超额在职消费(陈冬华残差法)

字段字典

• Symbol [股票代码] — 股票代码
• StkName [证券简称] — 证券简称
• Year [年份] — 会计年度
• Province [省份] — 公司注册所在省份
• ProvinceCode [省份代码] — 省份行政区划代码(6位)
• City [城市] — 公司注册所在城市
• CityCode [城市代码] — 城市行政区划代码(6位)
• County [区县] — 公司注册所在区县
• CountyCode [区县代码] — 区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码
• IndustryName [行业名称] — 中上协行业分类名称
• PerksProxy [在职消费代理变量] — 参考陈冬华等 (2005, 经济研究)的方法，计算公式为：支付的其他与经营活动有关的现金/期初总资产，作为在职消费的代理变量。单位：比例
• PredictedPerks [预测在职消费] — 参考罗宏&黄文华 (2008, 管理世界)的方法，基于年度截面回归的预测值，控制变量包括公司规模ln(TA)、收入增长率、资产负债率、产权性质、行业固定效应。单位：比例
• ExcessPerks [超额在职消费] — 参考罗宏&黄文华 (2008, 管理世界)的方法，计算公式为：实际在职消费代理-模型预测值(回归残差)，正值表示超额在职消费。单位：比例
• ExcessPerks_Rank [超额在职消费排名] — 计算公式为：超额在职消费在年度样本内的百分位排名(0-100)。单位：%
• HighPerks [是否高超额在职消费(0=否,1=是)] — 当超额在职消费处于年度样本前25%分位时取1(0=否，1=是)
• TotalAssets
• TotalLiab
• DebtToAsset
• IndustryGroup

常见问题

「超额在职消费(陈冬华残差法)」是什么数据集？

超额在职消费(陈冬华残差法)，隶属公司治理。衡量企业管理层代理成本中的非效率在职消费。

该数据集的时间范围是？

覆盖 2003-2025 年。

包含哪些变量/指标？

共 20 个变量。核心指标包括：在职消费代理变量、预测在职消费、超额在职消费、超额在职消费排名、是否高超额在职消费(0=否,1=是)、TotalAssets、TotalLiab、DebtToAsset、IndustryGroup。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 62,358 条观测。

数据是如何测算/获取的？

指标定义与计算方法 在职消费是衡量公司管理层代理成本的重要指标，反映了超出正常经营需要的资源消耗。为分离出其中的非效率部分，即由代理问题驱动的超额在职消费，本研究参考陈冬华等 (2005) 和罗宏与黄文华 (2008) 的方法，采用截面回归残差法进行度量。 首先，构建在职消费的代理变量。借鉴陈冬华等 (2005) 的做法，使用现金流量表中“支付的其他与经营活动有关的现金”项目作为在职消费的近似度量，并将其标准化以消除规模影响。具体地，在职消费代理变量 $PerksProxy$ 的计算公式为： $$PerksProxy = \frac{OthCashPayOperAct}{A{t-1}}$$ 其中，$OthCashPayOperAct$ 为支付的其他与经营活动有关的现金，$A{t-1}$ 为期初总资产。 其次，为估计正常（预期）的在职消费水平，参考罗宏与黄文华 (2008) 的模型，在每一年度对所有公司进行截面回归。回归模型控制了影响正常在职消费的经济因素，包括公司规模、成长性、财务杠杆和产权性质，并控制了行业固定效应。模型设定如下： $$PerksProxy = \beta0 + \beta1 \ln(TA) + \beta2 RevenueGrowth + \beta3 DebtToAsset + \beta4 IsStateOwned + \sum IndustryFE + \epsilon$$ 其中，$\ln(TA)$ 为公司总资产的自然对数，$RevenueGrowth$ 为营业收入增长率，$DebtToAsset$ 为资产负债率（负债合计除以资产合计），$IsStateOwned$ 为产权性质虚拟变量（国有企业取1，否则取0），$\sum IndustryFE$ 为按中上协行业分类（制造业取二级代码前两位，其他行业取门类首位）分组的行业固定效应。 通过上述回归，可以得到每个公司的预测在职消费 $PredictedPerks$，即模型解释的部分。核心指标超额在职消费 $ExcessPerks$ 则定义为实际在职消费代理变量与预测值之间的残差： $$ExcessPerks = PerksProxy - PredictedPerks$$ 该残差为正表示存在超额在职消费，数值越大，表明代理问题越严重。 为便于横截面比较和时间序列分析，进一步计算了 $ExcessPerks\Rank$，即 $ExcessPerks$ 在年度样本内的百分位排名（0-100）。同时，定义二元变量 $HighPerks$，若某公司当年的 $ExcessPerks$ 高于其所在年度样本的75%分位数，则取值为1，否则为0，用于标识高超额在职消费的公司。 补充说明 - 所有连续变量在回归前均进行了年度层面的1%和99%分位数缩尾处理，以减轻极端值的影响。 - 回归及后续计算要求每一年度的有效观测数满足模型估计的基本要求。 参考文献 - 陈冬华, 陈信元, 万华林. 国有企业中的薪酬管制与在职消费[J]. 经济研究, 2005(2): 92-101. - 罗宏, 黄文华. 国企分红、在职消费与公司业绩[J]. 管理世界, 2008(9): 139-148.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。