股权集中度与中国私营矿业公司治理效率

doi:10.11872/j.issn.1005-2518.2020.03.001

股权集中度与中国私营矿业公司治理效率

郑明贵^,¹^,², 曾健林^,¹

1.江西理工大学经济管理学院，江西赣州 341000

2.中国科学技术大学管理学院，安徽合肥 230026

Equity Concentration and Corporate Governance Efficiency of Private Mining Companies in China

ZHENG Minggui^,¹^,², ZENG Jianlin^,¹

1.School of Economics and Management，Jiangxi University of Science and Technology，Ganzhou 341000，Jiangxi，China

2.School of Management，University of Science and Technology of China，Hefei 230026，Anhui，China

通讯作者: 曾健林（1996-），男，江西赣州人，硕士研究生，从事资源经济与管理方面的研究工作。zeng_jianlin@163.com

收稿日期: 2019-12-12 修回日期: 2020-02-18 网络出版日期: 2020-07-01

基金资助:

国家社会科学基金重点项目“中国战略性矿产资源国家安全评估与预警系统研究（2020-2050）”.  18AGL002
国家自然科学基金重点项目“大数据环境下的评价理论、方法和应用”.  71631006
江西理工大学重大项目培育计划“大数据驱动下国家矿产资源安全战略管理现代化研究”.  19ZDPY-08

江西省青年井冈学者奖励计划联合资助

Received: 2019-12-12 Revised: 2020-02-18 Online: 2020-07-01

作者简介 About authors

郑明贵（1978-），男，安徽颍上人，教授，博士生导师，从事资源经济与管理方面的研究工作mgz268@sina.com , E-mail：mgz268@sina.com

摘要

利用中国沪深上市私营矿业公司2013~2017年数据，考察了股权集中度与中国私营矿业公司治理效率之间的关系。考虑到股权集中度与中国私营矿业公司治理效率之间可能存在门槛效应，建立了中国私营矿业公司治理效率DEA评价模型、股权集中度与中国私营矿业公司治理效率门槛模型。研究发现：（1）股权集中度与中国私营矿业公司治理效率之间存在门槛效应和倒“U”型关系。当股权集中度低于门槛值29.73%时，股权集中度与公司治理效率呈现正相关；当股权集中度高于门槛值29.73%时，股权集中度与公司治理效率呈现负相关。（2）中国私营矿业公司最大股东最优控股比例位于[0.1873，0.3360]区间。（3）公司规模与中国私营矿业公司治理效率呈现负相关。

关键词： 公司治理效率 ; 股权集中度 ; 数据包络分析 ; 门槛模型 ; 公司规模

Abstract

The equity structure is the foundation of corporate governance.It is of great practical significance to establish a reasonable equity structure to improve the corporate governance efficiency.Most literatures use linear regression model or multiple nonlinear model to study the relationship between corporate governance efficiency and equity structure.Few scholars consider the impact of equity concentration on corporate governance efficiency from the perspective of China’s private mining companies，and few scholars consider that there may be a structural mutation between equity concentration and corporate governance efficiency，namely threshold effect.Based on the data of 48 private mining companies listed in Shanghai and Shenzhen from 2013 to 2017，this paper constructs a DEA model to measure the efficiency of corporate governance，and uses a threshold model to explore what kind of equity concentration is more suitable for the current economic environment of China and more effective to improve the efficiency of corporate governance of private mining companies in China.Based on the theory of production function，this paper selects total assets，asset liability ratio and number of senior executives as input indexes，growth and profit rate as output indexes，and constructs DEA measurement model of corporate governance efficiency.The results show that：The total average governance efficiency of China’s private mining companies in 2013~2017 is 0.7092，and the governance efficiency is still low；Only four companies have maintained relatively effective governance，accounting for 8.33% of the total sample；Only 10 companies have five-year average governance efficiency of more than 0.9，accounting for 20.83% of the total sample；There are significant differences in different corporate governance efficiency，and the phenomenon of two-level differentiation is serious.Taking corporate governance efficiency as explanatory variable， Tobin’Q value and corporate age as control variable， equity concentration as explanatory variable and threshold variable， a threshold model of the impact of equity concentration on corporate governance efficiency was constructed， and a multiple regression model of the impact of corporate governance efficiency was constructed with company size as explanatory variable.The results show that：（1）There is a threshold effect and an inverted “U” relationship between the equity concentration and the corporate governance efficiency.When the equity concentration is lower than the threshold of 29.73%，they are positively correlated；When the equity concentration is higher than the threshold of 29.73%，they are negatively correlated.（2） The optimal Largest shareholder holding ratio of private mining companies in China is[0.1873，0.3360].（3） The company size is negatively correlated with the corporate governance efficiency of private mining companies in China.

Keywords： corporate governance efficiency ; equity concentration ; data envelopment analysis ; threshold model ; company size

PDF (1941KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

郑明贵, 曾健林. 股权集中度与中国私营矿业公司治理效率[J]. 黄金科学技术, 2020, 28(3): 380-390 doi:10.11872/j.issn.1005-2518.2020.03.001

ZHENG Minggui, ZENG Jianlin. Equity Concentration and Corporate Governance Efficiency of Private Mining Companies in China[J]. Gold Science and Technology, 2020, 28(3): 380-390 doi:10.11872/j.issn.1005-2518.2020.03.001

自2012年起，我国经济进入调整转型期，经济增长速度逐渐放缓^[1]。我国矿业公司为适应外部环境的变化开始着手提高公司治理效率。股权结构是公司治理的基础^[2]，杨波等^[3]发现股权结构不合理是影响我国上市矿业公司治理效率的根本原因。为提高自身治理效率，我国矿业公司主动将股权结构向“相对控股”方向调整^[4]。在此背景下，探究怎样的股权集中度更适应当下我国经济环境，对于建立合理的股权结构和提升公司治理效率具有重要的实践意义。基于股权集中度视角，我国私营矿业公司治理效率如何？股权集中度与我国私营矿业公司治理效率之间有何关系？我国私营矿业公司最大股东最优控股比例是否存在？公司规模对我国私营矿业公司治理效率有何影响？围绕这些问题，本文试图从股权集中度角度探讨我国私营矿业公司的治理效率问题。

1 文献回顾

1.1 公司治理效率分析

公司治理来源于英语“Corporate Governance”，是在公司所有权和经营权两权分离的基础上形成的，在我国一般解释为公司治理结构^[5]。提升公司治理水平是公司治理的根本目的，优化公司治理结构是提升公司治理水平的有效途径之一^[6]。在构建公司治理结构时，学者们一般用是否有效率来衡量其合理性，即公司治理效率^[7]。公司治理效率的评价方法大致可划分为以下3类。

第一类：Tobin’Q值。该方法由美国经济学家Tobin^[8]于1969年提出，通过公司市价与公司重置成本的比值来衡量市场价值是否符合实际情况。Mcconnell等^[9]、蔡吉甫等^[10]、郑家喜^[11]和庄学敏^[12]曾使用Tobin’Q值来测算公司治理效率，但由于企业市价不一定真实反映其经营业绩，因此用Tobin’Q值来测算公司治理效率可能存在一定的偏差。

第二类：资产收益率（ROA）。ROA是通过计算单位资产所产生的净利润来反映公司治理效率，王季^[13]、贺小刚等^[14]、Kang等^[15]和吕新军^[16]曾使用ROA来测算公司治理效率。虽然ROA能在资产收益方面反映公司治理水平，但未考虑公司规模和成长性，因此用来衡量公司治理效率不太全面。

第三类：数据包络分析（DEA）。该方法是美国著名运筹学家Charnes等^[17]于1978年提出的。Lau-terbach等^[18]和Lehmann等^[19]使用DEA模型评价公司治理效率，取得了诸多成果。21世纪以来我国学者也开始运用DEA模型评价公司治理效率^[20,21,22]。DEA是一种经典的效率评价方法^[21]，可以科学地评价多投入、多产出且生产关系相对复杂的决策单元效率，评价结果客观性强，不易受个人主观因素的影响，具有较高可信度。

1.2 股权结构对公司治理的影响

从Berle等^[23]发现现代企业普遍存在经营权和所有权分离的现象，到Jensen等^[24]提出股权结构理论，将股东分成内部股东和外部股东，再到姜冰雨等^[25]提出股权结构为股份公司中各股本的类型和所占的比例分布，股权理论不断发展，越来越多学者基于股权结构的视角探究其对公司治理的影响^[26]。然而研究结果迥乎各异，主要有2种观点：一是认为股权结构与企业价值无关^[27]；二是发现股权结构会对公司治理产生影响^[24]，主要从股权制衡、股权集中度角度探究股权结构对公司治理的影响。

股权制衡是2个以上控股比例相近的大股东相互制衡形成的一种局面。针对股权制衡问题，朱红军等^[28]通过案例分析，得出股权制衡对公司治理效率有负面影响。邱闯等^[29]则认为股权制衡有利于提升公司治理效率。从股权集中度出发，一些学者研究发现股权集中度与公司绩效呈现倒“U”型关系^[30,31,32]，也有学者发现二者呈显著正相关^[33]。

纵观以上研究，大部分学者从股权制衡或股权集中度视角探究股权集中度对公司治理、公司绩效和企业价值的影响。在研究方法上,大部分研究采用简单线性回归模型研究公司治理效率与股权集中度之间的关系，也有学者通过多元非线性模型拟合股权集中度对公司治理效率的影响，但鲜有学者考虑股权集中度与公司治理效率之间可能存在结构性突变点即门槛效应这一现象。在研究对象上，当前研究鲜有涉及私营矿业公司。矿业处于产业链的前端，研究股权集中度与中国私营矿业公司治理效率之间的关系，有利于中国私营矿业公司构建更合理的股权结构；同时矿业属于资源型行业，其治理效率受股权影响可能更大。

本文的边际贡献在于：一是研究视角新颖，选择鲜有研究涉及的中国私营矿业公司，探究股权集中度、公司规模与治理效率之间的关系；二是基于投入产出视角，构建DEA模型测算公司治理效率，并分析中国私营矿业公司治理效率水平；三是在研究股权集中度与中国私营矿业公司治理效率之间的关系时引入门槛模型，发现二者之间存在门槛效应，运用门槛值依据股权集中度，划分出3种类型的股权结构区间，并通过门槛模型找到最大股东最优控股比例。

2 理论分析与研究假设

最大股东的控股比例最高，因此最大股东在公司的话语权最大，其对公司的影响度往往随着股权比例的提高而增加。当股权过于集中时，往往会产生“隧道效应”，即大股东为了自身的利益转移公司财产而损害小股东利益^[34]，致使公司治理效率低下。当股权相对分散时，往往因为“搭便车问题”，导致代理人监管缺失，治理成本提高^[35]。那么怎样的控股比例更适合公司的发展，并有利于提高公司治理效率？根据文献回顾，提出假设1。

假设1：股权集中度与中国私营矿业公司的治理效率呈倒“U”型关系。

分析影响公司治理效率的因素时，往往会忽略公司规模对治理效率的影响。夏鸿义等^[36]研究发现公司规模与公司绩效呈显著正相关。由此提出假设2。

假设2：公司规模与中国私营矿业公司治理效率呈正相关。

3 研究设计

3.1 公司治理效率评价模型

DEA通过确定有效前沿面，计算决策单元与有效前沿面之间的偏差来评判其相对效率。Banker^[37]在考虑规模报酬假设下，增加限制条件 $\sum_{j = 1}^{n} λ_{j} = 1$ ，提出了规模报酬可变的BCC模型。模型如下：

$\{\begin{array}{l} m i n θ_{k} \\ \sum_{j = 1}^{n} X_{j} λ_{j} \leq θ_{k} X_{k} \\ \sum_{j = 1}^{n} Y_{j} λ_{j} \geq Y_{k} \\ \sum_{j = 1}^{n} λ_{j} = 1 \\ λ_{j} \geq 0, j = 1,2, \dots, n \end{array}$

（1）

式中： $X_{j}$ 和 $Y_{j}$ 分别表示第 $j$ 个私营矿业公司的投入变量和产出变量； $θ_{k}$ 为第 $k$ 个公司治理效率值； $λ_{j}$ 为权重。

3.2 投入和产出指标选择

选择合理的投入和产出指标是运用DEA测算公司治理效率的关键。本文从评价公司治理效率的角度选取了如下评价指标。

（1）投入指标。负债率是现代企业的基本特征，同时也发挥着杠杆作用^[38]，在评价公司治理效率时陆渊^[39]选取总资产作为投入指标，郑少锋等^[40]选取资产负债率作为投入指标。根据生产函数理论，本文选取年末资产总额和资产负债率作为资本投入。高管规模反映现代公司治理的精细程度，选用高管人数表示企业家才能，作为投入要素。职工人数是反映企业经营投入的重要指标，但职工人数与年末资产总额高度相关，为避免多重共线性舍弃该指标^[41]。

（2）产出指标。在治理效率评价中，王怀明等^[42]选用公司成长性作为产出变量，利润率是反映公司盈利能力的重要指标。因此，本文选择公司成长性和利润率作为产出指标。

由此，投入和产出指标共包括5个指标，如表1所示。

表1 投入产出指标

Table 1 Input and output indexes

指标类型	变量	变量定义
投入指标	年末资产总额（ASSETS）	负债与所有者权益之和
	资产负债率（LEV）	负债总额/资产总额
	高管人数（EXECUTIVE）	公司聘用的高管总人数
产出指标	成长性（GROWTH）	（本期营业收入－上期营业收入）/上期营业收入
产出指标	利润率（PROTIT）	营业利润/营业成本

新窗口打开| 下载CSV

3.3 门槛模型

（1）门槛模型的建立。Hansen^[43]于2000年提出门槛模型，建立了门槛面板数据模型（Threshold Panel Data Model），其中单一门槛模型可表示为：

$Y_{i t} = β_{0} + β_{1} x_{i t} I (q_{i t} \leq γ) + β_{2} x_{i t} I (q_{i t} > γ) + ε_{i t}$

（2）

式中：i为样本;t为年份； $q_{i t}$ 为门槛变量； $γ$ 为门槛值； $x_{i t}$ 为自变量，表示解释变量矩阵； $Y_{i t}$ 为被解释变量； $ε_{i t}$ 为随机误差项； $β_{0}$ 为回归截距项； $β_{1}$ 、 $β_{2}$ 为回归系数矩阵；I为门槛变量函数，当括号内条件为真时I=1,否则I=0。在单一门槛模型中根据门槛值将门槛变量划分为2组数据，分别进行回归。

（2）门槛值确定。Hansen^[43]将样本门槛变量中一定范围内的数值假设为门槛值（一般取中间70%的数据），通过OLS法求出其对应的残差平方和。门槛估计值为使残差平方和最小的 $γ$ 值，可表示为

$\hat{γ} = a r g m i n S_{0} (γ)$

（3）

式中： $\hat{γ}$ 为门槛估计值； $S_{0} (γ)$ 为门槛值 $γ$ 的原样本残差平方和。

（3）门槛效应。门槛模型的应用前提是回归数据组存在结构性突变点。判断是否存在结构性突变点的方法是进行门槛效应检验，在检验中假定原假设 $H_{0} : β_{1}$ = $β_{2}$ ，由于原假设下的门槛值 $γ$ 是不确定的，由此统计量 $F$ 分布是非标准分布，Hansen^[43]采用Bootstrap(即有放回的随机抽样）生成伪样本再计算其 $F$ 值，此时：

$F_{n} = \frac{S_{n} - S_{n} (\hat{γ})}{{σ_{n}}^{2} (\hat{γ})}$

（4）

式中： $F_{n}$ 为第n个伪样本的 $F$ 统计量，n=1,2,…,j，其中j为抽样次数； $S_{n}$ 为第n个伪样本的残差平方和（ $n = 1,2, \dots, j$ ）； $S_{n} (\hat{γ})$ 为门槛估计值 $\hat{γ}$ 的第n个伪样本残差平方和（ $n = 1,2, \dots, j$ ）； ${σ_{n}}^{2} (\hat{γ})$ 为门槛估计值 $\hat{γ}$ 的第n个伪样本方差（ $n = 1,2, \dots, j$ ）； $j$ 为抽样次数。

然后统计 $F_{n}$ 大于 $F_{0}$ 的次数占抽样次数的比例，由此得到经验 $P$ 值：

$P = \frac{\sum_{n = 1}^{j} F_{n} > F_{0}}{j}$

（5）

式中： $F_{0}$ 为原样本的 $F$ 统计量。

（4）置信区间。置信区间检验，是在已知门槛值时，设定原假设 $H_{1} : γ$ = $\hat{γ}$ 进行检验，其“似然统计量”（Likelihood Ratio Statistic）为

$L R_{0} (γ) = \frac{S_{0} (γ) - S_{0} (\hat{γ})}{{σ_{0}}^{2} (\hat{γ})}$

（6）

式中： $S_{0} (γ)$ 为门槛值 $γ$ 的原样本残差平方和； $S_{0} (\hat{γ})$ 为门槛估计值 $\hat{γ}$ 的原样本残差平方和； ${σ_{0}}^{2} (\hat{γ})$ 为门槛估计值 $\hat{γ}$ 的原样本方差。

该统计量也是非标准分布，Hansen^[43]给出 $L R_{0} (γ) \leq c (α) = - 2 l n (1 - \sqrt[]{α})$ 时，接受原假设（ $α$ 为显著性水平）。

以上是单一门槛模型的构建与检验，在实际问题中可能存在多重门槛情况，在构建多重门槛模型时，一般依据单一门槛模型的构建方法进行相应扩展。

3.4 变量定义

（1）被解释变量。公司治理效率（CGE），用DEA效率评价结果进行度量。

（2）解释变量。股权集中度（STRUC），我国上市公司的经营主要是由第一大股东及其代理人所掌握^[44]，用中国私营矿业公司最大股东控股比例进行度量；公司规模（SIZE），用公司总资产取自然对数进行度量。

（3）门槛变量。门槛变量可以是模型中的解释变量^[45]。本文研究的是股权集中度与公司治理效率的关系，因此采用股权集中度作为门槛变量。

（4）控制变量。Tobin’Q值（TOBIN），即市值/资产；企业年龄（YEAR），即计算年份－成立年份。

3.5 模型设计

参考余怒涛等^[46]和刘诚达^[47]的门槛模型设定，本文建立如下门槛模型：

$\begin{array}{l} C G E_{i t} = (λ_{0} + λ_{1} S T R U C_{i t} + λ_{2} Y E A R_{i t} + λ_{3} T O B I N_{i t}) \cdot I (S T R U C_{i t} \leq γ_{1}) \\ \begin{matrix} \end{matrix} + ({λ_{0}}^{'} + {λ_{1}}^{'} S T R U C_{i t} + {λ_{2}}^{'} Y E A R_{i t} + {λ_{3}}^{'} T O B I N_{i t}) \cdot I (γ_{1} < S T R U C_{i t} \leq γ_{2}) \\ \begin{matrix} \end{matrix} + (λ_{0} ″ + λ_{1} ″ S T R U C_{i t} + λ_{2} ″ Y E A R_{i t} + λ_{3} ″ T O B I N_{i t}) \cdot I (γ_{2} < S T R U C_{i t}) + ε_{i t} \end{array}$

（7）

式中： $λ_{0}$ 、 ${λ_{0}}^{'}$ 和 $λ_{0} ″$ 为回归截距项； $λ_{1}$ 、 $λ_{2}$ 、 $λ_{3}$ 、 $λ_{1}$ $^{'}$ 、 ${λ_{2}}^{'}$ 、 ${λ_{3}}^{'}$ 、 $λ_{1}$ $″$ 、 $λ_{2} ″$ 和 $λ_{3} ″$ 为回归系数； $γ_{1}$ 为第一个门槛值； $γ_{2}$ 为第二个门槛值。

根据假设2，构建如下回归方程：

$C G E_{i t} = α + α_{1} S I Z E_{i t} + α_{2} Y E A R_{i t} + α_{3} T O B I N_{i t} + ε_{i t}$

（8）

式中： $α$ 为回归截距项； $α_{1}$ 、 $α_{2}$ 和 $α_{3}$ 为回归系数。

4 实证分析

4.1 样本选择与数据来源

以2013~2017年中国沪深上市私营矿业公司为样本，从国泰安CSMAR数据库提取公司财务数据，从同花顺网站统计的数据和公司历年年报中获取公司年末资产总额、资产负债率、高管人数、成长性和利润率数据。剔除了部分数据缺失的公司，得到48个公司样本和240个观测值。

4.2 描述性统计分析

投入产出指标的描述性统计分析结果显示，数据离散程度较好，说明样本具有较好的代表性（表2）。为了更直观地分析年度投入产出指标变化情况，绘制出年平均投入产出指标趋势图（图1）。

表2 投入产出指标描述性统计分析

Table 2 Descriptive statistical analysis of input-output indexes

指标	单位	标准差	平均值	最大值	最小值
ASSETS	亿元	186.4988	114.1021	1 071.7300	1.6200
LEV	%	0.2102	0.4475	0.9200	0.0400
EXECUTIVE	人	4.5553	16.2375	33.0000	4.0000
GROWTH	%	0.5469	0.2146	3.9423	-0.8812
PROTIT	%	1.0682	0.3138	8.8813	-0.9784

新窗口打开| 下载CSV

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 中国私营矿业公司年平均投入产出指标趋势图

ASSETS-年末资产总额；EXECUTIVE-高管人数；LEV-资产负债率；GROWTH-成长性；PROTIT-利润率

Fig.1 Trend chart of annual average input-output indexes of China’s private mining companies

从年末资产总额来看，2013~2017年期间年平均资产总额分别为81.4617、94.1688、110.6592、134.1733和150.0477亿元，整体呈快速增长趋势，尤其2015年和2016年的增长率高达26.24%和19.37%。从资产负债率来看，从2013年的48.15%到2017年的42.29%，呈缓慢下降趋势。从高管人数来看，中国私营矿业公司高管人数平均维持在16人左右，变化较小。从利润率和成长性来看，2015年均出现了“断崖式”下跌，原因是2015年中国发生了罕见的股灾^[48]。

4.3 股权结构分析

2013~2017年中国私营矿业公司股权结构变化情况如图2所示。最大股东平均控股比例整体呈下降趋势，2015年尤为明显，下降了3.85%。2016~2017年下降相对缓慢，最大股东平均控股比例维持在一个相对稳定的范围内，整体趋于“相对控股”^[4]。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 最大股东平均控股比例

Fig.2 Average shareholding ratio of the largest shareholder

4.4 治理效率评价与分析

根据式（1），运用MATLAB2016a软件计算得到中国48家私营矿业公司治理效率（表3）。

表3 中国私营矿业公司治理效率测算结果

Table 3 Calculation results of governance efficiency of the private mining companies in China

决策单元	2013年	2014年	2015年	2016年	2017年	年平均值
1	0.5456	0.5622	0.6699	0.6627	0.6275	0.6136
2	0.4274	0.8346	1.0000	0.8641	0.7908	0.7834
3	1.0000	1.0000	1.0000	1.0000	0.8645	0.9729
4	0.9660	0.7871	0.8768	0.6928	0.7910	0.8227
5	1.0000	0.9501	1.0000	1.0000	1.0000	0.9900
6	1.0000	1.0000	0.9091	1.0000	0.8512	0.9521
7	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
8	0.3729	0.5000	0.6250	0.7463	0.5721	0.5633
9	0.5654	0.9261	0.7237	0.9211	0.7641	0.7801
10	1.0000	0.8114	0.8703	0.8622	0.6944	0.8477
11	0.4856	0.7073	0.7236	0.7694	0.5303	0.6433
12	0.4671	0.6429	0.8384	0.6169	0.8268	0.6784
13	0.3621	0.5207	0.4348	0.5946	0.4665	0.4757
14	1.0000	0.9242	1.0000	1.0000	0.6213	0.9091
15	0.4607	0.5761	0.5932	0.5743	0.5364	0.5481
16	0.3656	0.7500	0.7425	0.7543	1.0000	0.7225
17	1.0000	0.8727	0.8306	0.6820	0.6253	0.8021
18	0.7252	0.7531	0.8307	1.0000	0.6435	0.7905
19	1.0000	0.7497	0.7747	1.0000	0.8014	0.8652
20	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
21	0.8922	1.0000	0.9416	0.8021	0.9061	0.9084
22	0.5420	0.6554	0.6392	0.6989	0.6129	0.6297
23	0.7017	0.8436	0.8335	0.8899	0.8534	0.8244
24	0.3575	0.5625	0.5299	0.4856	0.4745	0.4820
25	0.2985	0.5294	0.5716	0.5242	0.6105	0.5069
26	0.3378	0.4091	0.4762	0.5434	0.4714	0.4476
27	0.4651	0.5598	0.5603	0.5243	0.5377	0.5294
28	0.3208	0.4169	0.4167	0.4305	0.3599	0.3890
29	0.2648	0.3000	0.4348	0.4213	0.3839	0.3610
30	0.4353	0.5649	0.6667	0.8124	0.5411	0.6041
31	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
32	0.3197	0.6000	0.7768	0.7402	0.6804	0.6234
33	1.0000	0.8428	1.0000	0.7494	0.6232	0.8431
34	0.5117	0.6262	0.6667	1.0000	0.8356	0.7280
35	0.2267	0.4091	0.4545	0.3662	0.3705	0.3654
36	0.6556	0.8139	0.7168	0.5331	1.0000	0.7439
37	0.7397	0.6249	0.6280	0.9498	0.6151	0.7115
38	0.2608	0.4313	0.3585	0.6105	0.6537	0.4630
39	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
40	0.8263	1.0000	1.0000	0.9926	0.8974	0.9432
41	0.7650	1.0000	0.8626	0.7402	0.6787	0.8093
42	0.5563	0.5294	0.9091	0.8988	0.7855	0.7358
43	0.6146	0.7600	0.7312	0.7901	0.6849	0.7162
44	0.5854	0.9000	0.7275	0.6572	0.6258	0.6992
45	0.4755	0.5103	0.6094	0.5743	0.6370	0.5613
46	0.4690	0.6538	0.6450	0.5171	0.4065	0.5383
47	0.4562	0.6628	0.5672	1.0000	1.0000	0.7372
48	0.3515	0.3794	0.3846	0.4502	0.3414	0.3814
平均治理效率	0.6286	0.7178	0.7407	0.7592	0.6999	0.7092
最小值	0.2267	0.3000	0.3585	0.3662	0.3414	0.3610

新窗口打开| 下载CSV

由表3可知，中国私营矿业公司2013~2017年总平均治理效率为0.7092，治理相对有效的样本数每年分别为12、9、10、12和8家，占当年样本的25.00%、18.75%、20.83%、25.00%和16.67%。只有4家公司一直保持治理相对有效，占总样本数的8.33%；仅有10家公司5年平均治理效率在0.9以上，占总样本数的20.83%。从每年治理效率最小值和平均治理效率来看，治理效率两级分化现象较为严重。

绘制2013~2017年中国私营矿业公司股权集中度与平均治理效率、治理效率最小值关系图，发现股权集中度与平均治理效率呈倒“U”型关系，如图3所示，支持第2节中的假设1。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 股权集中度与平均治理效率U型关系图

Fig.3 U-shaped relationship between equity concentration and average governance efficiency

4.5 门槛效应检验和回归

根据式（3）~式（5），运用MATLAB2016a软件计算得到门槛效应检验结果（表4）。

表4 门槛效应检验

Table 4 Threshold effect test

模型	F值	P值	BS次数
单一门槛	24.199^***	0.000	1 000
双重门槛	14.974^**	0.015	1 000

注：**、***分别表示在5%和1%水平上显著

新窗口打开| 下载CSV

由表4可知，单一门槛和双重门槛的P值均小于0.05，即在5%的显著性水平上接受原假设，说明股权结构与公司治理效率之间存在门槛效应，在门槛模型中存在2个门槛值，由此可建立双重门槛模型。

根据式（6），运用MATLAB2016a软件计算得到置信区间检验结果（表5）。根据门槛值，依据股权集中度将私营矿业公司划分为3种股权结构区间：股权高度分散区间（0，0.2973]、股权相对集中区间（0.2973，0.4606]和股权高度集中区间（0.4606，1）。

表5 门槛估计值及置信区间

Table 5 Threshold estimate and confidence interval

门槛变量	门槛值	估计值	95%置信区间
STRUC	$γ_{1}$	0.2973	[0.1873，0.3360]
STRUC	$γ_{2}$	0.4606	[0.4606，0.4606]

新窗口打开| 下载CSV

确定门槛模型为双重门槛后，进一步计算得到门槛值 $γ_{1}$ 为29.73%，门槛值 $γ_{2}$ 为46.06%（表5）。 $γ_{1}$ 的置信区间为[0.1873，0.3360]， $γ_{2}$ 的置信区间为[0.4606，0.4606]。构建2个门槛值的似然统计量图，如图4和图5所示。其中水平线7.35以下表示在95%的置信度下门槛值的接受域。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 第一个门槛似然统计量

Fig.4 First threshold likelihood statistic

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 第二个门槛似然统计量

Fig.5 Second threshold likelihood statistic

根据式（7）和式（8），运用MATLAB2016a软件计算得到门槛模型回归结果（表6）。

表6 模型回归结果

Table 6 Regression results

变量	模型1	模型2	模型3	模型4
STRUC_1（STRUC≤0.2973）	0.9233^*** （2.8460）	-	-	-
STRUC_2（0.2973<STRUC≤0.4606）	-	-0.7410^** （-2.0696）	-	-
STRUC_2 （0.4606<STRUC）	-	-	-0.6509^** （-2.4697）	-
SIZE	-	-	-	-0.0789^*** （-7.6385）
YEAR	-0.0121^*** （-2.8781）	0.0059^* （1.6674）	0.0171^** （2.6757）	0.0035 （1.5988）
TOBIN	0.0222^*** （4.6762）	0.0612^*** （6.1857）	0.1871^*** （5.4109）	0.0140^*** （3.0978）
Constant	0.7136^*** （8.8177）	0.7328^*** （4.6075）	0.4979^*** （3.1602）	0.9144^*** （15.2600）
N	94	110	36	240
Adj-R²	0.2210	0.3230	0.4310	0.3390
F	9.8100	18.3000	9.8500	41.8000

注：^*、^**、^***分别表示在10%、5%和1%水平下显著

新窗口打开| 下载CSV

模型1为STRUC≤0.2973的回归结果。当股权集中度在29.73%以下时，股权集中度对中国私营矿业公司治理效率有显著的正向作用，支持在股权相对分散时“搭便车”行为明显的结论，也部分支持了假设1，即在股权相对分散时，通过股权集中的方式可以提升公司治理效率。

模型2为0.2973<STRUC≤0.4606的回归结果。当股权集中度在29.73%~46.06%之间时，股权集中度与中国私营矿业公司治理效率呈显著负相关。

模型3为0.4606<STRUC的回归结果。当股权集中度大于46.06%时，股权集中度与中国私营矿业公司治理效率也存在显著的负相关。

综合模型2和模型3，当股权相对集中时，存在明显的“隧道效应”，但股权集中度在46.06%以上时，“隧道效应”有所减弱。由此，当股权相对集中时，股权集中度与中国私营矿业公司治理效率呈负相关。

综合模型1、模型2和模型3，当股权集中度低于第一个门槛值时，股权集中度与中国私营矿业公司治理效率呈显著正相关，此时股权集中度的提升对公司治理效率起促进作用；当股权集中度跨过第一个门槛值但低于第二个门槛值时，股权集中度对中国私营矿业公司治理效率的提升起强抑制作用；当股权集中度跨过第二个门槛值时，股权集中度对中国私营矿业公司治理效率提升的负效应减弱，呈现弱抑制作用。可以得出股权集中度与中国私营矿业公司治理效率存在倒“U”型关系，这与其他学者的研究结果相类似^[30,31,32]，表明假设1成立。由门槛值 $γ_{1}$ 的95%置信区间可知，中国私营矿业公司最大股权控股比例控制在[0.1873，0.3360]时，能使中国私营矿业公司治理效率达到最优。

模型4验证了公司规模与中国私营矿业公司治理效率之间的关系。研究发现公司规模与公司治理效率之间呈显著负相关，否定了假设2。矿业行业作为资源型行业，也存在规模过度扩张导致规模不经济现象^[49]，致使公司治理效率下降。

5 结论

基于股权集中度视角，本文利用中国沪深上市私营矿业企业2013~2017年的数据，测算了中国私营矿业公司治理效率，探究了股权集中度与中国私营矿业公司治理效率之间的关系，计算了中国私营矿业公司最大股东最优控股比例，检验了公司规模对中国私营矿业公司治理效率的影响。得到以下结论：

（1）48个中国私营矿业公司5年总平均治理效率为0.7092，一直保持治理相对有效的公司仅有4家，占总样本的8.33%；5年平均治理效率在0.9以上的仅有10家，占总样本数的20.83%。中国私营矿业公司治理效率两级分化现象较为严重。

（2）股权集中度与中国私营矿业公司治理效率之间存在门槛效应，且存在2个门槛值。当股权集中度小于等于29.73%时，股权集中度与公司治理效率呈正相关；当股权集中度大于29.73%时，股权集中度与公司治理效率呈负相关。即股权集中度与中国私营矿业公司治理效率之间存在倒“U”型关系。

（3）中国私营矿业公司最大股东最优控股比例位于[0.1873，0.3360]区间。

（4）公司规模与中国私营矿业公司治理效率存在负相关。

http://www.goldsci.ac.cn/article/2020/1005-2518/1005-2518-2020-28-3-380.shtml

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

杨晓光，杨翠红.

2015年中国经济形势展望及预测

[J].中国科学院院刊，2015，30（1）：1-7.