中国上市企业的损失厌恶：行为特征与驱动因素

魏彦杰，钟 娟

（安徽财经大学 国际经济贸易学院，安徽 蚌埠 233030）

0 引言

企业面对不确定时的风险抉择行为一直是经济学领域的热点问题。由于企业未来的经营状态存在不确定性，因此他们需要依据自身对不确定性的感知及风险厌恶程度，在回报和风险之间作出选择。不过，现实中的企业常常表现出相互矛盾的风险偏好[1]，个体决策的“前景理论”[2]将这种兼具风险追求和风险厌恶的双重特征归结为企业面对不确定性时的损失厌恶，即厌恶损失而非厌恶风险。企业的风险决策事实上取决于回报与目标之差[3]：当回报低于目标值时，企业表现出风险追求；相反，当回报高于目标值时，企业表现出风险厌恶。即在目标值（拐点）两侧，企业在回报和风险之间的选择截然不同，形成一种非线性的“U”型关系[4]。这种“U”型关系反映了企业面对不确定时的羊群行为，即企业仅追求一个尚可的目标绩效，这是企业经营上的惰性行为，它背离了企业家精神，降低了微观主体效率。

虽然前景理论整体解释了企业决策中回报和风险承担之间的因果机制，但关于中国企业的损失厌恶行为却一直缺乏系统性讨论[5]：（1）研究者往往更关注拐点左侧的风险追求行为以及这种冒险倾向的后果及其治理，却很少关注损失厌恶行为的整个曲线形态及其驱动力；（2）研究者也并未关注“U”型曲线非对称性的形成过程；（3）损失厌恶行为的特点在于它同时包含拐点左侧的风险追求行为与拐点右侧的风险厌恶行为，但目前研究者很少关注企业内外部因素对风险追求与风险厌恶的不同作用。

前景理论将企业视为激进与惰性、冒险与保守的组合体，因此更全面地观察企业的损失厌恶行为特征和驱动因素，对激发企业家精神、帮助企业更合理地应对外部不确定性风险，以及建设世界一流企业具有重要意义。基于此，本文使用2000—2019年中国上市企业财务数据，针对损失厌恶行为的非线性整体特征、分位数特征和分样本特征三个方面，以及分行业的异质性进行分析，细致观察企业行为决策中“回报-风险”因果机制的非线性关系，以便全景式地展现中国企业面对不确定性时的“回报-风险”抉择行为，为企业行为研究提供来自中国的经验证据。

1 研究设计

1.1 变量选取

1.1.1 被解释变量与解释变量

被解释变量：企业风险承担（SDrebit）。本文使用盈余波动性来度量企业风险承担水平，它反映了管理者在资源配置中的风险决策所带来的企业收入不确定性。具体测度性方法如下：首先，计算企业当年息税前利润率与当年该企业所处行业平均盈余回报率的差值；其次，以每三年（t-1 年至t+1 年）为一个观测时段①采用其他年份滚动方法，如t 年至t+2 年的数据来测度企业盈余波动性并不改变本文的主要结果。，计算该差值的标准差；最后，为避免解释变量回归系数过小，将得到的标准差乘以100②这种处理并不影响回归系数的正负和显著性水平，只是将回归系数放大了100倍，以避免回归系数过小难以表示的问题。。其中，测度过程中使用的行业划分标准为证监会《上市公司行业分类指引》（2012年版）。

解释变量：企业回报（rebit）。与企业风险承担的测度方法相对应，本文选取息税前利润率来代表企业回报水平。

1.1.2 控制变量

（1）企业经营层面变量：①资产负债率（Lev）：企业总负债除以总资产。一般认为，资产负债率越高的企业（杠杆水平更高），其风险承担水平也越高，因此预期Lev的系数为正。②企业规模（Size），企业总资产的对数。企业规模也是决定风险承担水平的重要因素，相对于大企业，小企业具有更强烈的风险偏好，其风险承担水平更高，因此预期Size系数为负。③企业成长性（Grow），营业收入增长率。营业收入增长越快的企业，其经营状况越好，盈利能力也越强，企业通过高风险经营方式获取利润的动机则越弱，因此预期Grow系数为负。④创新效率（InnoEff），计算方法为Patent/ln(1+研发支出)，其中，Patent的计算方法为企业发明、实用新型和外观设计三种专利的年度总申请量加1 后的自然对数，3 种专利按3∶2∶1 设置权重。InnoEff反映了每单位研发投入的专利申请数，InnoEff越高，创新产出能力越强。（2）企业特质层面变量：企业年龄（Age），计算方法为观测年份减去公司成立年份。（3）公司治理层面变量：独立董事比例（Idp），计算方法为独立董事人数除以董事会总人数。（4）企业外在环境变量：行业内市场集中度（HHI）。首先，本文将各细分行业合并为20个行业大类；然后，设某细分行业l下的公司i在年份t的营业收入为ORl，i，t，其市场占有率为MSl，i，t=ORl，i，t/∑ORl，t，则该行业l的HHI为HHIl，t=∑(MSl，i，t)2；最后，设某行业大类L下的公司数量为lnum，其包含的每个细分行业公司数目为lnum，并以此为权重，得到每个行业大类L的HHI为HHIL，t=∑(lnum/lnum)HHIl，t。HHI越小，表明行业内竞争越激烈，反之亦然。

1.2 研究方法

1.2.1 损失厌恶行为的非线性模型

按照前景理论的假设，若企业存在损失厌恶行为，则其回报水平与风险承担水平之间具有“U”型的非线性关系。因此，使用半参数固定效应回归方法来验证这一假设，同时指定企业回报rebit为进入模型的非线性连续变量，并设定如下模型：

其中，i和t分别表示公司和年份。

1.2.2 损失厌恶行为的分位数回归模型

为了进一步从企业风险承担水平的角度观察企业损失厌恶行为，本文使用其分位数来考察不同风险承担水平下企业损失厌恶程度的变化情况。计量方法使用广义分位数回归[6]，计量模型中同时包含变量rebit的一次项和二次项，模型表述式如下：

分位数q包括0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、0.99，并按照各分位数下SDrebit的均值，使用Fisher 最优分割法将其划分为三种类型，即低风险（q≤0.5）、中风险（0.5＜q≤0.8）、高风险（q＞0.8）。

按照二次函数的定义，本文重点观察两个指标：（1）二次函数曲线的开口方向和陡峭程度，即β2。若β2＞0，则曲线开口向上，为“U”型曲线；| |β2越大，二次函数曲线开口越小，曲线越陡峭。（2）二次函数曲线拐点的横坐标，即-β1/2β2。按照前景理论，该数值代表了“U”型曲线的拐点值。

1.2.3 损失厌恶行为的分样本回归模型

为了进一步厘清曲线左侧风险追求行为和右侧风险厌恶行为的细节，特别是他们在驱动因素上的差异，使用“U”型曲线拐点将总样本分割为风险追求和风险厌恶两个子样本，分别记为Srs 和Sra。

第一步，为保证拐点值估计尽可能准确，本文单独对rebit进行拟合，并同时考虑时间、个体和行业效应，设定如下模型：

由此得到拐点值为0.0691（即息税前利润率为6.91%）。

第二步，按照0.0691 的拐点值，将rebit＜0.0691 的数据点定义为Srs，rebit≥0.0691的数据点定义为Sra。并使用如下模型分别估计两个子样本：

在模型（4）中，各控制变量被作为调节变量，与rebit分别构成交叉项。本文使用控制函数法处理内生性问题，先针对rebit使用工具变量法生成残差项res，再在模型回归中加入残差项res作为解释变量。

工具变量选择如下：在Srs 下为中国贸易政策不确定性指数TPU和滞后一期的融资约束指数（kz）（kz的计算方法参照文献[7]）；在Sra 下为企业年度发明专利授予量Patent.Award（发明专利授予量加1后取自然对数）、监事与董事比例（RSD）、中国经济政策不确定性指数（EPU）、中国贸易政策不确定性指数（TPU）、PPP调整后全球经济不确定性指数（GEPU）。EPU、TPU、GEPU数据均来源于www.policyuncertainty.com。

1.3 数据来源

初始样本为2000—2019 年中国沪深A 股上市企业，数据来自国泰安（CSMAR）数据库，并进行以下处理：（1）剔除金融业上市企业；（2）对息税前利润率、资产负债率、营业收入增长率进行1%和99%的缩尾处理，以消除异常值的影响；（3）剔除样本数据少于3 年的企业和企业数小于2家的行业，并据此计算2000—2019年每家企业的风险承担水平。最终获得3254 家上市企业的30315 个非平衡面板数据。

2 实证分析

2.1 损失厌恶行为的整体特征

对模型（1）使用Phillips-Perron 方法的Fisher PP 检验结果显示，P值均在5%的水平上拒绝原假设，所有变量均平稳。模型回归结果见图1和表1。

表1 半参数模型中控制变量回归结果

图1 半参数模型中非线性变量rebit 的回归结果

图1 报告了企业回报rebit的平均非参数拟合结果，本文同时比较了不加入和加入控制变量两种情况。（1）拟合结果符合前景理论的假设（图1中黑色实线），企业回报rebit与其风险承担SDrebit之间具有非对称“U”型关系。（2）即使不加入控制变量，“U”型曲线形态也初步完备（见图1 中黑色虚线），这说明损失厌恶行为主要受到回报水平的影响。（3）加入控制变量后，“U”型曲线拐点左侧斜率明显降低，右侧变化则不明显。这可能是因为控制变量影响企业风险承担水平，且这一影响在拐点左右两侧对rebit与SDrebit的关系产生了不同的间接作用，进而差异化地影响了“U”型曲线形态，本文在后文使用调节效应验证了这一假设。

从表1 中各类控制变量的回归结果看：资产负债率Lev对SDrebit具有显著正向作用，企业规模Size则具有显著负向作用，资产负债率越低、规模越大的企业，其风险承担水平也越低。企业年龄Age具有显著正向作用，企业年龄越大，其风险承担水平越高。独立董事比例Idp具有显著负向作用，独立董事的风控功能抑制了企业风险承担。创新效率InnoEff具有显著负向作用，提升创新效率有助于缓解企业风险承担。行业内市场集中度HHI具有显著负向作用，行业内竞争越激烈，企业风险承担水平越高。不过，企业成长性Grow没有表现出显著作用。

2.2 损失厌恶行为的分位数特征

依据模型（2）的设定，本文在不同分位数下重点观察了二次函数曲线的开口方向和陡峭程度β2以及二次函数曲线拐点的横坐标-β1/2β2的动态变化，结果见图2。

图2 不同风险承担水平分位数下二次函数曲线的形态特征

2.2.1 “U”型曲线形态的变化

（1）图2（a）显示，模型（2）中β2＞0，符合损失厌恶“U”型曲线特征。在中低风险区间（0.1～0.8 分位数），随着企业风险承担水平增加，β2值持续增加，“U”型曲线变得陡峭，损失厌恶行为增强。在0.8 以上的高风险区间，β2值转而降低，损失厌恶程度略有下降，“U”型曲线曲率变小。

（2）为进一步揭示“U”型曲线曲率变化的动态过程，本文计算了SDrebit各分位数下拐点值两侧数据点的风险承担均值，并设其边际值为ΔSDrebit（见图2（b））。可以发现，在0.8 分位数及以下的中低风险区间，拐点两侧ΔSDrebit呈现一致性的缓慢上升趋势，风险追求与风险厌恶行为同步增长。但在0.8 分位数以上的高风险区间，拐点右侧的ΔSDrebit快速下降，风险厌恶行为减弱，左侧ΔSDrebit则快速上升，风险追求行为急剧增强。由此可见，损失厌恶程度在0.8 分位数后下降主要受到拐点右侧风险厌恶程度降低的影响，“U”型曲线变平缓。

2.2.2 “U”型曲线拐点值的变化

（1）图2（c）显示，在中低风险区间（0.1～0.8 分位数），随着β2值不断增加，拐点值-β1/2β2也不断减小，为回避风险增加和尽可能挤进羊群，企业愿意接受更低的心理目标回报，保守程度增强。但在0.8 分位数以上的高风险区间，随着风险继续增加，拐点值-β1/2β2转而上升，该范围内新增了风险水平最高的19.9%数据点，他们反而具有激进的回报与风险抉择特征，追求高风险、高回报。

（2）为了进一步揭示拐点值动态变化的根源，本文计算了SDrebit各分位数下拐点两侧数据点的回报水平均值，并设其边际值为Δrebit（见图2（d））。可以发现，在0.8分位数及以下的中低风险区间，拐点两侧Δrebit值非常接近，且在0 值上下波动，索取风险回报的行为均不强烈。但在0.8 分位数以上的高风险区间，拐点右侧的Δrebit快速上升（回报水平均值从0.106上升到0.118），回报对风险的补偿增强，增长的回报降低了风险压力，风险厌恶减弱，曲线右侧变缓；而左侧Δrebit则快速下降（回报水平均值从0.038 下降到0.031 下），回报对风险的补偿降低，风险压力增大，风险追求增强，曲线左侧变陡。由此可见，拐点值在0.8分位数后转而开始上升主要是受到拐点右侧新增数据点对高风险索取额外回报的影响。

总体来看，图2中需要特别关注那些在0.8 分位数以上新增的数据点，他们在“U”型曲线动态形成过程中扮演关键角色，是曲线非对称性的主要驱动力。与处在0.8 分位数及以下中低风险区间的企业不同，在0.8分位数以上，处于拐点左侧的企业具有快速增长的风险、快速降低的风险回报以及由此引发的强烈风险追求；而处在拐点右侧的企业也承受着高风险，并具有索取额外风险回报的激进行为，其风险厌恶程度也更低。从某种意义上讲，他们更像是同一类企业，其风险偏好都极易引发冒险性的经营行为。因此，“U”型曲线的非对称性归因于不同风险承担水平下风险追求与风险厌恶行为的非对称性。

2.3 区分风险追求行为与风险厌恶行为的分样本特征

依据模型（3）得到的“U”型曲线拐点值，本文将总样本分割为风险追求和风险厌恶两个子样本，分别记为Srs 和Sra，并使用模型4 进行估计，结果见表2。表2 结果显示：在Sra 子样本下，加入交叉项后调节变量发生了较大变化（见列（5）至列（8）），这种共线性问题在调节效应分析中比较常见。因此，在Sra 子样本下，调节变量解读应以列（5）和列（7）为准，调节效应解读以列（6）和列（8）为准。

表2 区分风险追求与风险厌恶的分样本回归结果

第一，从主效应的回归结果看，企业回报水平对企业风险承担的影响符合损失厌恶行为特征。在Srs 子样本中，企业回报rebit与企业风险承担SDrebit显著负相关，拐点左侧存在风险追求行为。在Sra 子样本中，rebit与SDrebit显著正相关，拐点右侧存在风险厌恶行为。

第二，从调节效应回归结果看，各控制变量在拐点两侧表现出不同的调节作用。在Srs 子样本中，主效应rebit显著为负。调节变量Size、Grow、Idp、InnoEff、HHI的系数均显著为负，且其交叉项rebit×Size、rebit×Grow、rebit×Idp、rebit×InnoEff、rebit×HHI的系数均显著为正，表明这5 个调节变量在影响风险追求行为中与rebit具有替代关系，并对降低企业风险追求具有关键作用。调节变量Lev、Age的系数显著为正，且其交叉项rebit×Lev、rebit×Age的系数显著为负，表明这两个调节变量强化了rebit对SDrebit的负向影响，企业资产负债率越高、企业年龄越大，其风险追求行为越强烈。在Sra 子样本中，主效应rebit的系数显著为正。交叉项rebit×Grow的系数显著为正，显示高营业收入增长率加剧了企业的风险厌恶。调节变量Lev、Age的系数显著为正，且其交叉项rebit×Lev和rebit×Age的系数也显著为正，更高的资产负债率和企业年龄会助长风险厌恶行为。调节变量Size和HHI的系数显著为负，且其交叉项rebit×Size和rebit×HHI的系数也显著为负，表明Size和HHI弱化了rebit对SDrebit的正向影响，企业规模越大以及其所处行业集中度越高（竞争越弱），企业的风险厌恶程度越低。交叉项rebit×Idp和rebit×InnoEff没有显著作用，与拐点左侧的情况不同，独立董事比例和创新效率与风险厌恶行为没有显著关系。

第三，各控制变量的调节效应在拐点两侧存在强度差异。比较列（4）和列（8）中交叉项系数的绝对值可以发现：（1）资产负债率加剧风险追求的作用更强，拐点左侧低回报企业对负债压力更敏感。（2）与资产负债率的情况相反，企业年龄和行业内市场集中度更易加剧风险厌恶。高龄企业出现强风险厌恶的可能性更高，高回报企业比低回报企业对市场竞争更敏感。（3）企业规模对风险追求的抑制作用更强，规模增长更有利于低回报企业减少冒险行为而非激励高回报企业增加风险承担。（4）企业成长性在拐点两侧有不同作用，但其抑制风险追求的作用强于其加剧风险厌恶的作用。（5）独立董事比例和创新效率则是仅对拐点左侧风险追求行为具有抑制作用的调节变量，他们减弱了低回报企业的激进冒险程度。

总之，这些调节变量对风险追求与风险厌恶行为施加了不同影响，如表3所示。

表3 企业内外部因素对风险追求与风险厌恶行为的调节效应差异

3 稳健性检验

3.1 放宽样条平滑中的级数

为检验“回报-风险”函数的“U”型关系的可靠性，本文放宽样条平滑中的级数。一般来说，采用不超过5阶的级数已足够精确拟合任何形式的多项式函数[8]。因此，针对模型（1）分别使用6阶、7阶的级数设置，见图3。

图3 模型（1）使用6阶、7阶级数的估计结果比较

图3 显示，虽然本文放宽样条平滑中的级数到6 阶、7阶，但各级数间曲线形态变化很小，“回报-风险”函数关系非常稳健，企业回报与其风险承担之间确实存在着前景理论所推断的损失厌恶“U”型曲线关系。

3.2 替换被解释变量与扩大样本范围

为检验企业损失厌恶行为的可靠性，本文使用扩大样本范围并替换被解释变量的方法对“回报-风险”的“U”型曲线再次进行验证。（1）使用企业营业利润率（opr）来测度SDopr。（2）改变Winsor方法，在原始数据中按照3σ原则重新对息税前利润率和营业利润率进行0.27%和99.73%缩尾处理。结果见图4。

图4 两种缩尾处理方法下rebit 和opr 非参数拟合结果比较

图4 结果显示：（1）在1%缩尾处理下，使用营业利润率opr替换rebit后的拟合结果与图1 非常相似。（2）在扩大样本的3σ缩尾处理下，“回报-风险”函数的非对称“U”型曲线关系依然成立。（3）由于3σ缩尾增加了更多rebit和opr极高和极低的数据点，按照前景理论的观点，企业盈余水平越低，风险追求倾向越强烈；盈余水平越高，风险厌恶倾向越强烈，因此3σ缩尾下的“U”型曲线比1%缩尾下的更为陡峭。（4）opr拟合结果的曲线较rebit的更为平缓。这说明中国企业对息税前利润率比营业利润率更敏感，对上市公司而言，努力维持一个尚可的息税前盈余水平，是自己仍在羊群中的重要标志。

3.3 替换解释变量

本文针对模型（4），替换其解释变量，以检验其稳定性。（1）企业创新。使用创新投入（Rd）和创新产出（Patent）来代替创新效率（InnoEff），其中，Rd的计算方法为公司年度研发支出占总资产的比重，Patent的计算方法为发明、实用新型和外观设计三种专利的总申请量加1后的自然对数①此处使用的创新产出指标与计算创新效率时使用的创新产出指标稍有不同，3种专利没有进行加权处理。。（2）公司治理。使用直接控股股东持股比例（Ssr）替代独立董事比例（Idp）。更高的股权集中度意味着控制人对企业具有更强的控制力和更高的利益相关性，这可能会促使控制人选择更为稳健的经营方式，以保证其私有收益。结果见下页表4。

表4 替换解释变量的稳健性检验

与表2 相比，替换解释变量后的回归结果差异很小。但从列（10）、列（12）可以看出，在拐点两侧的调节效应都不显著，更高的股权集中度并不具有独立董事制度所特有的风控功能。此外，创新投入（Rd）与创新效率（InnoEff）的调节作用不同，Rd对企业风险追求行为没有显著影响，但对风险厌恶有助长作用，这说明Rd对高回报企业具有明显的成本压力，强化了其风险厌恶。

4 分行业的异质性分析

本文尝试从上市公司行业特征差异的角度对损失厌恶行为进行探讨，按照20个行业大类，分别使用模型（3）得到企业回报rebit的平均非参数拟合结果。回归结果显示：在20 个行业大类中，对非参数部分rebit的拟合结果整体符合“回报-风险”函数的非对称“U”型关系。但曲线形态在行业间差异较大。虽然多数行业均呈现左侧略陡峭、右侧略平缓的特征，但部分行业也表现出左侧很陡峭但右侧很平缓（医药；房地产业）、两侧差异很小（电力燃气及水的生产和供应业等）、右侧反而比左侧更陡峭（建筑业）、右侧呈现负斜率（农林牧渔业）等比较特殊的“回报-风险”函数关系。

本文推测，各行业间“回报-风险”“U”型曲线的差异可能缘于各行业竞争程度的差别。因为：（1）当行业内竞争激烈时，预期回报低于目标回报的概率将增加，企业在拐点左侧的风险追求倾向增强，“U”型曲线左侧变得陡峭。（2）当行业内竞争激烈时，在拐点右侧存在两种可能。第一种，如果竞争导致预期回报超越目标回报的难度增大，企业在拐点右侧的风险厌恶程度将增强，曲线右侧将变得陡峭；第二种，如果竞争引发强烈的竞优行为，企业在拐点右侧的风险厌恶程度将降低，曲线右侧反而变得平缓。（3）同理，当行业内竞争弱化时，一方面，回报不达标概率将降低，曲线左侧变得平缓；另一方面，垄断水平提升增加了获取垄断利润的可能性，曲线右侧将变得平缓。

为验证这一推断，本文使用Fisher最优分割法将20个行业大类的HHI区分为高低两类。同时，将每一行业大类的总样本分为rebit小于拐点值的子样本S.rebit 和大于等于拐点值的子样本L.rebit，并分别对rebit和SDrebit进行线性回归，得到每一行业大类在拐点左右两侧的rebit回归值，并与该行业大类的市场集中度进行比较，如图5所示。图5 中高HHI 和低HHI 行业均按HHI 值降序排列，所得结果支持了前文的推断。

图5 高HHI行业、低HHI行业“U”型曲线拐点两侧斜率比较

5 结论

本文实证考察了2000—2019 年中国上市企业的损失厌恶行为特征与驱动因素，结果表明：（1）中国上市企业存在损失厌恶行为，其主因来自企业回报水平的变化，且回报水平与风险承担水平之间具有非对称的“U”型关系。（2）“U”型曲线的非对称性归因于不同风险承担水平下风险追求与风险厌恶行为的非对称性。（3）企业内外部的其他因素也会影响“U”型曲线的形态，并对风险追求与风险厌恶行为施加不同影响。