估计有效性检验

RD估计的有效性需满足两个前提假设：一是样本在驱动变量附近是随机的；二是除了考察变量外，其他变量在断点附近不存在明显“跳跃”。鉴于此，本文做了两方面的检验。首先，研究统计了每一纬度上高管观测值的数量①由于直接高管观测值数量频数统计较为分散，本文统一对高管观测值频数取了自然对数。，如图3所示。从图3中可以看出，样本的选取在断点附近并没有出现明显的“跳跃”，驱动变量的选取服从随机分布，满足第一个条件。其次，参考刘行等(2017)的研究，本文采用非参数断点估计的方法对控制变量进行检验，结果如表10所示。整体而言，控制变量的参数估计系数基本不显著，表明其他控制变量在断点附近不存在明显“跳跃”，满足第二个条件。因此，使用RD估计的结果是有效的。

图3 秦岭—淮河断点线两侧高管观测频数分布

表10 控制变量在断点两侧的连续性检验

（二）最优带宽及稳健性检验

表11 最优带宽及多项式检验

七、结论与讨论

本文考察了空气污染对高管流动可能性的影响。本研究结果表明，空气污染提高了高管流动的可能性，高管更有可能向空气质量更好的城市迁移。之后，本研究从不同层面探讨了空气污染和高管流动的边界影响因素。其结果表明：高管能力起到正向调节作用；企业补偿机制(薪酬补偿和股权补偿)削弱了空气污染对高管流动可能性的影响，并且股权补偿机制作用更为明显；外界经济政策不确定性缓和了空气污染与高管流动可能性间的关系。此外，相比于国有企业，非国有企业中，空气污染与高管流动可能性的正向相关关系更为显著；不同类型的污染物提高了高管流动的可能性，细微颗粒物(PM10和PM2.5)对高管流动的正向影响更为明显。

除了前文的理论贡献外，从本文的研究和结论方面还可以得到以下启示。

一方面，对于企业而言，空气污染显著增加了高管流动的可能性，尤其是增加了能力较强的高管流动可能性。本文虽然表明企业可以利用薪酬补偿和股权补偿的方法来削弱空气污染对高管流动可能性的影响，但也应当明确补偿措施并非能够从根本上解决问题，过多补偿也可能对企业发展产生不利的影响。因此，本文提出企业另一条可行的途径，即尽可能地改善高管及员工所处的环境，重视技术革新，减少甚至杜绝高耗能、高污染和低产出的传统生产方式。例如，化工企业在追求经济效益的同时，还应当考虑到自身的经济发展带来的环境污染问题，应当注重污染气体的排放处理，改善环境以削弱或消除企业的空气污染对员工身体健康、工作效率和情绪等的影响。

另一方面，对于国家和地方政策制定者而言，在意识到空气污染负向影响宏观经济增长的同时，也应当明确空气污染也显著增加了区域企业高管流失的可能性。高级人才的流失同样不利于区域经济的长期发展。例如，城市空气污染和环境质量的差异可能导致城市区域间人力资本的错配和不均衡，从而扩大城市和地区间经济发展的差距，不利于地区和国家的长期、可持续的发展。同时，国家和地方政府在制定并推行相关立法之余，应当意识到使用限行、停产等强制性的手段虽然在一定程度上改善了环境质量，但空气污染问题依然不容乐观(石庆玲等，2016)。国家和相关机构还应当致力于探索能够从根本上解决好中国环境污染问题的方法与路径，例如，除了使用强制性手段外，还应当加强对民众和企业管理者的教育与宣传工作，使其意识到自身所造成的环境污染反过来会抑制绩效产出，不利于其长期发展。这也表明，进一步提高环境治理能力和开创绿色发展的新局面具有重要实践意义。

除了上述贡献和启示外，未来研究也可以关注以下方面。其一，可以进一步探讨空气污染对不同层次的人力资本流动的影响。本文使用高管样本具有较为重要的意义和代表性，然而相较于一般的个体，在面临高强度的污染时，高管可选择性相对较高，而对于低收入群体，空气污染对其流动决策的影响尚需进一步研究。其二，可进一步探讨空气污染对高管流动可能性的间接影响因素。本文虽然从高管个体、企业和所处的外在环境三个层面探讨了空气污染对高管流动的影响，但也应当明确，以上三个层面的探讨只是间接影响因素中的一部分。例如，还可以通过大规模问卷、访谈等方式获取高管个体的健康、情绪等指标，直接地检验健康成本等指标在空气污染与高管流动间可能具有的中介效应，等等。