管理者乐观主义衡量指标

（一）模型设计

为检验研究假设1，借鉴Ghosh（2009）、Jimenez et al.（2010）的研究，本书构建如下模型：

其中，RISK为银行风险承担的测度指标；OPM为管理者乐观主义测度指标；Control为控制变量。β1反映银行风险承担对管理者乐观主义的影响，可用于检验假设1，如果β1为正，则说明银行风险承担对管理者乐观主义有正向影响。

（二）变量设计

1．管理者乐观主义衡量指标

在乐观主义的研究中，乐观主义的度量是主要的难点之一。从现有文献来看，对管理者乐观主义进行计量主要有两种思路：第一种是运用心理学的方法，在运用管理者乐观主义相关量表的基础上，通过持续的大范围调查问卷，对银行管理者乐观主义进行计量；第二种是运用经济学的方法，通过选取管理者乐观主义的代理指标来对银行管理者乐观主义进行计量。两种方法各有优劣，前者不仅更为精确，而且能从个体特征角度，如教育、年龄、性别、文化、收入、地位等多个维度等，对管理者乐观主义进行分析，进而能从很多新的视角对管理者乐观主义对银行风险承担的影响进行探讨，但这种调研的成本很高，而且由于银行管理者其实在不断变化，很容易出现伪面板数据等问题。考虑到实际情况，本书选取第二种方法对管理者乐观主义进行计量。

在管理者乐观主义代理指标选取方面，Malmendier＆Tate（2005，2008）所选择的管理者的股票期权执行情况与股票持有情况、主流媒体对管理者的评价、企业投资情况，Lin et al.（2005）选择的企业盈利预测偏差与Hayward＆Hambrick（1997）选择的管理者相对薪酬，对后面学者的相关研究影响很大^[1]。我国学者郝颖等（2005），余明桂等（2006，2013），姜付秀（2009）、花贵如（2011）等所做的研究大多在借鉴以上文献的基础上进行代理指标的选择。通过总结，本书发现国内外学者相关的度量指标主要有以下几种。

（1）管理者的股票持有情况。银行可以通过银行股票或股票期权作为激励银行管理者的工具，如前所述，管理者一般是厌恶风险的，因此，正常情况下，管理者会选择出售部分自己持有的本公司的股票或执行选择权，以分散风险。因此，管理者出现持续持有或增加买入公司股票的行为，便被认为管理者对未来具有正向预期，即管理者认为自己所管理的公司的未来业绩要优于其他公司^[2]。Malmendier＆Tate以此逻辑，根据管理者持有的实值股票期权情况来度量管理者乐观主义。我国学者，如郝颖等（2005）的研究文献，也运用了这一逻辑，他们以任期内高管人员持股数量变化作为“过度自信”衡量指标。需要指出的是，根据前文的分析，此指标反映的是管理者对所管理企业未来业绩优于平均的一种预期，实际上探讨的是管理者乐观主义问题。因此，郝颖等（2005）学者所探讨的，其实也是管理者乐观主义问题。

2006年，我国才在上市公司中大规模试行股票期权计划，2009年后，监管部门又开始对银行薪酬激励制度进行了不断完善与修订。本书整理了我国排名前50的大银行的2012年年报中所公布的董事长持股及薪酬资料（见表4－1）。从已公布的数据来看，我国银行董事长的持股比例并不高，其他管理者持股比例相对应该更低，因此，本书认为，此种度量方法不适用于研究我国情况。

表4－1　我国前50大银行董事长持股及薪酬情况

续表

注：银行排名序号根据英国　《银行家》杂志公布的2013年“全球1 000家大银行”排名榜单中中资银行排序而来。本表数据来自各银行2012年年报，银行名称后带号，其数据来源为该公司2011年年报，其中全国银行排名中第27名的哈尔滨银行、第31名的吉林银行、第42名的杭州联合银行资料全部缺失，因此表格中未列出。很多年报未给出董事长持股数及薪酬，由于无法判定是未持股还是未公布，本表用N.A表示未知^[3]。
资料来源：2014年2月12日BANKSCOPE数据库。

（2）管理者对企业盈利预测偏差。一些文献通过管理阶层对企业财务预测的偏差来衡量管理者的过度自信，如果出现持续高估公司盈余则被认为是过度自信。业绩预告的类型包括4种乐观预期（略增、扭亏、续盈、预增）和4种悲观预期（略减、首亏、续亏、预减），如果有乐观预期的公司后来的业绩与预期不符则定义为过度自信。Lin et al.（2005）将预测企业年度盈利水平超过实际的管理者视为过度自信的管理者，并发现这类管理者倾向于过度投资。类似的，余明桂、夏新平、邹振松（2006）以上市公司的年度业绩预告是否变化来判断管理者是否过度自信。考虑到过度自信与乐观主义的差异，本书认为，管理者对企业盈利预测偏差是能说明过度自信的一个较好指标，但并不适合研究管理者乐观主义。

（3）银行家信心与银行业景气指数表。余明桂等以国家统计局网站公布的企业景气指数来代表管理者的过度自信程度。与此类似，人民银行网站公布的银行家信心与银行业景气指数表也可以用于对银行管理者乐观主义的分析。但考虑到这些公布的数据反映的是银行整个行业的情况，不利于我们对银行管理者乐观主义的影响因素进行探讨，本书认为，该指标并不适合于本研究。

（4）主流媒体对管理者的评价。Malmendier＆Tate（2005）通过网站收集报刊中与CEO有关的报道，以乐观、自信等为关键词分析管理者的乐观程度。通过媒体来分析管理者的乐观主义水平带有过多的主观性，因此，本书对此种方法的有效性表示质疑。此外，考虑到我国媒体的实际情况，本书认为，此指标并不适合于本研究。

（5）管理者实施并购的频率。Heaton（2002）在研究管理者乐观主义时指出，管理者越乐观，就会在短期内实施越多的并购。Doukas＆Petmezas（2006）根据此逻辑，从并购频率角度考察管理者的乐观主义水平^[4]。他们认为，在3年内实施并购活动5次或以上的管理者存在乐观偏差。考虑到本书分析的是银行管理者乐观主义，而我国银行并购样本并不多，因此，本书认为，此指标并不适合本研究。

（6）管理者的相对薪酬。一些文献指出，管理者的相对薪酬越高，管理者越容易自信（Hayward＆Hambrick，1997），因为这些指标反映了优于平均的思想。因此，本书认为，这一指标更适合于分析管理者乐观主义。但考虑到银行管理者薪酬数据比较难以获取，而且管理者相对薪酬这一指标难以反映管理者乐观主义的整体情况，因此，本书认为，此指标并不适合本研究。

（7）银行贷款额。Malmendier＆Tate（2005）从理论与实证两个方面验证了管理者乐观主义与投资额之间的关系；Campbell et al.（2011）使用了投资额作为管理者乐观的代理变量。考虑到贷款可以理解为银行的投资，因此，本书认为，可以从银行贷款额角度考察管理者乐观主义。同时考虑到银行贷款数据的可得性与全面性，本书认为，此指标比较适合于本研究。

（8）从银行贷款额角度考察管理者乐观主义的心理学基础。当前几乎所有文献并未区分使用的代理指标所反映的行为或现象是由于管理层内在原因还是由其他外在原因引起的。虽然已有学者对盈利预测偏差中的情绪因素进行了初步的探讨，如伍燕然等（2012）对盈利预测偏差与投资者情绪关系的研究，但其研究完全是在经济学实证分析的基础上进行的，亦缺乏心理学理论支撑。管理者乐观主义归根结底属于心理学情绪的范畴，如果指标选取缺乏心理学的理论支撑，就会使指标的有效性大打折扣。因此，本书从心理学的自我知觉理论出发，选择从行为角度观察主体情绪，在考虑数据的可靠性、可得性基础上选取代理指标，并运用社会心理学的相关理论对代理指标的合理性进行检验。

Bem（1967）提出，人们往往不是直接了解自己的态度、情感与情绪，也不是从外部去获取这些信息，而是通过观察自己的行为与环境来获得的。这就是社会心理学自我知觉理论的核心观点。此理论为本书从银行行为角度观察管理者乐观主义提供了心理学理论基础。具体银行行为选择上，本书借鉴Malmendier＆Tate（2005）、Campbell et al.（2011）的研究，在考虑数据的可得性、可靠性、适用性基础上，选择从银行贷款角度考察管理者乐观主义。具体做法是：在对商业银行每年的贷款增速排序的基础上进行归类。如果商业银行某年的贷款增速高于0.8分位数，我们将该商业银行管理者情绪归为乐观，设虚拟变量取值为1；如果商业银行某年的贷款增速低于0.2分位数，我们将该商业银行管理者情绪归为悲观，设虚拟变量取值为　－1；其他情况下，虚拟变量取值为0。

Kelley（1967，1973）在Heider（1958）的思想上发展了一个三维模型，并提出了协变原则，认为实体特异性、一致性与一贯性是我们对行为的意义做出推论时必须考虑的三个基本维度。Kelly的理论认为当实体特异性与一致性低而一贯性高时，主体的行为更应该被归因于态度、情感与情绪等内在原因。一致性是指其他人对同一刺激是否也有类似反应，如果每个主体面对相似的情境都有相同的反应，则一致性就高；一贯性是指主体在任何情境下都对同一刺激做相同的反应；实体特异性是指主体对不同刺激做出相同反应的程度，如果反应相同，那么实体的特异性就低。

根据三维模型，本书通过检验指标的自相关性来分析指标的特性。为实证验证指标的有效性，本书先运用系统广义矩法（SYS）分析管理者乐观主义（OPM）的自相关性，然后再运用差分广义矩法（DIFF）检验结果的稳健性。回归结果（见表4－2）显示出本指标的自相关性非常显著，且呈现显著的正自相关。系统回归检验显示所有工具变量都有效；差分回归检验显示，扰动项的差分存在一阶自相关，但不存在二阶自相关。因此，本模型可以进行差分广义矩法与系统广义矩法估计。

据此，我们可以分析此指标的合理性。首先，本书选取的指标是通过排序对比分类得出的，所定义的乐观主义者对外部刺激的反应都明显异于大部分主体，因此一致性较低。其次，此指标表现了显著的正自相关性，这说明了管理者在不同情境下的反应都有相关性，反映了一定程度的较高一贯性。再次，本书选取的指标呈现明显的正自相关性，可以说明银行管理者在面对不同刺激时都做出了相同的反应，因而可以认为此指标反映了低的实体的特异性。最后，根据Kelly （1967，1973）的理论，本指标显现了较为明显的低实体特异性、一致性和较高的一贯性，因此，本指标所反映的主体行为更应该被归于态度、情感与情绪等内在因素。综上所述，本书所选取的指标不仅有经济学方面的理论与实证基础（Malmendier＆Tate，2005），亦有心理学方面的理论与实证基础，是一个相对合理的指标。

表4－2　管理者乐观主义指标自相关性检验

注：①括号内为t值；②、、分别代表p＜0.01、p＜0.05、p＜0.1；③Sargan、Abond统计量给出的为p值。

2．银行风险承担

当前文献中对银行风险承担的度量指标，主要有风险加权资产占总资产的比率（如江曙霞和陈玉婵，2012）、贷款损失准备占贷款总额之比（如张雪兰和何德旭，2012）、Z值（如徐明东和陈学彬，2012）、不良贷款率、总风险与系统性风险等。本书就这些指标的有效性进行分析。

（1）风险加权资产占总资产的比率。Shrieves＆Dahl（1992）、Jacques＆Nigro（1997）、Aggarwal＆Jacques（1998）的研究都指出，银行风险加权资产反映了所有易受市场条件或信用质量变化影响的资产的情况，用这种方法来分析银行风险承担的合理性，在于组合风险是由资产在不同风险金融工具中的配置比例所决定，该指标可以清晰地反映银行的风险承担水平。考虑到银行风险承担是银行承担风险的意愿与相应风险决策的统一，本书认为，风险加权资产占总资产的比率是反映银行风险承担最合理的指标。本书在获取商业银行资产数据的基础上，参考国内相关文献，如吴俊等（2008）的研究，根据　《商业银行资本率管理办法》所对应的风险权重对各商业银行风险加权资产进行估算，令风险加权资产　＝同业往来　×20%＋贷款　×100%＋固定资产　×100%，进而得出此比率。

（2）预期违约概率。一些文献指出，预期违约概率（EDF）是衡量银行风险承担的首选指标（Altunbas et al．，2011）。根据银行风险承担的定义，本书对此观点表示质疑。同时考虑到我国违约数据库的不完善，中国银行业的预期违约概率质量难有保障，本书认为，此指标不适合于本研究。

（3）基于CAPM方法的指标。一些文献，运用CAPM模型来考察银行的风险承担，如Niu（2012）、Anderson＆Fraser（2000）使用总风险、系统风险等指标来衡量银行风险承担。从理论上讲，这种方法的确能反映银行的风险决策，但在实际运用中，必须用历史数据来计算银行股票每日收益率的标准差、股票贝塔值及运算贝塔值时残差的标准差，这实际是用事后数据来说明事前决策。另外，银行风险与银行风险承担间存在差异，银行面临的风险并不一定等于银行愿意承担的风险。因此，本书认为，这种方法在市场有效性较差的情况下，并不能很好地代理银行风险承担，不适合作为我国银行风险承担的代理指标。

（4）不良贷款率。从我国商业银行发展沿革来看，长期以来，我国银行业业务结构较为单一，贷款是银行最主要的业务，因此，一些文献用违约贷款率作为银行风险承担的代理指标。但遗憾的是，此指标依旧是以事后数据来代理事前决策，其反映的是银行风险，而非银行风险承担。因此，本书认为，此指标并不适合作为银行风险承担的代理指标。

（5）贷款损失准备占贷款总额之比。银行管理者是风险回避者，考虑到银行的特许权价值，从理论上讲，当银行在贷款配置中采取高风险投资策略时，往往有必要提高贷款损失准备来降低银行破产的概率。由此可见，贷款损失准备占贷款总额之比一定程度上可以反映银行的风险决策，可以作为银行风险承担的代理指标。不少文献，如Bushman＆Williams（2012）在研究中都使用了这一指标作为银行风险承担的代理指标。不过考虑到此指标只是反映了银行贷款资产方面的风险意愿与决策，本书认为，此指标不如风险加权资产占总资产的比率有效。

（6）Z－Score。Z－Score是Boyd（1993）在研究银行控股公司并购非金融企业中的风险时提出的指标。其中，Z＝（ROA＋EA）／SDROA，ROA为资产回报率，EA为资本资产比率，SDROA为ROA的标准差（Boyd et al．，1993）。Z越高，则银行越稳定。考虑到该指标主要反映了银行的风险状况，属于事后指标，并不能很好地反映事前决策，而且不少文献对用此指标代理银行风险承担提出质疑，本书认为，此指标并不适合于本研究。

综上所述，考虑到银行风险承担的内涵是银行承担风险的意愿与相关决策的统一，本书选取风险加权资产占总资产的比率（RISK1）与贷款损失准备占贷款总额之比（RISK2）来作为银行风险承担的度量指标。其中风险加权资产的计算方法参照相关文献，计算公式为：

风险加权资产　＝同业往来　×20%＋贷款×100%＋固定资产×100%

3．控制变量

此外，本书参考江曙霞和陈玉婵（2012）、张雪兰和何德旭（2012）、徐明东和陈学彬（2012）等学者的研究，将经济形势（CYCLE，将GDP增长率通过HP滤波处理后得到的经济周期指标衡量）、银行效率（CTI，用成本收入比的负数衡量）^[5]、银行流动性（LIQ，用流动资产与存款和借款总额之比衡量）、银行规模（SIZE，银行总资产的对数）、非利息收入（NNI，非利息收入占净利润的比例）、广义货币（M2，用M2增长率衡量）作为本书的控制变量。

（三）样本与数据

本节的实证分析以我国50家商业银行为样本，样本期间为2000—2011年^[6]，样本包括中国工商银行、中国建设银行、中国银行、中国农业银行、交通银行、招商银行、中信银行、浦发银行、民生银行、兴业银行、光大银行、华夏银行、广发银行、平安银行、恒丰银行（2005—2010）、浙商银行（2005—2011）、北京银行、南京银行、宁波银行（2001—2011）、西安市商业银行（2001—2011）、杭州银行（2001—2011）、天津银行、上海银行、大连银行（2001—2011）、厦门银行（2000，2003—2011）、东莞银行、重庆银行、青岛银行（2002—2011）、汉口银行（2002—2011）、长沙银行（2003—2011）、南昌银行（2003—2011）、温州银行（2003—2011）、齐商银行（2003—2011）、烟台银行（2003—2010）、南充市商业银行（2003—2004，2007—2011）、成都银行（2003—2011）、福建海峡银行（2004—2011）、齐鲁银行（2002—2009）、富滇银行（2006—2011）、徽商银行（2004—2011）、哈尔滨银行（2004—2011）、日照银行（2005—2011）、洛阳银行（2005—2011）、攀枝花商业银行（2005—2007，2010—2011）、莱商银行（2005—2011）、花旗银行（中国）（2001—2011）、厦门国际银行、华一银行、新联商业银行（2001—2008）、华美银行（2002—2009）。数据主要来源于BANKSCOPE数据库、中国国家统计局网站与巨灵金融数据库。