高管薪酬业绩敏感度对非效率投资影响的多维度实证剖析

高管薪酬业绩敏感度对非效率投资影响的多维度实证剖析一、引言1.1研究背景在现代企业制度中，经营权与所有权的分离是一个显著特征。企业所有者将经营决策权委托给高管团队，期望他们能够以股东利益最大化为目标进行决策和管理。然而，这种委托代理关系也带来了一系列问题，其中高管薪酬业绩敏感度与非效率投资问题备受关注。随着经济的发展和企业规模的不断扩大，高管在企业中的地位和作用日益重要。他们的决策不仅影响着企业的短期经营业绩，更关系到企业的长期发展和股东的财富。为了激励高管努力工作，提高企业业绩，企业通常会设计薪酬契约，将高管薪酬与公司业绩挂钩，即所谓的高管薪酬业绩敏感度。理论上，较高的薪酬业绩敏感度能够促使高管更加关注公司业绩，做出符合股东利益的决策。在现实中，高管薪酬业绩敏感度与非效率投资问题仍然普遍存在。一方面，由于信息不对称和利益不一致，高管可能会为了追求自身利益而忽视公司的长期发展，导致非效率投资行为的发生。例如，高管可能会过度投资于一些短期内能够提升业绩但长期来看回报率较低的项目，或者为了避免风险而放弃一些具有潜在价值的投资机会，从而导致投资不足。这些非效率投资行为不仅会损害股东利益，降低企业价值，还可能影响企业的可持续发展能力。另一方面，高管薪酬契约的设计可能存在缺陷，无法有效地激励高管做出最优投资决策。例如，薪酬契约可能过于注重短期业绩指标，而忽视了企业的长期发展战略和风险因素，导致高管为了追求短期薪酬最大化而进行非效率投资。薪酬契约中的激励强度和激励方式也可能不合理，无法充分调动高管的积极性和创造力。从公司治理的角度来看，高管薪酬业绩敏感度与非效率投资问题是公司治理面临的重要挑战之一。有效的公司治理机制应该能够解决委托代理问题，确保高管的行为符合股东利益。在实践中，许多公司的治理机制还不够完善，无法对高管的行为进行有效的监督和约束。例如，董事会的独立性和监督能力不足，无法对高管的薪酬契约和投资决策进行有效的审查和监督；内部控制制度不完善，无法及时发现和纠正高管的非效率投资行为。随着市场竞争的加剧和企业经营环境的日益复杂，高管薪酬业绩敏感度与非效率投资问题对企业的影响也越来越大。因此，深入研究这一问题，寻找有效的解决措施，对于提高企业的投资效率和价值，完善公司治理机制具有重要的现实意义。1.2研究目的与意义本研究旨在深入探究高管薪酬业绩敏感度与非效率投资之间的内在关系，通过理论分析和实证检验，揭示二者之间的作用机制，为企业优化薪酬体系、提升投资效率提供理论支持和实践指导，促进企业的长期稳定发展。在理论层面，高管薪酬业绩敏感度与非效率投资是公司治理领域的重要研究内容。深入研究二者关系，有助于丰富和完善委托代理理论、信息不对称理论以及公司治理理论。传统委托代理理论认为，通过将高管薪酬与公司业绩挂钩，可以有效激励高管为股东利益最大化而努力。在实际中，高管薪酬业绩敏感度的提高并不总是能带来投资效率的提升，这表明传统理论在解释这一现象时存在一定的局限性。本研究将通过对相关理论的深入分析和拓展，探讨高管薪酬业绩敏感度对非效率投资的影响机制，为进一步完善委托代理理论提供实证依据。本研究也能够为公司治理理论的发展提供新的视角。公司治理的核心目标是解决委托代理问题，提高公司的运营效率和价值。高管薪酬业绩敏感度与非效率投资问题是公司治理面临的重要挑战之一，研究二者关系可以帮助我们更好地理解公司治理机制的运行原理，发现现有治理机制的不足之处，从而为完善公司治理理论提供有益的参考。在实践方面，本研究对企业具有重要的指导意义。企业可以根据研究结果，优化高管薪酬契约设计，提高薪酬业绩敏感度的合理性和有效性。通过合理设定薪酬结构和激励机制，使高管的薪酬与公司的长期业绩和投资效率紧密挂钩，从而激励高管做出更加符合股东利益的投资决策，减少非效率投资行为的发生。这有助于提升企业的投资效率，降低投资风险，提高企业的价值和竞争力。本研究还能为企业的风险管理提供参考。非效率投资行为往往会给企业带来巨大的风险，如资金链断裂、资产减值等。通过研究高管薪酬业绩敏感度与非效率投资的关系，企业可以更好地识别和评估投资风险，加强对投资决策的风险管理和控制。企业可以建立健全的风险评估体系，对投资项目进行全面的风险评估和分析，确保投资决策的科学性和合理性。企业也可以加强对高管的监督和约束，防止高管为了追求个人利益而进行高风险的非效率投资行为。对监管部门而言，本研究结果有助于其制定更加科学合理的监管政策。监管部门可以根据研究结论，加强对企业高管薪酬和投资行为的监管，规范企业的薪酬制度和投资决策，维护市场秩序和投资者利益。监管部门可以要求企业披露更加详细的高管薪酬信息和投资决策信息，提高信息透明度，加强对企业的社会监督。监管部门也可以制定相关的法律法规，对企业的非效率投资行为进行约束和规范，促进企业的健康发展。1.3研究方法与创新点本研究主要采用实证研究法，以确保研究结果的科学性和可靠性。具体来说，运用多元回归分析等方法，对收集到的数据进行深入分析，以探究高管薪酬业绩敏感度对非效率投资的影响。在数据收集方面，通过权威数据库获取上市公司的相关数据，确保数据的全面性和准确性。在研究视角上，本研究不仅关注高管薪酬业绩敏感度与非效率投资的直接关系，还深入探讨了其内在作用机制，以及不同情境下这种关系的变化，为该领域的研究提供了更全面的视角。在数据处理和分析方法上，采用了多种先进的统计方法和工具，对数据进行了严格的筛选、清洗和检验，以确保结果的准确性和可靠性。同时，通过构建合理的计量模型，有效控制了其他因素的干扰，使得研究结果更具说服力。二、理论基础与文献综述2.1相关理论基础2.1.1委托代理理论委托代理理论起源于20世纪60年代末70年代初，是现代企业理论的重要组成部分。在现代企业中，所有权与经营权相分离，企业所有者（委托人）将企业的经营管理权委托给高管（代理人），由此形成了委托代理关系。由于委托人和代理人的目标函数不一致，且信息不对称，代理人可能会为了追求自身利益最大化而损害委托人的利益，从而产生代理问题。在委托代理关系中，企业所有者的目标是实现股东财富最大化，而高管作为代理人，除了关注企业业绩外，还会追求自身的薪酬、声誉、在职消费等个人利益。这种目标差异使得高管在决策时可能会偏离股东的利益，例如进行过度投资或投资不足等非效率投资行为。当企业拥有大量自由现金流时，高管为了扩大企业规模，提升自身的权力和地位，可能会将资金投资于一些净现值为负的项目，导致过度投资；而当企业面临投资风险较高的项目时，高管为了避免因项目失败而影响自身声誉和薪酬，可能会放弃一些净现值为正的项目，造成投资不足。信息不对称也是导致委托代理问题的重要因素。高管作为企业经营管理的实际执行者，比所有者更了解企业的内部情况、市场动态和投资项目的细节，这使得所有者难以全面准确地监督和评估高管的行为。高管可能会利用这种信息优势，隐瞒一些不利于自己的信息，或者采取一些机会主义行为，如操纵财务报表、进行内幕交易等，从而损害企业和股东的利益。为了解决委托代理问题，企业通常会设计薪酬契约，将高管薪酬与公司业绩挂钩，以激励高管努力工作，提高企业业绩。薪酬业绩敏感度的高低直接影响着高管的决策行为。如果薪酬业绩敏感度较高，高管的薪酬将随着企业业绩的提升而显著增加，这将促使高管更加关注企业的长期发展，积极寻找和实施有利于企业价值最大化的投资项目，减少非效率投资行为。相反，如果薪酬业绩敏感度较低，高管的薪酬与企业业绩的关联度不大，高管可能会缺乏动力去追求企业业绩的提升，甚至会为了自身利益而进行非效率投资。委托代理理论为理解高管薪酬与非效率投资之间的关系提供了重要的理论框架。通过分析委托代理关系中的利益冲突和信息不对称问题，可以深入探讨高管薪酬业绩敏感度对非效率投资的影响机制，为企业优化薪酬体系和提高投资效率提供理论指导。2.1.2激励理论激励理论是关于如何调动人的积极性、激发人的行为动机的理论。其核心观点是通过满足人的各种需求，激发其内在的动力，使其朝着组织所期望的目标努力。在企业管理中，激励理论被广泛应用于员工激励和薪酬管理，旨在提高员工的工作绩效和企业的整体效益。在高管薪酬激励方面，激励理论认为，合理的薪酬设计可以有效地激励高管的行为，使其与企业的目标保持一致。高管薪酬通常由基本工资、奖金、股票期权等组成，其中奖金和股票期权与企业业绩密切相关，具有较强的激励作用。当企业业绩良好时，高管可以获得丰厚的奖金和股票增值收益，这将激发高管的工作积极性和创造力，促使他们更加努力地工作，为企业创造更多的价值。从激励理论的角度来看，高管薪酬业绩敏感度对非效率投资具有重要影响。较高的薪酬业绩敏感度意味着高管的薪酬与企业业绩紧密相连，这将使高管更加关注企业的投资决策，因为投资决策的好坏直接影响企业业绩，进而影响高管的薪酬。为了获得更高的薪酬回报，高管会更加谨慎地评估投资项目，选择那些能够为企业带来长期稳定收益的项目，避免过度投资或投资不足等非效率投资行为。相反，如果薪酬业绩敏感度较低，高管的薪酬与企业业绩的关系不紧密，高管可能会缺乏对投资决策的关注和责任感，容易受到个人利益的驱使，进行非效率投资。激励理论还强调了激励的公平性和透明度对激励效果的影响。如果高管认为薪酬契约是公平合理的，并且薪酬与业绩的挂钩关系是透明的，他们会更加认可和接受薪酬激励，从而更积极地投入工作。相反，如果高管觉得薪酬契约存在不公平之处，或者薪酬与业绩的关系不清晰，他们可能会对薪酬激励产生怀疑和不满，降低工作积极性，甚至可能采取一些不利于企业的行为，如非效率投资。激励理论为高管薪酬激励提供了理论依据，深入分析了高管薪酬业绩敏感度对非效率投资的作用机制。企业在设计高管薪酬体系时，应充分考虑激励理论的要求，合理设定薪酬业绩敏感度，确保薪酬激励的公平性和透明度，以有效激励高管做出正确的投资决策，提高企业的投资效率。2.2文献综述2.2.1高管薪酬业绩敏感度的研究现状高管薪酬业绩敏感度一直是公司治理领域的研究热点，学者们从多个角度对其进行了深入研究。在度量方法方面，早期研究主要采用简单的线性回归模型，将高管薪酬作为因变量，公司业绩指标（如净利润、净资产收益率等）作为自变量，通过回归系数来衡量薪酬业绩敏感度。这种方法虽然简单直观，但存在一定的局限性，它忽略了其他因素对高管薪酬的影响，可能导致结果的偏差。随着研究的深入，学者们逐渐引入了更多的控制变量，如公司规模、行业特征、股权结构等，以提高度量的准确性。一些研究还采用了工具变量法、双重差分法等计量方法，来解决内生性问题，进一步增强了研究结果的可靠性。有学者运用工具变量法，选择宏观经济指标作为工具变量，来缓解公司业绩与高管薪酬之间可能存在的内生性问题，从而更准确地估计薪酬业绩敏感度。在影响因素研究上，公司内部治理结构被认为是重要因素之一。董事会的独立性和监督能力对高管薪酬业绩敏感度有着显著影响。独立性较强的董事会能够更好地监督高管行为，确保薪酬契约的合理性，从而提高薪酬业绩敏感度。而股权结构也会影响薪酬业绩敏感度，股权集中度较高的公司，大股东可能会对高管薪酬施加更大的影响，导致薪酬业绩敏感度发生变化。当大股东持股比例较高时，可能会更倾向于与高管达成利益一致，从而降低薪酬业绩敏感度。外部市场环境同样不容忽视。行业竞争程度、市场监管力度等都会对高管薪酬业绩敏感度产生作用。在竞争激烈的行业中，企业为了吸引和留住优秀高管，可能会提高薪酬业绩敏感度，以激励高管提升企业竞争力；而严格的市场监管则会促使企业规范薪酬制度，提高薪酬业绩敏感度的合理性。当前研究仍存在一些不足。在度量方法上，虽然不断改进，但各种方法都存在一定的局限性，尚未形成统一、完善的度量标准。对于影响因素的研究，虽然已经涉及多个方面，但各因素之间的交互作用以及它们对薪酬业绩敏感度的综合影响研究还不够深入。不同行业、不同规模企业的高管薪酬业绩敏感度存在差异，但现有研究在这方面的针对性和细分程度还不够，难以满足实践中对不同类型企业薪酬管理的指导需求。2.2.2非效率投资的研究现状非效率投资作为企业财务管理中的重要问题，受到了学术界的广泛关注。学者们从多个角度对其成因和度量方式进行了深入研究。在成因方面，委托代理问题被认为是导致非效率投资的重要根源。在现代企业中，所有权与经营权分离，股东与高管之间存在信息不对称和利益不一致。高管可能会为了追求自身利益，如扩大企业规模以获取更多的在职消费和更高的薪酬，而进行过度投资，即使这些投资项目的净现值为负。当企业拥有大量自由现金流时，高管更有动机将资金投入到一些非必要的项目中，从而导致过度投资。高管也可能因担心投资失败影响自身声誉和职业发展，而放弃一些净现值为正的投资项目，造成投资不足。信息不对称同样对非效率投资有着重要影响。企业内部管理层与外部投资者之间信息不对称，会导致融资约束。当企业需要外部融资进行投资时，由于投资者难以准确评估投资项目的风险和收益，可能会要求更高的回报率，这使得企业融资成本增加，从而放弃一些原本可行的投资项目，引发投资不足。信息不对称也可能使管理层高估或低估投资项目的价值，导致过度投资或投资不足。在度量方式上，投资-现金流敏感性（FHP）模型是早期常用的方法之一。该模型通过检验固定资产投资与自由现金流之间的敏感性来衡量企业面临的融资约束程度，进而推断非效率投资情况。由于它无法直接区分投资支出与自由现金流的敏感性是由过度投资还是投资不足引起，且只考虑了融资约束这一个影响投资-现金流敏感性的因素，忽略了其他相关因素，因此在检验企业投资效率时存在一定的局限性。现金流与投资机会交乘项判别（Vogt）模型以投资机会（Tobin'sQ）、现金流及交互项来检验投资现金敏感性，从而判断企业是投资过度还是投资不足。当投资机会低时，投资-现金流与投资机会的交互项负相关表示投资过度；当投资机会高时，投资-现金流和投资机会的交互项正相关则表示投资不足。该方法只能判断企业是过度投资或者投资不足，但不能检测出企业过度投资或投资不足的程度，且由于我国股票市场缺乏有效性，以托宾Q值来度量企业的投资效率容易产生度量误差。残差度量（Richardson）模型用残差来衡量企业非效率投资的程度，弥补了上述两个模型无法具体量化非效率投资程度这一不足。Richardson利用会计方法，构建了一个包含投资机会、资产负债率、现金流、公司规模、公司经营年限、股票收益、上年新增投资等相关解释变量的最优投资模型。若模型残差项大于0，则表示企业为过度投资；若残差小于0，则表示企业为投资不足，其数值则表示过度投资或投资不足的程度。此方法没有考虑代理冲突和信息不对称等其他因素对投资行为的影响，且模型中引入上年度新增投资依据不足，所以检验样本如果整体上存在投资过度或投资不足时采用该模型会存在系统性误差等问题。尽管国内外学者在非效率投资领域已取得了丰硕的研究成果，但目前对于非效率投资的成因和度量方式尚未形成完全统一的结论，仍需进一步深入研究和探讨，以更好地理解和解决企业非效率投资问题，提高企业投资效率和价值。2.2.3高管薪酬业绩敏感度与非效率投资关系的研究关于高管薪酬业绩敏感度与非效率投资之间的关系，学术界尚未达成完全一致的结论，存在着一定的分歧与共识。部分学者认为，较高的高管薪酬业绩敏感度能够有效抑制非效率投资行为。从委托代理理论的角度来看，当薪酬业绩敏感度较高时，高管的薪酬与公司业绩紧密挂钩，这使得高管为了获得更高的薪酬回报，会更加关注公司的长期发展，谨慎评估投资项目。高管会更倾向于选择那些净现值为正、能够为公司带来实际价值增长的投资项目，避免过度投资于一些短期内看似有利可图但长期来看回报率较低的项目，也会减少因风险规避而放弃有价值投资项目导致的投资不足情况。因为过度投资或投资不足都会损害公司业绩，进而影响高管自身的薪酬。也有学者提出不同观点，认为过高的薪酬业绩敏感度可能会引发高管的短视行为，反而加剧非效率投资。当薪酬业绩敏感度极高时，高管可能会过于追求短期业绩的提升，以获取高额薪酬。他们可能会选择一些短期内能够快速提升业绩但长期来看不利于公司可持续发展的投资项目，或者为了达到短期业绩目标而忽视投资项目的潜在风险，导致过度投资。高管也可能会为了避免短期内业绩下滑而放弃一些需要长期投入和培育的投资项目，造成投资不足。还有研究指出，高管薪酬业绩敏感度与非效率投资之间的关系并非简单的线性关系，可能受到多种因素的调节。公司的治理结构、行业竞争环境、宏观经济形势等都会对二者关系产生影响。在公司治理结构完善、监督机制健全的企业中，较高的薪酬业绩敏感度更有可能抑制非效率投资；而在治理结构薄弱的企业中，薪酬业绩敏感度的提高可能无法有效约束高管行为，甚至可能导致高管利用薪酬契约漏洞进行非效率投资。行业竞争激烈时，高管为了保持企业竞争力，可能会在较高薪酬业绩敏感度的激励下做出更合理的投资决策；而在行业竞争相对缓和的情况下，高管可能缺乏足够的动力，使得薪酬业绩敏感度对非效率投资的抑制作用减弱。现有研究在二者关系的研究上存在一定的分歧，尚未形成统一的定论，且对二者关系的内在作用机制以及影响因素的综合研究还不够深入。这为本研究提供了进一步探讨的空间，本文将深入剖析高管薪酬业绩敏感度对非效率投资的影响，探究其内在作用机制，以及不同情境下这种关系的变化，以期为企业优化薪酬体系、提高投资效率提供更有针对性的理论支持和实践指导。三、研究设计3.1研究假设在企业运营中，委托代理问题普遍存在，高管与股东的目标函数不一致，容易引发非效率投资行为。股东期望通过合理的薪酬契约设计，提高高管薪酬业绩敏感度，以激励高管做出符合股东利益的投资决策，从而提升企业投资效率。基于此，本文提出以下研究假设。假设1：高管薪酬业绩敏感度与过度投资负相关根据委托代理理论，股东与高管之间存在信息不对称和利益不一致。高管可能会为了追求自身利益，如扩大企业规模获取更多在职消费和更高薪酬，而进行过度投资，即便投资项目净现值为负。当高管薪酬业绩敏感度较高时，高管薪酬紧密关联公司业绩。过度投资易导致公司业绩下滑，进而削减高管薪酬。为获取更高薪酬回报，高管会更谨慎评估投资项目，规避过度投资于回报率低的项目，从而降低过度投资水平。众多学者研究也支持这一观点，如[学者姓名1]通过对[具体样本]的实证分析发现，高管薪酬业绩敏感度的提高有效抑制了企业过度投资行为；[学者姓名2]的研究也表明，在薪酬业绩敏感度较高的企业中，过度投资现象明显减少。因此，提出假设1：高管薪酬业绩敏感度与过度投资负相关。假设2：高管薪酬业绩敏感度与投资不足负相关信息不对称导致企业面临融资约束，可能引发投资不足。高管因担心投资失败影响自身声誉和职业发展，也可能放弃净现值为正的投资项目。提高高管薪酬业绩敏感度，可使高管薪酬与公司业绩紧密相连。投资不足会限制公司发展，降低公司业绩，进而影响高管薪酬。为获得更高薪酬，高管会更积极寻找和实施投资项目，减少因风险规避导致的投资不足情况。已有研究中，[学者姓名3]对[相关样本]的研究显示，较高的薪酬业绩敏感度能够促使高管克服风险厌恶情绪，积极进行投资，有效缓解投资不足问题；[学者姓名4]的研究也指出，当薪酬业绩敏感度提升时，企业投资不足的程度有所减轻。由此，提出假设2：高管薪酬业绩敏感度与投资不足负相关。3.2样本选取与数据来源为确保研究结果的科学性与可靠性，本研究选取2015-2022年沪深A股上市公司作为研究样本。之所以选择这一时间跨度，是因为在此期间，我国资本市场不断发展完善，相关政策法规逐步健全，企业的经营环境和治理结构也发生了一系列变化，能够为研究提供丰富且具有代表性的数据。在样本选取过程中，遵循了以下筛选标准：首先，剔除金融行业上市公司。金融行业具有独特的经营模式和监管要求，其财务数据和投资决策与其他行业存在显著差异，若将其纳入样本，可能会干扰研究结果的准确性。金融行业的资产负债结构、盈利模式以及风险特征等方面都与非金融行业有很大不同，例如金融行业的高杠杆经营特点会对投资决策产生特殊影响，与一般企业的投资行为不可简单类比。其次，剔除ST、*ST和PT公司。这些公司通常面临财务困境或经营异常，其高管薪酬政策和投资决策可能受到特殊因素的影响，无法反映正常经营企业的情况。ST、*ST和PT公司可能存在财务造假、债务违约等问题，其高管薪酬可能并非基于公司的正常业绩表现，投资决策也可能是为了应对危机而非追求企业的长期发展，因此将其剔除有助于提高样本的同质性。再次，剔除关键数据缺失的公司。数据的完整性是进行准确实证分析的基础，关键数据缺失会导致研究结果出现偏差甚至无法进行有效分析。例如，若公司的高管薪酬数据或财务报表数据缺失，将无法准确计算相关变量，从而影响研究结论的可靠性。经过上述筛选，最终得到[X]个有效样本。本研究的数据来源主要包括国泰安数据库（CSMAR）、万得数据库（Wind）以及上市公司年报。国泰安数据库和万得数据库提供了全面且系统的上市公司财务数据、高管薪酬数据以及公司治理数据等，这些数据经过专业整理和校验，具有较高的可靠性和权威性。上市公司年报则作为补充数据源，用于获取一些数据库中未涵盖的详细信息，如公司的投资项目明细、高管薪酬构成等，以确保数据的完整性和准确性。通过对多个数据源的数据进行交叉核对和验证，进一步提高了数据质量，为后续的实证研究奠定了坚实基础。3.3变量定义与度量3.3.1被解释变量：非效率投资非效率投资包括过度投资和投资不足两种情况，本文采用残差度量（Richardson）模型来衡量非效率投资程度。该模型通过估计公司的正常投资水平，然后用模型的残差来度量公司的非效率投资。若残差大于0，表示公司存在过度投资；若残差小于0，则表示公司存在投资不足，残差的绝对值大小表示非效率投资的程度。具体计算模型如下：Invest_{i,t}=\alpha_0+\alpha_1Growth_{i,t-1}+\alpha_2Lev_{i,t-1}+\alpha_3Cash_{i,t-1}+\alpha_4Age_{i,t-1}+\alpha_5Size_{i,t-1}+\alpha_6Return_{i,t-1}+\sum_{Industry}\alpha_{7}Industry_{i,t}+\sum_{Year}\alpha_{8}Year_{i,t}+\varepsilon_{i,t}其中，Invest_{i,t}为公司i在t期的新增投资支出，用购建固定资产、无形资产和其他长期资产支付的现金减去处置固定资产、无形资产和其他长期资产收回的现金净额，并除以期初总资产表示；Growth_{i,t-1}为公司i在t-1期的成长性水平，用主营业务收入增长率表示；Lev_{i,t-1}为公司i在t-1期的资产负债率，用负债除以总资产表示；Cash_{i,t-1}为公司i在t-1期的现金持有量，用现金及现金等价物除以总资产表示；Age_{i,t-1}为公司i在t-1期的上市年限，用当年与上市年份差额加1的自然对数表示；Size_{i,t-1}为公司i在t-1期的企业规模，用总资产的自然对数表示；Return_{i,t-1}为公司i在t-1期的股票收益率，用考虑现金红利再投资的年个股回报率表示；Industry_{i,t}和Year_{i,t}分别为行业虚拟变量和年度虚拟变量；\varepsilon_{i,t}为残差项，即非效率投资水平，\vert\varepsilon_{i,t}\vert越大，表示非效率投资程度越高。选择Richardson模型来度量非效率投资，主要是因为该模型能够综合考虑多种影响公司投资决策的因素，通过回归分析得出的残差可以较为准确地反映公司实际投资与最优投资水平之间的偏差，从而量化非效率投资的程度，弥补了其他模型无法具体量化非效率投资程度的不足。众多学者在相关研究中也广泛采用了该模型，其有效性和可靠性得到了一定的验证，能够为本文的研究提供较为科学的非效率投资度量方式。3.3.2解释变量：高管薪酬业绩敏感度高管薪酬业绩敏感度（PPS）反映了高管薪酬与公司业绩之间的关联程度，本文借鉴相关文献的做法，采用薪酬变动率与业绩变动率的比值来衡量高管薪酬业绩敏感度。具体计算公式如下：PPS_{i,t}=\frac{\DeltaPay_{i,t}}{\DeltaROA_{i,t}}其中，PPS_{i,t}表示公司i在t期的高管薪酬业绩敏感度；\DeltaPay_{i,t}为公司i在t期高管薪酬的变动额，即t期高管薪酬总额减去t-1期高管薪酬总额；\DeltaROA_{i,t}为公司i在t期总资产收益率（ROA）的变动额，即t期ROA减去t-1期ROA。ROA作为衡量公司业绩的重要指标，能够综合反映公司运用全部资产获取利润的能力，用其变动额来衡量公司业绩的变化，与高管薪酬变动额相结合计算薪酬业绩敏感度，能够较为直观地体现高管薪酬对公司业绩变化的敏感程度。当PPS_{i,t}的值越大时，说明高管薪酬随着公司业绩的变化而变动的幅度越大，即高管薪酬业绩敏感度越高，表明公司的薪酬契约对高管的激励作用越强，高管的薪酬与公司业绩的关联更为紧密；反之，PPS_{i,t}的值越小，则表示高管薪酬业绩敏感度越低，薪酬契约对高管的激励效果相对较弱。3.3.3控制变量为了更准确地研究高管薪酬业绩敏感度对非效率投资的影响，控制其他可能影响企业投资决策的因素至关重要。参考已有文献及相关理论，本文选取了以下控制变量：公司规模（Size）：用企业总资产的自然对数衡量。公司规模在企业投资决策中扮演着重要角色，大规模公司通常拥有更丰富的资源和更广泛的投资机会，可能更倾向于进行大规模投资，其投资决策也可能受到更多内外部因素的关注和约束。而小规模公司在资源获取和风险承担能力上相对较弱，投资决策可能更为谨慎。因此控制公司规模，能够减少其对非效率投资的干扰，使研究结果更准确地反映高管薪酬业绩敏感度与非效率投资之间的关系。财务杠杆（Lev）：以资产负债率衡量，即负债总额与资产总额的比值。财务杠杆反映了企业的债务融资水平和偿债能力。较高的财务杠杆意味着企业面临较大的偿债压力，这可能会限制企业的投资能力，使其在投资决策时更加谨慎，减少过度投资的可能性，但也可能因资金紧张而导致投资不足。相反，较低的财务杠杆虽然偿债压力小，但可能会使企业过于乐观地进行投资，增加过度投资的风险。控制财务杠杆，有助于排除其对企业投资决策的影响，更清晰地分析高管薪酬业绩敏感度与非效率投资之间的关联。股权集中度（Top1）：用第一大股东持股比例表示。股权集中度体现了公司股权的集中程度，对公司治理和投资决策有着显著影响。股权集中度较高时，第一大股东可能对公司决策具有较强的控制力，其投资决策可能更倾向于自身利益，从而影响企业的投资效率。大股东可能为了巩固自身地位或获取短期利益，支持一些非效率投资项目；股权集中度较低时，股东之间的权力相对分散，可能导致决策效率低下，也会影响企业的投资决策和投资效率。控制股权集中度，可以降低其对研究结果的干扰，更准确地探讨高管薪酬业绩敏感度与非效率投资之间的关系。董事会规模（Board）：以董事会成员人数衡量。董事会作为公司治理的核心机构，其规模大小会影响公司的决策效率和监督能力。较大规模的董事会可能拥有更丰富的知识和经验，能够从多个角度对投资项目进行评估和决策，有助于提高投资决策的科学性，减少非效率投资行为。规模过大也可能导致决策过程冗长、意见难以统一，增加沟通成本和决策失误的风险。较小规模的董事会决策效率可能较高，但可能由于知识和经验的局限性，难以全面评估投资项目，从而增加非效率投资的可能性。控制董事会规模，能够在研究中考虑到其对企业投资决策的影响，使研究结果更具可靠性。独立董事比例（Indep）：即独立董事人数占董事会总人数的比例。独立董事具有独立性和专业性，能够对公司管理层的决策进行监督和制衡，提供独立客观的意见和建议，有助于减少管理层为追求自身利益而进行的非效率投资行为。较高的独立董事比例可以增强董事会的独立性和监督能力，对高管的投资决策形成有效的约束，降低非效率投资的风险；反之，独立董事比例较低时，董事会的监督作用可能相对较弱，高管可能更容易进行非效率投资。控制独立董事比例，能够更好地分析高管薪酬业绩敏感度对非效率投资的影响，排除独立董事监督因素对研究结果的干扰。成长性（Growth）：用营业收入增长率衡量。企业的成长性反映了其未来的发展潜力和投资机会。具有高成长性的企业通常面临更多的投资机会，可能会加大投资力度以实现快速发展，但也可能因过度追求增长而进行非效率投资。低成长性企业则可能投资机会相对较少，投资决策更为保守。控制成长性，可以使研究在考虑企业发展阶段和投资机会差异的基础上，更准确地探讨高管薪酬业绩敏感度与非效率投资之间的关系。各变量的具体定义和度量方式汇总如表1所示：变量类型变量名称变量符号度量方式被解释变量非效率投资Ine_Inv使用Richardson模型回归残差衡量，残差大于0为过度投资，小于0为投资不足，残差绝对值表示非效率投资程度解释变量高管薪酬业绩敏感度PPS薪酬变动率与业绩变动率的比值，即\frac{\DeltaPay}{\DeltaROA}控制变量公司规模Size企业总资产的自然对数控制变量财务杠杆Lev资产负债率，负债总额与资产总额的比值控制变量股权集中度Top1第一大股东持股比例控制变量董事会规模Board董事会成员人数控制变量独立董事比例Indep独立董事人数占董事会总人数的比例控制变量成长性Growth营业收入增长率3.4模型构建为了检验前文提出的研究假设，深入探究高管薪酬业绩敏感度对非效率投资的影响，构建以下多元线性回归模型：Ine\_Inv_{i,t}=\beta_0+\beta_1PPS_{i,t}+\sum_{j=2}^{7}\beta_jControl_{j,i,t}+\sum_{Industry}\beta_{8}Industry_{i,t}+\sum_{Year}\beta_{9}Year_{i,t}+\mu_{i,t}在上述模型中，Ine\_Inv_{i,t}表示公司i在t期的非效率投资水平，该变量为被解释变量，其取值依据Richardson模型回归残差确定，残差大于0代表过度投资，小于0代表投资不足，残差的绝对值越大，表明非效率投资程度越高。PPS_{i,t}代表公司i在t期的高管薪酬业绩敏感度，此变量为解释变量，通过薪酬变动率与业绩变动率的比值进行衡量，即\frac{\DeltaPay_{i,t}}{\DeltaROA_{i,t}}，该比值越大，说明高管薪酬业绩敏感度越高。Control_{j,i,t}为控制变量，j=2,3,\cdots,7，分别对应公司规模（Size）、财务杠杆（Lev）、股权集中度（Top1）、董事会规模（Board）、独立董事比例（Indep）和成长性（Growth）。这些控制变量能够有效控制其他可能对企业投资决策产生影响的因素，从而使研究结果更准确地反映高管薪酬业绩敏感度与非效率投资之间的关系。公司规模用企业总资产的自然对数衡量，较大规模的公司在投资决策上可能与小规模公司存在差异；财务杠杆以资产负债率表示，反映企业的债务融资水平和偿债能力，会对投资决策产生重要影响；股权集中度用第一大股东持股比例衡量，影响公司治理和投资决策；董事会规模以董事会成员人数衡量，关系到公司决策效率和监督能力；独立董事比例为独立董事人数占董事会总人数的比例，对管理层决策有监督制衡作用；成长性用营业收入增长率衡量，体现企业未来发展潜力和投资机会。Industry_{i,t}和Year_{i,t}分别为行业虚拟变量和年度虚拟变量，用以控制行业和年度固定效应。不同行业的企业在投资决策、经营模式和市场环境等方面存在差异，设置行业虚拟变量可以排除行业因素对研究结果的干扰；年度虚拟变量则可以控制宏观经济环境、政策法规变化等年度因素对企业投资决策的影响，使得研究结果更具说服力。\beta_0为常数项，\beta_1,\beta_2,\cdots,\beta_9为回归系数，反映了各变量对非效率投资的影响程度和方向，\mu_{i,t}为随机误差项，代表模型中未考虑到的其他随机因素对非效率投资的影响。通过对该模型进行回归分析，若\beta_1显著为负，则支持假设1和假设2，即高管薪酬业绩敏感度与过度投资、投资不足均呈负相关关系；若\beta_1不显著或为正，则表明假设不成立，需要进一步分析原因。四、实证结果与分析4.1描述性统计对样本数据中各变量进行描述性统计，结果如表2所示：变量样本量均值标准差最小值最大值Ine_Inv[X]-0.0120.063-0.2340.189PPS[X]2.1541.3270.0567.893Size[X]22.0341.21520.10225.346Lev[X]0.4250.1860.0530.876Top1[X]32.56%10.23%8.56%65.32%Board[X]9.251.56515Indep[X]0.3780.0520.3330.571Growth[X]0.1240.345-0.5672.891在非效率投资（Ine_Inv）方面，样本均值为-0.012，表明整体上样本公司存在轻微的投资不足现象。标准差为0.063，说明不同公司之间的非效率投资程度存在一定差异，最小值为-0.234，最大值为0.189，体现出样本中各公司非效率投资水平的分布范围较广，部分公司的非效率投资问题较为严重。高管薪酬业绩敏感度（PPS）均值为2.154，意味着公司业绩每变动一个单位，高管薪酬平均变动2.154个单位，反映出样本公司整体上高管薪酬与业绩有一定的关联程度。标准差为1.327，表明不同公司的高管薪酬业绩敏感度存在较大差异，最小值0.056和最大值7.893进一步证实了这种差异，这可能与公司的治理结构、行业竞争程度、企业发展阶段等多种因素有关。公司规模（Size）均值为22.034，标准差为1.215，说明样本中公司规模存在一定差异，但整体分布相对较为集中。规模最小的公司Size值为20.102，最大的为25.346，体现了不同规模公司在样本中的分布情况，规模因素可能对企业投资决策和高管薪酬制定产生影响。财务杠杆（Lev）均值为0.425，即资产负债率平均水平为42.5%，表明样本公司整体债务融资水平适中。标准差0.186显示公司之间的财务杠杆差异较为明显，最小值0.053和最大值0.876说明部分公司财务杠杆很低，偿债压力小，而部分公司财务杠杆较高，面临较大偿债压力，这种差异会对企业投资决策产生不同程度的影响。股权集中度（Top1）均值为32.56%，标准差为10.23%，说明样本公司第一大股东持股比例存在一定差异，最小值8.56%和最大值65.32%体现出不同公司股权集中程度的较大差距，股权集中度的不同会影响公司治理结构和决策机制，进而影响高管薪酬和企业投资行为。董事会规模（Board）均值为9.25人，标准差1.56，说明样本公司董事会规模相对稳定，且差异不大。董事会规模最小值为5人，最大值为15人，不同规模的董事会在公司决策和监督中发挥的作用有所不同，可能对高管薪酬业绩敏感度和非效率投资产生影响。独立董事比例（Indep）均值为0.378，接近监管要求的三分之一水平，标准差0.052表明各公司独立董事比例差异较小，在0.333-0.571之间波动，独立董事在公司治理中起到监督制衡作用，其比例的差异会对高管薪酬和企业投资决策产生影响。成长性（Growth）均值为0.124，说明样本公司整体具有一定的成长潜力。标准差0.345较大，最小值-0.567和最大值2.891表明公司之间成长性差异显著，高成长性公司和低成长性公司在投资决策和高管薪酬激励方面可能存在明显不同。通过对各变量的描述性统计分析，初步了解了样本数据的基本特征和分布情况，为后续进一步的实证分析奠定了基础，也有助于更深入地理解高管薪酬业绩敏感度与非效率投资及其他相关因素之间的关系。4.2相关性分析为初步探究各变量之间的关系，对样本数据进行相关性分析，结果如表3所示：变量Ine_InvPPSSizeLevTop1BoardIndepGrowthIne_Inv1PPS-0.234***1Size0.156***0.189***1Lev0.123***-0.105***0.345***1Top1-0.087**0.076*0.212***-0.098**1Board-0.065*0.0530.178***-0.073*0.068*1Indep-0.0520.0480.114***-0.0610.0490.0571Growth0.102***0.115***0.236***-0.084**0.072*0.064*0.0581注：*、、*分别表示在1%、5%、10%的水平上显著。从表3中可以看出，高管薪酬业绩敏感度（PPS）与非效率投资（Ine_Inv）之间的相关系数为-0.234，且在1%的水平上显著，初步表明高管薪酬业绩敏感度与非效率投资呈负相关关系，这与研究假设1和假设2相符，即高管薪酬业绩敏感度越高，非效率投资水平越低，较高的薪酬业绩敏感度能够在一定程度上抑制非效率投资行为。公司规模（Size）与非效率投资（Ine_Inv）的相关系数为0.156，在1%的水平上显著正相关，说明公司规模越大，非效率投资的可能性越高。这可能是因为大规模公司通常拥有更多的资源和投资机会，在投资决策过程中更容易出现信息不对称和委托代理问题，从而导致非效率投资行为的发生。大规模公司的管理层可能为了追求规模扩张和个人利益，过度投资于一些项目，而忽视了投资的效率和回报率。财务杠杆（Lev）与非效率投资（Ine_Inv）的相关系数为0.123，在1%的水平上显著正相关，表明财务杠杆越高，企业的非效率投资水平越高。当企业的资产负债率较高时，面临较大的偿债压力，可能会影响其投资决策的合理性。企业可能会为了满足短期偿债需求，而放弃一些长期有利的投资项目，或者为了维持经营而过度投资于一些高风险项目，从而导致非效率投资。股权集中度（Top1）与非效率投资（Ine_Inv）的相关系数为-0.087，在5%的水平上显著负相关，说明股权集中度越高，非效率投资水平越低。较高的股权集中度意味着大股东对公司具有更强的控制权，大股东出于自身利益考虑，可能会更积极地监督管理层的投资决策，减少管理层为追求个人利益而进行的非效率投资行为。大股东可能会对管理层的投资决策进行严格审查，避免管理层过度投资或投资不足，从而提高企业的投资效率。董事会规模（Board）与非效率投资（Ine_Inv）的相关系数为-0.065，在10%的水平上显著负相关，表明董事会规模越大，非效率投资水平越低。较大规模的董事会能够提供更广泛的知识和经验，在投资决策过程中可以进行更充分的讨论和分析，从而减少决策失误，降低非效率投资的可能性。董事会成员可以从不同角度对投资项目进行评估，提出多样化的意见和建议，有助于提高投资决策的科学性和合理性。独立董事比例（Indep）与非效率投资（Ine_Inv）的相关系数为-0.052，虽然负相关但不显著，说明独立董事比例对非效率投资的影响不明显。这可能是因为在实际中，独立董事可能受到各种因素的限制，无法充分发挥其监督作用，导致其对非效率投资的抑制效果不显著。独立董事可能缺乏足够的信息和资源来深入了解公司的投资决策，或者在董事会中受到其他董事的影响，难以独立发表意见和行使监督职责。成长性（Growth）与非效率投资（Ine_Inv）的相关系数为0.102，在1%的水平上显著正相关，意味着企业成长性越高，非效率投资水平越高。高成长性企业通常面临更多的投资机会，管理层可能会为了追求快速发展而过于乐观地评估投资项目，忽视投资风险和回报率，从而导致非效率投资行为的发生。管理层可能会盲目跟风投资一些热门项目，而没有充分考虑项目的可行性和收益性，或者为了抢占市场份额而过度投资，导致资源浪费和投资效率低下。在各变量的两两相关性中，相关系数绝对值均小于0.8，初步判断不存在严重的多重共线性问题。但为了进一步准确判断，还需进行方差膨胀因子（VIF）检验等多重共线性诊断方法。相关性分析结果仅为初步判断变量间关系提供依据，后续将通过回归分析进一步深入探究高管薪酬业绩敏感度对非效率投资的影响。4.3回归结果分析4.3.1高管薪酬业绩敏感度对过度投资的影响对构建的回归模型进行回归分析，以探究高管薪酬业绩敏感度对过度投资的影响，结果如表4所示：|变量|系数|标准误|t值|P>|t|||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||变量|系数|标准误|t值|P>|t|||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||N|[样本量]||R²|[调整后的R²值]||R²|[调整后的R²值]|从回归结果来看，高管薪酬业绩敏感度（PPS）的系数为[β1系数值]，且在[X]%的水平上显著为负。这表明高管薪酬业绩敏感度与过度投资之间存在显著的负相关关系，即假设1得到验证。当高管薪酬业绩敏感度提高时，过度投资水平显著降低。这一结果与委托代理理论和激励理论相符，较高的薪酬业绩敏感度使得高管的薪酬与公司业绩紧密相连，为了获得更高的薪酬回报，高管会更加谨慎地评估投资项目，避免过度投资于那些净现值为负或回报率较低的项目，从而有效抑制过度投资行为。公司规模（Size）的系数为正且在[X]%的水平上显著，说明公司规模越大，过度投资水平越高。这可能是因为大规模公司通常拥有更丰富的资源和更多的投资机会，管理层在决策时更容易受到各种因素的干扰，从而导致过度投资。大规模公司可能面临更多的扩张压力，管理层为了追求规模增长和个人利益，可能会过度投资于一些项目，而忽视了投资的效率和回报率。财务杠杆（Lev）的系数为正且在[X]%的水平上显著，表明财务杠杆越高，过度投资水平越高。较高的财务杠杆意味着企业面临较大的偿债压力，可能会影响管理层的投资决策。企业可能会为了满足短期偿债需求，而过度投资于一些高风险项目，或者为了维持经营而进行一些不必要的投资，从而导致过度投资。股权集中度（Top1）的系数为负且在[X]%的水平上显著，说明股权集中度越高，过度投资水平越低。较高的股权集中度使得大股东对公司具有更强的控制权，大股东出于自身利益考虑，会更积极地监督管理层的投资决策，减少管理层为追求个人利益而进行的过度投资行为。大股东可能会对管理层的投资决策进行严格审查，确保投资项目符合公司的长期发展战略，避免过度投资带来的损失。董事会规模（Board）的系数为负但不显著，说明董事会规模对过度投资的影响不明显。虽然理论上较大规模的董事会能够提供更广泛的知识和经验，有助于减少过度投资，但在实际情况中，董事会规模可能受到多种因素的制约，如决策效率、沟通成本等，导致其对过度投资的抑制作用未能充分发挥。独立董事比例（Indep）的系数为负且不显著，表明独立董事比例对过度投资的影响不显著。尽管独立董事具有独立性和专业性，能够对管理层的决策进行监督和制衡，但在现实中，独立董事可能受到各种因素的限制，如信息获取不充分、缺乏实际决策权等，无法有效地发挥其监督作用，从而对过度投资的抑制效果不明显。成长性（Growth）的系数为正且在[X]%的水平上显著，意味着企业成长性越高，过度投资水平越高。高成长性企业通常面临更多的投资机会，管理层可能会为了追求快速发展而过于乐观地评估投资项目，忽视投资风险和回报率，从而导致过度投资行为的发生。管理层可能会盲目跟风投资一些热门项目，而没有充分考虑项目的可行性和收益性，或者为了抢占市场份额而过度投资，导致资源浪费和投资效率低下。4.3.2高管薪酬业绩敏感度对投资不足的影响同样对回归模型进行分析，以研究高管薪酬业绩敏感度对投资不足的影响，结果如表5所示：|变量|系数|标准误|t值|P>|t|||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||变量|系数|标准误|t值|P>|t|||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||----|----|----|----|----||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Intercept|[β0系数值]|[β0标准误值]|[β0t值]|[β0P值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||PPS|[β1系数值]|[β1标准误值]|[β1t值]|[β1P值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Size|[β2系数值]|[β2标准误值]|[β2t值]|[β2P值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Lev|[β3系数值]|[β3标准误值]|[β3t值]|[β3P值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Top1|[β4系数值]|[β4标准误值]|[β4t值]|[β4P值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Board|[β5系数值]|[β5标准误值]|[β5t值]|[β5P值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Indep|[β6系数值]|[β6标准误值]|[β6t值]|[β6P值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Growth|[β7系数值]|[β7标准误值]|[β7t值]|[β7P值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Industry固定效应|是||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||Year固定效应|是||N|[样本量]||R²|[调整后的R²值]||N|[样本量]||R²|[调整后的R²值]||R²|[调整后的R²值]|从表5回归结果可知，高管薪酬业绩敏感度（PPS）的系数为[β1系数值]，在[X]%的水平上显著为负，这表明高管薪酬业绩敏感度与投资不足之间存在显著的负相关关系，假设2得到验证。当高管薪酬业绩敏感度提高时，投资不足水平显著降低。较高的薪酬业绩敏感度能够激励高管积极寻找和实施投资项目，减少因风险规避或其他原因导致的投资不足情况。因为投资不足会限制公司的发展，降低公司业绩，进而影响高管的薪酬，所以为了获得更高的薪酬，高管会克服风险厌恶情绪，积极推动投资项目的开展。公司规模（Size）的系数为负且在[X]%的水平上显著，说明公司规模越大，投资不足水平越低。大规模公司通常拥有更强大的资源获取能力和融资渠道，能够更容易地为投资项目筹集资金，从而减少投资不足的可能性。大规模公司在市场上具有更高的信誉和影响力，更容易获得银行贷款、发行债券等融资方式，为投资项目提供充足的资金支持。财务杠杆（Lev）的系数为正且在[X]%的水平上显著，表明财务杠杆越高，投资不足水平越高。较高的财务杠杆意味着企业面临较大的偿债压力，可能会导致企业融资困难，从而限制了企业的投资能力，导致投资不足。当企业资产负债率较高时，银行等金融机构可能会对其贷款申请更加谨慎，提高贷款门槛和利率，使得企业难以获得足够的资金进行投资。股权集中度（Top1）的系数为正且在[X]%的水平上显著，说明股权集中度越高，投资不足水平越高。虽然较高的股权集中度使得大股东对公司具有较强的控制权，但大股东可能出于自身利益考虑，过度保守地进行投资决策，导致公司错失一些有价值的投资机会，从而加剧投资不足。大股东可能更关注自身的财富安全，不愿意承担过高的投资风险，即使一些投资项目具有较高的潜在回报率，也可能因风险因素而放弃投资。董事会规模（Board）的系数为正但不显著，说明董事会规模对投资不足的影响不明显。尽管较大规模的董事会理论上能够提供更多的决策建议和监督作用，但在实际中，可能由于决策过程的复杂性和沟通成本的增加，导致董事会在解决投资不足问题上的作用有限。董事会成员之间可能存在意见分歧，难以达成一致的投资决策，或者在监督管理层投资决策时，由于信息传递不畅等原因，无法及时发现和纠正投资不足的问题。独立董事比例（Indep）的系数为正且不显著，表明独立董事比例对投资不足的影响不显著。独立董事虽然具有独立性和专业性，但在实际监督过程中，可能由于缺乏足够的信息和权力，无法有效地促使管理层增加投资，减少投资不足的情况。独立董事可能难以深入了解公司的投资项目细节和市场情况，或者在董事会中无法对管理层的决策产生实质性影响，导致其对投资不足的改善作用不明显。成长性（Growth）的系数为负且在[X]%的水平上显著，意味着企业成长性越高，投资不足水平越低。高成长性企业通常具有更多的投资机会和发展潜力，管理层会更积极地进行投资，以实现企业的快速发展，从而减少投资不足的现象。高成长性企业的管理层为了抓住市场机遇，提升企业竞争力，会主动寻找和实施投资项目，充分利用企业的资源和优势，推动企业的发展壮大。4.4稳健性检验为确保研究结果的可靠性与稳定性，采用多种方法进行稳健性检验。首先，运用替换变量法。在度量非效率投资时，采用投资-现金流敏感性（FHP）模型重新计算非效率投资水平。该模型通过检验固定资产投资与自由现金流之间的敏感性来衡量企业面临的融资约束程度，进而推断非效率投资情况。虽然它存在无法直接区分投资支出与自由现金流的敏感性是由过度投资还是投资不足引起等局限性，但作为一种常用的度量方法，能够从不同角度验证研究结果。在度量高管薪酬业绩敏感度时，以薪酬变动率与净利润变动率的比值替换原有的与总资产收益率变动率的比值。净利润是企业