魏彥杰，鐘 娟

（安徽財經(jīng)大學(xué) 國際經(jīng)濟(jì)貿(mào)易學(xué)院，安徽 蚌埠 233030）

0 引言

企業(yè)面對不確定時的風(fēng)險抉擇行為一直是經(jīng)濟(jì)學(xué)領(lǐng)域的熱點問題。由于企業(yè)未來的經(jīng)營狀態(tài)存在不確定性，因此他們需要依據(jù)自身對不確定性的感知及風(fēng)險厭惡程度，在回報和風(fēng)險之間作出選擇。不過，現(xiàn)實中的企業(yè)常常表現(xiàn)出相互矛盾的風(fēng)險偏好[1]，個體決策的“前景理論”[2]將這種兼具風(fēng)險追求和風(fēng)險厭惡的雙重特征歸結(jié)為企業(yè)面對不確定性時的損失厭惡，即厭惡損失而非厭惡風(fēng)險。企業(yè)的風(fēng)險決策事實上取決于回報與目標(biāo)之差[3]：當(dāng)回報低于目標(biāo)值時，企業(yè)表現(xiàn)出風(fēng)險追求；相反，當(dāng)回報高于目標(biāo)值時，企業(yè)表現(xiàn)出風(fēng)險厭惡。即在目標(biāo)值（拐點）兩側(cè)，企業(yè)在回報和風(fēng)險之間的選擇截然不同，形成一種非線性的“U”型關(guān)系[4]。這種“U”型關(guān)系反映了企業(yè)面對不確定時的羊群行為，即企業(yè)僅追求一個尚可的目標(biāo)績效，這是企業(yè)經(jīng)營上的惰性行為，它背離了企業(yè)家精神，降低了微觀主體效率。

雖然前景理論整體解釋了企業(yè)決策中回報和風(fēng)險承擔(dān)之間的因果機(jī)制，但關(guān)于中國企業(yè)的損失厭惡行為卻一直缺乏系統(tǒng)性討論[5]：（1）研究者往往更關(guān)注拐點左側(cè)的風(fēng)險追求行為以及這種冒險傾向的后果及其治理，卻很少關(guān)注損失厭惡行為的整個曲線形態(tài)及其驅(qū)動力；（2）研究者也并未關(guān)注“U”型曲線非對稱性的形成過程；（3）損失厭惡行為的特點在于它同時包含拐點左側(cè)的風(fēng)險追求行為與拐點右側(cè)的風(fēng)險厭惡行為，但目前研究者很少關(guān)注企業(yè)內(nèi)外部因素對風(fēng)險追求與風(fēng)險厭惡的不同作用。

前景理論將企業(yè)視為激進(jìn)與惰性、冒險與保守的組合體，因此更全面地觀察企業(yè)的損失厭惡行為特征和驅(qū)動因素，對激發(fā)企業(yè)家精神、幫助企業(yè)更合理地應(yīng)對外部不確定性風(fēng)險，以及建設(shè)世界一流企業(yè)具有重要意義?；诖耍疚氖褂?000—2019年中國上市企業(yè)財務(wù)數(shù)據(jù)，針對損失厭惡行為的非線性整體特征、分位數(shù)特征和分樣本特征三個方面，以及分行業(yè)的異質(zhì)性進(jìn)行分析，細(xì)致觀察企業(yè)行為決策中“回報-風(fēng)險”因果機(jī)制的非線性關(guān)系，以便全景式地展現(xiàn)中國企業(yè)面對不確定性時的“回報-風(fēng)險”抉擇行為，為企業(yè)行為研究提供來自中國的經(jīng)驗證據(jù)。

1 研究設(shè)計

1.1 變量選取

1.1.1 被解釋變量與解釋變量

被解釋變量：企業(yè)風(fēng)險承擔(dān)（SDrebit）。本文使用盈余波動性來度量企業(yè)風(fēng)險承擔(dān)水平，它反映了管理者在資源配置中的風(fēng)險決策所帶來的企業(yè)收入不確定性。具體測度性方法如下：首先，計算企業(yè)當(dāng)年息稅前利潤率與當(dāng)年該企業(yè)所處行業(yè)平均盈余回報率的差值；其次，以每三年（t-1 年至t+1 年）為一個觀測時段①采用其他年份滾動方法，如t 年至t+2 年的數(shù)據(jù)來測度企業(yè)盈余波動性并不改變本文的主要結(jié)果。，計算該差值的標(biāo)準(zhǔn)差；最后，為避免解釋變量回歸系數(shù)過小，將得到的標(biāo)準(zhǔn)差乘以100②這種處理并不影響回歸系數(shù)的正負(fù)和顯著性水平，只是將回歸系數(shù)放大了100倍，以避免回歸系數(shù)過小難以表示的問題。。其中，測度過程中使用的行業(yè)劃分標(biāo)準(zhǔn)為證監(jiān)會《上市公司行業(yè)分類指引》（2012年版）。

解釋變量：企業(yè)回報（rebit）。與企業(yè)風(fēng)險承擔(dān)的測度方法相對應(yīng)，本文選取息稅前利潤率來代表企業(yè)回報水平。

1.1.2 控制變量

（1）企業(yè)經(jīng)營層面變量：①資產(chǎn)負(fù)債率（Lev）：企業(yè)總負(fù)債除以總資產(chǎn)。一般認(rèn)為，資產(chǎn)負(fù)債率越高的企業(yè)（杠桿水平更高），其風(fēng)險承擔(dān)水平也越高，因此預(yù)期Lev的系數(shù)為正。②企業(yè)規(guī)模（Size），企業(yè)總資產(chǎn)的對數(shù)。企業(yè)規(guī)模也是決定風(fēng)險承擔(dān)水平的重要因素，相對于大企業(yè)，小企業(yè)具有更強(qiáng)烈的風(fēng)險偏好，其風(fēng)險承擔(dān)水平更高，因此預(yù)期Size系數(shù)為負(fù)。③企業(yè)成長性（Grow），營業(yè)收入增長率。營業(yè)收入增長越快的企業(yè)，其經(jīng)營狀況越好，盈利能力也越強(qiáng)，企業(yè)通過高風(fēng)險經(jīng)營方式獲取利潤的動機(jī)則越弱，因此預(yù)期Grow系數(shù)為負(fù)。④創(chuàng)新效率（InnoEff），計算方法為Patent/ln(1+研發(fā)支出)，其中，Patent的計算方法為企業(yè)發(fā)明、實用新型和外觀設(shè)計三種專利的年度總申請量加1 后的自然對數(shù)，3 種專利按3∶2∶1 設(shè)置權(quán)重。InnoEff反映了每單位研發(fā)投入的專利申請數(shù)，InnoEff越高，創(chuàng)新產(chǎn)出能力越強(qiáng)。（2）企業(yè)特質(zhì)層面變量：企業(yè)年齡（Age），計算方法為觀測年份減去公司成立年份。（3）公司治理層面變量：獨立董事比例（Idp），計算方法為獨立董事人數(shù)除以董事會總?cè)藬?shù)。（4）企業(yè)外在環(huán)境變量：行業(yè)內(nèi)市場集中度（HHI）。首先，本文將各細(xì)分行業(yè)合并為20個行業(yè)大類；然后，設(shè)某細(xì)分行業(yè)l下的公司i在年份t的營業(yè)收入為ORl，i，t，其市場占有率為MSl，i，t=ORl，i，t/∑ORl，t，則該行業(yè)l的HHI為HHIl，t=∑(MSl，i，t)2；最后，設(shè)某行業(yè)大類L下的公司數(shù)量為lnum，其包含的每個細(xì)分行業(yè)公司數(shù)目為lnum，并以此為權(quán)重，得到每個行業(yè)大類L的HHI為HHIL，t=∑(lnum/lnum)HHIl，t。HHI越小，表明行業(yè)內(nèi)競爭越激烈，反之亦然。

1.2 研究方法

1.2.1 損失厭惡行為的非線性模型

按照前景理論的假設(shè)，若企業(yè)存在損失厭惡行為，則其回報水平與風(fēng)險承擔(dān)水平之間具有“U”型的非線性關(guān)系。因此，使用半?yún)?shù)固定效應(yīng)回歸方法來驗證這一假設(shè)，同時指定企業(yè)回報rebit為進(jìn)入模型的非線性連續(xù)變量，并設(shè)定如下模型：

其中，i和t分別表示公司和年份。

1.2.2 損失厭惡行為的分位數(shù)回歸模型

為了進(jìn)一步從企業(yè)風(fēng)險承擔(dān)水平的角度觀察企業(yè)損失厭惡行為，本文使用其分位數(shù)來考察不同風(fēng)險承擔(dān)水平下企業(yè)損失厭惡程度的變化情況。計量方法使用廣義分位數(shù)回歸[6]，計量模型中同時包含變量rebit的一次項和二次項，模型表述式如下：

分位數(shù)q包括0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、0.99，并按照各分位數(shù)下SDrebit的均值，使用Fisher 最優(yōu)分割法將其劃分為三種類型，即低風(fēng)險（q≤0.5）、中風(fēng)險（0.5＜q≤0.8）、高風(fēng)險（q＞0.8）。

按照二次函數(shù)的定義，本文重點觀察兩個指標(biāo)：（1）二次函數(shù)曲線的開口方向和陡峭程度，即β2。若β2＞0，則曲線開口向上，為“U”型曲線；| |β2越大，二次函數(shù)曲線開口越小，曲線越陡峭。（2）二次函數(shù)曲線拐點的橫坐標(biāo)，即-β1/2β2。按照前景理論，該數(shù)值代表了“U”型曲線的拐點值。

1.2.3 損失厭惡行為的分樣本回歸模型

為了進(jìn)一步厘清曲線左側(cè)風(fēng)險追求行為和右側(cè)風(fēng)險厭惡行為的細(xì)節(jié)，特別是他們在驅(qū)動因素上的差異，使用“U”型曲線拐點將總樣本分割為風(fēng)險追求和風(fēng)險厭惡兩個子樣本，分別記為Srs 和Sra。

第一步，為保證拐點值估計盡可能準(zhǔn)確，本文單獨對rebit進(jìn)行擬合，并同時考慮時間、個體和行業(yè)效應(yīng)，設(shè)定如下模型：

由此得到拐點值為0.0691（即息稅前利潤率為6.91%）。

第二步，按照0.0691 的拐點值，將rebit＜0.0691 的數(shù)據(jù)點定義為Srs，rebit≥0.0691的數(shù)據(jù)點定義為Sra。并使用如下模型分別估計兩個子樣本：

在模型（4）中，各控制變量被作為調(diào)節(jié)變量，與rebit分別構(gòu)成交叉項。本文使用控制函數(shù)法處理內(nèi)生性問題，先針對rebit使用工具變量法生成殘差項res，再在模型回歸中加入殘差項res作為解釋變量。

工具變量選擇如下：在Srs 下為中國貿(mào)易政策不確定性指數(shù)TPU和滯后一期的融資約束指數(shù)（kz）（kz的計算方法參照文獻(xiàn)[7]）；在Sra 下為企業(yè)年度發(fā)明專利授予量Patent.Award（發(fā)明專利授予量加1后取自然對數(shù)）、監(jiān)事與董事比例（RSD）、中國經(jīng)濟(jì)政策不確定性指數(shù)（EPU）、中國貿(mào)易政策不確定性指數(shù)（TPU）、PPP調(diào)整后全球經(jīng)濟(jì)不確定性指數(shù)（GEPU）。EPU、TPU、GEPU數(shù)據(jù)均來源于www.policyuncertainty.com。

1.3 數(shù)據(jù)來源

初始樣本為2000—2019 年中國滬深A(yù) 股上市企業(yè)，數(shù)據(jù)來自國泰安（CSMAR）數(shù)據(jù)庫，并進(jìn)行以下處理：（1）剔除金融業(yè)上市企業(yè)；（2）對息稅前利潤率、資產(chǎn)負(fù)債率、營業(yè)收入增長率進(jìn)行1%和99%的縮尾處理，以消除異常值的影響；（3）剔除樣本數(shù)據(jù)少于3 年的企業(yè)和企業(yè)數(shù)小于2家的行業(yè)，并據(jù)此計算2000—2019年每家企業(yè)的風(fēng)險承擔(dān)水平。最終獲得3254 家上市企業(yè)的30315 個非平衡面板數(shù)據(jù)。

2 實證分析

2.1 損失厭惡行為的整體特征

對模型（1）使用Phillips-Perron 方法的Fisher PP 檢驗結(jié)果顯示，P值均在5%的水平上拒絕原假設(shè)，所有變量均平穩(wěn)。模型回歸結(jié)果見圖1和表1。

表1 半?yún)?shù)模型中控制變量回歸結(jié)果

圖1 半?yún)?shù)模型中非線性變量rebit 的回歸結(jié)果

圖1 報告了企業(yè)回報rebit的平均非參數(shù)擬合結(jié)果，本文同時比較了不加入和加入控制變量兩種情況。（1）擬合結(jié)果符合前景理論的假設(shè)（圖1中黑色實線），企業(yè)回報rebit與其風(fēng)險承擔(dān)SDrebit之間具有非對稱“U”型關(guān)系。（2）即使不加入控制變量，“U”型曲線形態(tài)也初步完備（見圖1 中黑色虛線），這說明損失厭惡行為主要受到回報水平的影響。（3）加入控制變量后，“U”型曲線拐點左側(cè)斜率明顯降低，右側(cè)變化則不明顯。這可能是因為控制變量影響企業(yè)風(fēng)險承擔(dān)水平，且這一影響在拐點左右兩側(cè)對rebit與SDrebit的關(guān)系產(chǎn)生了不同的間接作用，進(jìn)而差異化地影響了“U”型曲線形態(tài)，本文在后文使用調(diào)節(jié)效應(yīng)驗證了這一假設(shè)。

從表1 中各類控制變量的回歸結(jié)果看：資產(chǎn)負(fù)債率Lev對SDrebit具有顯著正向作用，企業(yè)規(guī)模Size則具有顯著負(fù)向作用，資產(chǎn)負(fù)債率越低、規(guī)模越大的企業(yè)，其風(fēng)險承擔(dān)水平也越低。企業(yè)年齡Age具有顯著正向作用，企業(yè)年齡越大，其風(fēng)險承擔(dān)水平越高。獨立董事比例Idp具有顯著負(fù)向作用，獨立董事的風(fēng)控功能抑制了企業(yè)風(fēng)險承擔(dān)。創(chuàng)新效率InnoEff具有顯著負(fù)向作用，提升創(chuàng)新效率有助于緩解企業(yè)風(fēng)險承擔(dān)。行業(yè)內(nèi)市場集中度HHI具有顯著負(fù)向作用，行業(yè)內(nèi)競爭越激烈，企業(yè)風(fēng)險承擔(dān)水平越高。不過，企業(yè)成長性Grow沒有表現(xiàn)出顯著作用。

2.2 損失厭惡行為的分位數(shù)特征

依據(jù)模型（2）的設(shè)定，本文在不同分位數(shù)下重點觀察了二次函數(shù)曲線的開口方向和陡峭程度β2以及二次函數(shù)曲線拐點的橫坐標(biāo)-β1/2β2的動態(tài)變化，結(jié)果見圖2。

圖2 不同風(fēng)險承擔(dān)水平分位數(shù)下二次函數(shù)曲線的形態(tài)特征

2.2.1 “U”型曲線形態(tài)的變化

（1）圖2（a）顯示，模型（2）中β2＞0，符合損失厭惡“U”型曲線特征。在中低風(fēng)險區(qū)間（0.1～0.8 分位數(shù)），隨著企業(yè)風(fēng)險承擔(dān)水平增加，β2值持續(xù)增加，“U”型曲線變得陡峭，損失厭惡行為增強(qiáng)。在0.8 以上的高風(fēng)險區(qū)間，β2值轉(zhuǎn)而降低，損失厭惡程度略有下降，“U”型曲線曲率變小。

（2）為進(jìn)一步揭示“U”型曲線曲率變化的動態(tài)過程，本文計算了SDrebit各分位數(shù)下拐點值兩側(cè)數(shù)據(jù)點的風(fēng)險承擔(dān)均值，并設(shè)其邊際值為ΔSDrebit（見圖2（b））?？梢园l(fā)現(xiàn)，在0.8 分位數(shù)及以下的中低風(fēng)險區(qū)間，拐點兩側(cè)ΔSDrebit呈現(xiàn)一致性的緩慢上升趨勢，風(fēng)險追求與風(fēng)險厭惡行為同步增長。但在0.8 分位數(shù)以上的高風(fēng)險區(qū)間，拐點右側(cè)的ΔSDrebit快速下降，風(fēng)險厭惡行為減弱，左側(cè)ΔSDrebit則快速上升，風(fēng)險追求行為急劇增強(qiáng)。由此可見，損失厭惡程度在0.8 分位數(shù)后下降主要受到拐點右側(cè)風(fēng)險厭惡程度降低的影響，“U”型曲線變平緩。

2.2.2 “U”型曲線拐點值的變化

（1）圖2（c）顯示，在中低風(fēng)險區(qū)間（0.1～0.8 分位數(shù)），隨著β2值不斷增加，拐點值-β1/2β2也不斷減小，為回避風(fēng)險增加和盡可能擠進(jìn)羊群，企業(yè)愿意接受更低的心理目標(biāo)回報，保守程度增強(qiáng)。但在0.8 分位數(shù)以上的高風(fēng)險區(qū)間，隨著風(fēng)險繼續(xù)增加，拐點值-β1/2β2轉(zhuǎn)而上升，該范圍內(nèi)新增了風(fēng)險水平最高的19.9%數(shù)據(jù)點，他們反而具有激進(jìn)的回報與風(fēng)險抉擇特征，追求高風(fēng)險、高回報。

（2）為了進(jìn)一步揭示拐點值動態(tài)變化的根源，本文計算了SDrebit各分位數(shù)下拐點兩側(cè)數(shù)據(jù)點的回報水平均值，并設(shè)其邊際值為Δrebit（見圖2（d））?？梢园l(fā)現(xiàn)，在0.8分位數(shù)及以下的中低風(fēng)險區(qū)間，拐點兩側(cè)Δrebit值非常接近，且在0 值上下波動，索取風(fēng)險回報的行為均不強(qiáng)烈。但在0.8 分位數(shù)以上的高風(fēng)險區(qū)間，拐點右側(cè)的Δrebit快速上升（回報水平均值從0.106上升到0.118），回報對風(fēng)險的補(bǔ)償增強(qiáng)，增長的回報降低了風(fēng)險壓力，風(fēng)險厭惡減弱，曲線右側(cè)變緩；而左側(cè)Δrebit則快速下降（回報水平均值從0.038 下降到0.031 下），回報對風(fēng)險的補(bǔ)償降低，風(fēng)險壓力增大，風(fēng)險追求增強(qiáng)，曲線左側(cè)變陡。由此可見，拐點值在0.8分位數(shù)后轉(zhuǎn)而開始上升主要是受到拐點右側(cè)新增數(shù)據(jù)點對高風(fēng)險索取額外回報的影響。

總體來看，圖2中需要特別關(guān)注那些在0.8 分位數(shù)以上新增的數(shù)據(jù)點，他們在“U”型曲線動態(tài)形成過程中扮演關(guān)鍵角色，是曲線非對稱性的主要驅(qū)動力。與處在0.8 分位數(shù)及以下中低風(fēng)險區(qū)間的企業(yè)不同，在0.8分位數(shù)以上，處于拐點左側(cè)的企業(yè)具有快速增長的風(fēng)險、快速降低的風(fēng)險回報以及由此引發(fā)的強(qiáng)烈風(fēng)險追求；而處在拐點右側(cè)的企業(yè)也承受著高風(fēng)險，并具有索取額外風(fēng)險回報的激進(jìn)行為，其風(fēng)險厭惡程度也更低。從某種意義上講，他們更像是同一類企業(yè)，其風(fēng)險偏好都極易引發(fā)冒險性的經(jīng)營行為。因此，“U”型曲線的非對稱性歸因于不同風(fēng)險承擔(dān)水平下風(fēng)險追求與風(fēng)險厭惡行為的非對稱性。

2.3 區(qū)分風(fēng)險追求行為與風(fēng)險厭惡行為的分樣本特征

依據(jù)模型（3）得到的“U”型曲線拐點值，本文將總樣本分割為風(fēng)險追求和風(fēng)險厭惡兩個子樣本，分別記為Srs 和Sra，并使用模型4 進(jìn)行估計，結(jié)果見表2。表2 結(jié)果顯示：在Sra 子樣本下，加入交叉項后調(diào)節(jié)變量發(fā)生了較大變化（見列（5）至列（8）），這種共線性問題在調(diào)節(jié)效應(yīng)分析中比較常見。因此，在Sra 子樣本下，調(diào)節(jié)變量解讀應(yīng)以列（5）和列（7）為準(zhǔn)，調(diào)節(jié)效應(yīng)解讀以列（6）和列（8）為準(zhǔn)。

表2 區(qū)分風(fēng)險追求與風(fēng)險厭惡的分樣本回歸結(jié)果

第一，從主效應(yīng)的回歸結(jié)果看，企業(yè)回報水平對企業(yè)風(fēng)險承擔(dān)的影響符合損失厭惡行為特征。在Srs 子樣本中，企業(yè)回報rebit與企業(yè)風(fēng)險承擔(dān)SDrebit顯著負(fù)相關(guān)，拐點左側(cè)存在風(fēng)險追求行為。在Sra 子樣本中，rebit與SDrebit顯著正相關(guān)，拐點右側(cè)存在風(fēng)險厭惡行為。

第二，從調(diào)節(jié)效應(yīng)回歸結(jié)果看，各控制變量在拐點兩側(cè)表現(xiàn)出不同的調(diào)節(jié)作用。在Srs 子樣本中，主效應(yīng)rebit顯著為負(fù)。調(diào)節(jié)變量Size、Grow、Idp、InnoEff、HHI的系數(shù)均顯著為負(fù)，且其交叉項rebit×Size、rebit×Grow、rebit×Idp、rebit×InnoEff、rebit×HHI的系數(shù)均顯著為正，表明這5 個調(diào)節(jié)變量在影響風(fēng)險追求行為中與rebit具有替代關(guān)系，并對降低企業(yè)風(fēng)險追求具有關(guān)鍵作用。調(diào)節(jié)變量Lev、Age的系數(shù)顯著為正，且其交叉項rebit×Lev、rebit×Age的系數(shù)顯著為負(fù)，表明這兩個調(diào)節(jié)變量強(qiáng)化了rebit對SDrebit的負(fù)向影響，企業(yè)資產(chǎn)負(fù)債率越高、企業(yè)年齡越大，其風(fēng)險追求行為越強(qiáng)烈。在Sra 子樣本中，主效應(yīng)rebit的系數(shù)顯著為正。交叉項rebit×Grow的系數(shù)顯著為正，顯示高營業(yè)收入增長率加劇了企業(yè)的風(fēng)險厭惡。調(diào)節(jié)變量Lev、Age的系數(shù)顯著為正，且其交叉項rebit×Lev和rebit×Age的系數(shù)也顯著為正，更高的資產(chǎn)負(fù)債率和企業(yè)年齡會助長風(fēng)險厭惡行為。調(diào)節(jié)變量Size和HHI的系數(shù)顯著為負(fù)，且其交叉項rebit×Size和rebit×HHI的系數(shù)也顯著為負(fù)，表明Size和HHI弱化了rebit對SDrebit的正向影響，企業(yè)規(guī)模越大以及其所處行業(yè)集中度越高（競爭越弱），企業(yè)的風(fēng)險厭惡程度越低。交叉項rebit×Idp和rebit×InnoEff沒有顯著作用，與拐點左側(cè)的情況不同，獨立董事比例和創(chuàng)新效率與風(fēng)險厭惡行為沒有顯著關(guān)系。

第三，各控制變量的調(diào)節(jié)效應(yīng)在拐點兩側(cè)存在強(qiáng)度差異。比較列（4）和列（8）中交叉項系數(shù)的絕對值可以發(fā)現(xiàn)：（1）資產(chǎn)負(fù)債率加劇風(fēng)險追求的作用更強(qiáng)，拐點左側(cè)低回報企業(yè)對負(fù)債壓力更敏感。（2）與資產(chǎn)負(fù)債率的情況相反，企業(yè)年齡和行業(yè)內(nèi)市場集中度更易加劇風(fēng)險厭惡。高齡企業(yè)出現(xiàn)強(qiáng)風(fēng)險厭惡的可能性更高，高回報企業(yè)比低回報企業(yè)對市場競爭更敏感。（3）企業(yè)規(guī)模對風(fēng)險追求的抑制作用更強(qiáng)，規(guī)模增長更有利于低回報企業(yè)減少冒險行為而非激勵高回報企業(yè)增加風(fēng)險承擔(dān)。（4）企業(yè)成長性在拐點兩側(cè)有不同作用，但其抑制風(fēng)險追求的作用強(qiáng)于其加劇風(fēng)險厭惡的作用。（5）獨立董事比例和創(chuàng)新效率則是僅對拐點左側(cè)風(fēng)險追求行為具有抑制作用的調(diào)節(jié)變量，他們減弱了低回報企業(yè)的激進(jìn)冒險程度。

總之，這些調(diào)節(jié)變量對風(fēng)險追求與風(fēng)險厭惡行為施加了不同影響，如表3所示。

表3 企業(yè)內(nèi)外部因素對風(fēng)險追求與風(fēng)險厭惡行為的調(diào)節(jié)效應(yīng)差異

3 穩(wěn)健性檢驗

3.1 放寬樣條平滑中的級數(shù)

為檢驗“回報-風(fēng)險”函數(shù)的“U”型關(guān)系的可靠性，本文放寬樣條平滑中的級數(shù)。一般來說，采用不超過5階的級數(shù)已足夠精確擬合任何形式的多項式函數(shù)[8]。因此，針對模型（1）分別使用6階、7階的級數(shù)設(shè)置，見圖3。

圖3 模型（1）使用6階、7階級數(shù)的估計結(jié)果比較

圖3 顯示，雖然本文放寬樣條平滑中的級數(shù)到6 階、7階，但各級數(shù)間曲線形態(tài)變化很小，“回報-風(fēng)險”函數(shù)關(guān)系非常穩(wěn)健，企業(yè)回報與其風(fēng)險承擔(dān)之間確實存在著前景理論所推斷的損失厭惡“U”型曲線關(guān)系。

3.2 替換被解釋變量與擴(kuò)大樣本范圍

為檢驗企業(yè)損失厭惡行為的可靠性，本文使用擴(kuò)大樣本范圍并替換被解釋變量的方法對“回報-風(fēng)險”的“U”型曲線再次進(jìn)行驗證。（1）使用企業(yè)營業(yè)利潤率（opr）來測度SDopr。（2）改變Winsor方法，在原始數(shù)據(jù)中按照3σ原則重新對息稅前利潤率和營業(yè)利潤率進(jìn)行0.27%和99.73%縮尾處理。結(jié)果見圖4。

圖4 兩種縮尾處理方法下rebit 和opr 非參數(shù)擬合結(jié)果比較

圖4 結(jié)果顯示：（1）在1%縮尾處理下，使用營業(yè)利潤率opr替換rebit后的擬合結(jié)果與圖1 非常相似。（2）在擴(kuò)大樣本的3σ縮尾處理下，“回報-風(fēng)險”函數(shù)的非對稱“U”型曲線關(guān)系依然成立。（3）由于3σ縮尾增加了更多rebit和opr極高和極低的數(shù)據(jù)點，按照前景理論的觀點，企業(yè)盈余水平越低，風(fēng)險追求傾向越強(qiáng)烈；盈余水平越高，風(fēng)險厭惡傾向越強(qiáng)烈，因此3σ縮尾下的“U”型曲線比1%縮尾下的更為陡峭。（4）opr擬合結(jié)果的曲線較rebit的更為平緩。這說明中國企業(yè)對息稅前利潤率比營業(yè)利潤率更敏感，對上市公司而言，努力維持一個尚可的息稅前盈余水平，是自己仍在羊群中的重要標(biāo)志。

3.3 替換解釋變量

本文針對模型（4），替換其解釋變量，以檢驗其穩(wěn)定性。（1）企業(yè)創(chuàng)新。使用創(chuàng)新投入（Rd）和創(chuàng)新產(chǎn)出（Patent）來代替創(chuàng)新效率（InnoEff），其中，Rd的計算方法為公司年度研發(fā)支出占總資產(chǎn)的比重，Patent的計算方法為發(fā)明、實用新型和外觀設(shè)計三種專利的總申請量加1后的自然對數(shù)①此處使用的創(chuàng)新產(chǎn)出指標(biāo)與計算創(chuàng)新效率時使用的創(chuàng)新產(chǎn)出指標(biāo)稍有不同，3種專利沒有進(jìn)行加權(quán)處理。。（2）公司治理。使用直接控股股東持股比例（Ssr）替代獨立董事比例（Idp）。更高的股權(quán)集中度意味著控制人對企業(yè)具有更強(qiáng)的控制力和更高的利益相關(guān)性，這可能會促使控制人選擇更為穩(wěn)健的經(jīng)營方式，以保證其私有收益。結(jié)果見下頁表4。

表4 替換解釋變量的穩(wěn)健性檢驗

與表2 相比，替換解釋變量后的回歸結(jié)果差異很小。但從列（10）、列（12）可以看出，在拐點兩側(cè)的調(diào)節(jié)效應(yīng)都不顯著，更高的股權(quán)集中度并不具有獨立董事制度所特有的風(fēng)控功能。此外，創(chuàng)新投入（Rd）與創(chuàng)新效率（InnoEff）的調(diào)節(jié)作用不同，Rd對企業(yè)風(fēng)險追求行為沒有顯著影響，但對風(fēng)險厭惡有助長作用，這說明Rd對高回報企業(yè)具有明顯的成本壓力，強(qiáng)化了其風(fēng)險厭惡。

4 分行業(yè)的異質(zhì)性分析

本文嘗試從上市公司行業(yè)特征差異的角度對損失厭惡行為進(jìn)行探討，按照20個行業(yè)大類，分別使用模型（3）得到企業(yè)回報rebit的平均非參數(shù)擬合結(jié)果?；貧w結(jié)果顯示：在20 個行業(yè)大類中，對非參數(shù)部分rebit的擬合結(jié)果整體符合“回報-風(fēng)險”函數(shù)的非對稱“U”型關(guān)系。但曲線形態(tài)在行業(yè)間差異較大。雖然多數(shù)行業(yè)均呈現(xiàn)左側(cè)略陡峭、右側(cè)略平緩的特征，但部分行業(yè)也表現(xiàn)出左側(cè)很陡峭但右側(cè)很平緩（醫(yī)藥；房地產(chǎn)業(yè)）、兩側(cè)差異很?。娏θ?xì)饧八纳a(chǎn)和供應(yīng)業(yè)等）、右側(cè)反而比左側(cè)更陡峭（建筑業(yè)）、右側(cè)呈現(xiàn)負(fù)斜率（農(nóng)林牧漁業(yè)）等比較特殊的“回報-風(fēng)險”函數(shù)關(guān)系。

本文推測，各行業(yè)間“回報-風(fēng)險”“U”型曲線的差異可能緣于各行業(yè)競爭程度的差別。因為：（1）當(dāng)行業(yè)內(nèi)競爭激烈時，預(yù)期回報低于目標(biāo)回報的概率將增加，企業(yè)在拐點左側(cè)的風(fēng)險追求傾向增強(qiáng)，“U”型曲線左側(cè)變得陡峭。（2）當(dāng)行業(yè)內(nèi)競爭激烈時，在拐點右側(cè)存在兩種可能。第一種，如果競爭導(dǎo)致預(yù)期回報超越目標(biāo)回報的難度增大，企業(yè)在拐點右側(cè)的風(fēng)險厭惡程度將增強(qiáng)，曲線右側(cè)將變得陡峭；第二種，如果競爭引發(fā)強(qiáng)烈的競優(yōu)行為，企業(yè)在拐點右側(cè)的風(fēng)險厭惡程度將降低，曲線右側(cè)反而變得平緩。（3）同理，當(dāng)行業(yè)內(nèi)競爭弱化時，一方面，回報不達(dá)標(biāo)概率將降低，曲線左側(cè)變得平緩；另一方面，壟斷水平提升增加了獲取壟斷利潤的可能性，曲線右側(cè)將變得平緩。

為驗證這一推斷，本文使用Fisher最優(yōu)分割法將20個行業(yè)大類的HHI區(qū)分為高低兩類。同時，將每一行業(yè)大類的總樣本分為rebit小于拐點值的子樣本S.rebit 和大于等于拐點值的子樣本L.rebit，并分別對rebit和SDrebit進(jìn)行線性回歸，得到每一行業(yè)大類在拐點左右兩側(cè)的rebit回歸值，并與該行業(yè)大類的市場集中度進(jìn)行比較，如圖5所示。圖5 中高HHI 和低HHI 行業(yè)均按HHI 值降序排列，所得結(jié)果支持了前文的推斷。

圖5 高HHI行業(yè)、低HHI行業(yè)“U”型曲線拐點兩側(cè)斜率比較

5 結(jié)論

本文實證考察了2000—2019 年中國上市企業(yè)的損失厭惡行為特征與驅(qū)動因素，結(jié)果表明：（1）中國上市企業(yè)存在損失厭惡行為，其主因來自企業(yè)回報水平的變化，且回報水平與風(fēng)險承擔(dān)水平之間具有非對稱的“U”型關(guān)系。（2）“U”型曲線的非對稱性歸因于不同風(fēng)險承擔(dān)水平下風(fēng)險追求與風(fēng)險厭惡行為的非對稱性。（3）企業(yè)內(nèi)外部的其他因素也會影響“U”型曲線的形態(tài)，并對風(fēng)險追求與風(fēng)險厭惡行為施加不同影響。