在职消费(扣减法)
「在职消费(扣减法)」，覆盖 2006-2025 年，频率 年度，上市公司层级，含 18 个变量，样本量约 58,537。 衡量管理层利用职务便利获取的超额个人收益，即代理成本。
| 时间跨度 | 2006-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 18 |
| 样本量 | 58,537 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [股票代码] — 6位股票代码
- StkName [股票简称] — 股票简称
- Year [年份] — 财务年度
- 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
- Perks [在职消费(扣减法)] — 参考权小锋等(2010, 经济研究)的方法，计算公式为：管理费用 - 董事高管监事薪酬总额 - 无形资产摊销额(元)。2018年前管理费用含研发费用，2018年后研发费用已单列，口径有变。已剔除金融行业
- PerksScaled [在职消费/期初总资产] — 参考权小锋等(2010, 经济研究)的方法，计算公式为：在职消费(扣减法) / 上一年末总资产，用于截面回归的因变量。单位：比例
- PredictedPerksScaled [预测正常在职消费比率] — 参考权小锋等(2010, 经济研究)公式(2)，按年度截面回归(含行业固定效应)的预测值，回归变量包括1/A、dSale/A、PPE/A、Inventory/A、lnEmployee。单位：比例
- Unperks [非正常在职消费] — 参考权小锋等(2010, 经济研究)公式(2)，计算公式为：实际在职消费比率与预测正常在职消费比率的差额(回归残差)。用作研究变量，越大代表非正常在职消费越高。单位：比例
- UnperksRank [非正常在职消费排名] — 参考权小锋等(2010, 经济研究)的方法，计算公式为：非正常在职消费(Unperks)在年度内的百分位排名(0-100)
- IsHighUnperks [是否高非正常在职消费] — 是否高非正常在职消费(0=否，1=是)，参考权小锋等(2010, 经济研究)的方法，当Unperks超过当年75%分位数时取1
- IsTotalCompAvailable [是否有高管薪酬数据] — 是否有高管薪酬原始数据(0=否，1=是)。为0时TotalComp被填为0(不扣减)，Perks可能被高估，建议稳健性检验中排除此类观测
常见问题
- 「在职消费(扣减法)」是什么数据集？
- 在职消费(扣减法)，隶属公司治理。衡量管理层利用职务便利获取的超额个人收益，即代理成本。
- 该数据集的时间范围是？
- 覆盖 2006-2025 年。
- 包含哪些变量/指标？
- 共 18 个变量。核心指标包括：在职消费(扣减法)、在职消费/期初总资产、预测正常在职消费比率、非正常在职消费、非正常在职消费排名、是否高非正常在职消费、是否有高管薪酬数据。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 58,537 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 在职消费是管理层利用职务便利获取的、超出正常经营需要的个人收益，是代理问题的重要体现。为准确度量这一难以直接观测的变量，本研究参考权小锋等（2010）的“扣减法”与“回归残差法”相结合的方法，构建了非正常在职消费指标。该方法旨在从管理费用中分离出与公司正常经营相关的部分，进而识别出由管理层权力等因素驱动的超额消费。 首先，采用扣减法计算在职消费的代理变量。具体地，从公司年度管理费用总额中，扣除明确属于高管薪酬的部分（董事、监事及高级管理人员薪酬总额）以及无形资产摊销额。计算公式如下： $$ Perks = AdminExp - TotalComp - AmortIntangAssets $$ 其中，$Perks$为扣减后的在职消费（元），$AdminExp$为管理费用，$TotalComp$为高管薪酬总额，$AmortIntangAssets$为无形资产摊销额。需要说明的是，自2007年新会计准则实施后，坏账准备和存货跌价准备等项目已从管理费用中分离至资产减值损失科目，因此扣减项仅包含上述两项。此外，2018年后研发费用从管理费用中单列，导致管理费用口径发生变化，在跨年度比较时需注意。 其次，为剔除公司规模、成长性、资产结构等正常经营因素对在职消费水平的影响，进一步采用回归残差法分离出“非正常在职消费”。将经期初总资产标准化的在职消费$PerksScaled$作为因变量，进行年度截面回归。回归模型控制了公司规模（以期初总资产的倒数$1/A{t-1}$表示）、销售收入增长（$\Delta Sale/A{t-1}$）、固定资产密集度（$PPE/A{t-1}$）、存货密集度（$Inventory/A{t-1}$）和员工规模（$lnEmployee$）等因素，并加入了按中上协行业分类（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。回归模型如下： $$ \frac{Perks}{A{t-1}} = \alpha + \beta1 \frac{1}{A{t-1}} + \beta2 \frac{\Delta Sale}{A{t-1}} + \beta3 \frac{PPE}{A{t-1}} + \beta4 \frac{Inventory}{A{t-1}} + \beta5 lnEmployee + IndustryFE + \epsilon $$ 其中，$A{t-1}$为期初（即上一年末）总资产，$\Delta Sale$为销售收入变动额，$PPE$为固定资产净额，$Inventory$为存货净额，$lnEmployee$为员工总数的自然对数。该回归得到的预测值即为$PredictedPerksScaled$（预测正常在职消费比率），而回归残差$\epsilon$则被定义为$Unperks$（非正常在职消费）。$Unperks$越大，表明管理层获取的超额在职消费越高。 基于$Unperks$，本数据集进一步构建了两个衍生指标：$UnperksRank$为$Unperks$在年度内的百分位排名（0-100）；$IsHighUnperks$为二元变量，当$Unperks$高于当年所有公司$Unperks$的75%分位数时取值为1，否则为0，用于识别非正常在职消费水平较高的公司。 补充说明 - 样本已剔除金融行业公司。 - 在计算$Perks$时，若高管薪酬总额$TotalComp$数据缺失，则将其赋值为0，此时$Perks$可能被高估。数据集中的$IsTotalCompAvailable$字段标识了原始薪酬数据是否可得（1=可得，0=缺失并已填0），建议在稳健性检验中排除$IsTotalCompAvailable=0$的观测值。 参考文献 [1]权小锋,吴世农,文芳.管理层权力、私有收益与薪酬操纵[J].经济研究,2010,45(11):73-87. [2]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.
- 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。