國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 模型與樣本選擇
一、 計量模型
綜合本章前一節的分析，本研究提出以下完整的邏輯框架（圖 3.11）：
圖 3.11 本研究的完整邏輯框架
本文主要通過放鬆對風險偏好的中性限制後，研究績效展望對於企業垂直整合的影 響，因此以企業的垂直整合程度（VI）作為應變數，利得展望（Gains Prospect，GP）和 損失展望（Losses Prospect，LP）作為解釋變數，把資產特用性（AS）作爲控制變數進 行回歸分析，擬定計量模型 A（圖 3.12）如方程式（3.1）：
△ VI = ß 1.1 +ß 2.1 *GP i
，t +ß 3.1 *LP i
，t +ß 4.1 *△AS+z 1
（3.1）其中，ß
1.1
為截距，ß2.1
、ß3
.1
和 ß4.1
分別為各變數對應的係數，z1
為隨機擾動項。(1) VI
i
，t
是公司 i 在週期 t 期末的垂直整合程度，VIi
，t-1
是公司 i 在週期 t-1 期末的垂 直整合程度，二者的差額△VI 代表公司 i 在週期 t 內做出的決策可能導致的垂直‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
整合變化程度，我們可以觀察到公司管理層根據績效展望做出決策的時間在前，
而垂直整合程度發生變化在後，因此判斷符合社會科學研究因果關係的必要性原 則，另外，我們用差額來代表公司垂直整合程度受管理層在當年做出的決策的影 響，因爲不同企業的垂直整合程度會受到多種因素比如行業特徵或者領導者個人 屬性等的影響，所以我們測量單個公司前後兩個周期的差額可以消除部分因樣本 個體差異帶來的偏誤，會更加合適；
(2) AS
i
，t
是公司 i 在週期 t 期末的資產特用性，ASi
，t-1
是公司 i 在週期 t-1 期末即週 期 t 期初的資產特用性，二者的差額△AS 代表公司 i 在週期 t 發生的資産特用性 變化程度，用差額可以消除部分公司資產差異較大對研究的影響；(3) GP
i
，t
是公司 i 在週期 t 的利得展望程度；(4) LP
i
，t
是公司 i 在週期 t 的損失展望程度；(5) 據前一節提出的假説 H2 和 H5，我們預期 LP 的係數 ß
3.1
和 AS 的係數 ß4.1
均為 顯著，ß3.1
>0 且 ß4.1
>0。(6) 據前一節提出的假説 H4.1，我們預期 GP 的係數 ß
2.1
不顯著，ß2.1
>0；圖 3.12 本研究模型 A 的基本邏輯框架
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
模型（A）由於受到「保持選擇權」考量的抑制，再結合不作爲偏誤（Omission Bias）
的維持現狀作用，我們預期的解釋變數之一利得展望（Gains Prospect，GP）對 VI 的相 關係數 ß
2.1
不顯著，考慮到本研究提出需驗證的假説是，管理者的績效展望結果會通過 改變決策者的風險偏好進而影響到企業的垂直整合程度，那麽究竟是本研究依據展望理 論發展的「利得展望導致企業決策者的風險偏好為風險趨避」的假説出現了錯誤，還是 Chiles & McMackin（1996）提出的「風險偏好會影響企業垂直整合程度」的假設存在需 要完善的地方？爲了提高本研究的穩健性（robustness），我們希望進一步驗證績效展望 對企業決策者的風險偏好（Risk Preferences，RP）的影響，爲了更加準確地分析兩者之 間的關係，本研究提出了一個新的變數——審慎程度 DOP（Degree Of Prudence），用來 代表管理者在有關風險決策情景下的風險態度。根據展望理論，利得展望導致風險趨避，預期決策者的風險審慎程度 DOP 會提升；損失展望導致風險尋求，預期決策者的風險 審慎程度 DOP 會降低。本研究以在有關風險決策情景下，決策者的審慎程度 DOP 作為 應變數，利得展望（Gains Prospect，GP）和損失展望（Losses Prospect，LP）作為解釋 變數，進行回歸分析，擬定計量模型 B（圖 3.13）如方程式（3.2）：
DOP i
，t = ß 1.2 + ß 2.2 * GP i
，t + ß 3.2 * LP i
，t + z 2
（3.2）其中，ß
1.2
為截距，ß2.2
和 ß3.2
分別為各變數對應的係數，z2
為隨機擾動項。 DOP
i
，t
是公司 i 在週期 t 的面對風險時候決策的審慎程度，也就是決策者對待風 險的態度；若 DOP 升高，則決策者的風險態度會更加審慎，冒險程度降低；而 DOP 降低，決策者的風險態度就會表現為更加冒險； GP
i
，t
是公司 i 在週期 t 的利得展望程度； LP
i
，t
是公司 i 在週期 t 的損失展望程度；‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
據前一節提出的假説 H1 和 H3，我們預期 GP 的係數 ß
2.2
>0 且 LP 的係數 ß3.2
>0，ß
2.2
和 ß3.2
均為顯著； 據前一節提出的假説 H6——「損失展望 LP 對審慎程度 DOP 的影響要高於利得 展望 GP」，我們預期 ß
3.2
> ß2.2
；2< ß3.2
÷ ß2.2
<4。圖 3.13 本研究模型 B 的基本邏輯框架
二、 樣本選擇
量化研究是否能夠取得進展，一個很重要的因素就是資料的可得性以及数据的有效 性，如果没有标准的数据库作支持，实证研究者将花费大量的时间从各个地方去收集和 整理数据，并且得到的数据也很难保证完整性、准确性，由于收集的数据比较零散，來 源渠道很多，而且数据容易缺失，即便是直接从证券交易所取得数据，仍然是不完整的，
不能直接的用于实证研究，所以这不仅大大降低了研究的效率，而且会影响研究的结论，
进而最終影响研究的貢獻。因此，选择相對標準的公開可靠來源數據庫，构建符合本研 究需要的資料庫，是進行量化研究的重要先行条件。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
本研究以從 2009 年到 2019 年的美國製造業上市公司為樣本，分析資料主要來源於 Compustat 數據庫和 I/B/E/S（Institutional brokers estimate system）數據庫，其中 Compustat 是由美國 Standard and Poor's 公司發行，整理收入了美國和加拿大地區近 20 年上市公 司以及非上市公司的公開財務資料，還有全世界各個國家和地區近 12 年來上市公司的 公開財務資料，還另行提供了北美地區回顧版，包含 400 多家公司自 1950 年起的財務 資料。這個數據庫通過提供超過 160 種範本報表、以及上市中或已下市公司財務資料等 訊息，整合了最新或歷史性之主要財務資料給研究者。這個數據庫被研究者廣汎應用與 資產分析、計量分析、財務比率、競爭者分析、股市報酬、公司資本結構、合併與倂購、
R&D、資本及存貨投資及資本市場效率等領域。本研究主要採用的是 COMPUSTAT North America （北美版資料庫），收錄近 20 年美國及加拿大地區總共兩萬多家以上的 公司資料，其中大約 11，000 多家公司屬於公開交易上市公司。I/B/E/S 可以被翻譯爲
「機構經紀人預測系統」，收錄了和各種機構的金融分析師以及股票研究分析員對證券 市場上的主要上市公司有關未來會計期間的盈利預測，並根據預測結果編制各種財務分 析報告的系統。
本研究采用以上数据主要基於以下考慮：
1. 美國至今仍然是全球最大規模的經濟體，市場運行相對其他經濟體更爲成熟和規 範，上市公司的各項治理制度完善，數據可信度較其他經濟體的數據爲高，其中 New York Stock Exchange（NYSE）的證券交易金額在 2002 年就超過了 10.3 万 亿美元，達到全球证券市場交易量的 77%，居全球第一；
2. 2002 年 8 月 4 日，美国总统 George Walker Bush 签署的《Sarbanes-Oxley Act》有 效提升了美國上市公司財務報表的會計信息質量，SOX 法案的其中一个關注点
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
就是針對公司高管及白领犯罪的刑事责任，例如，SOX 法案第 906 节「财务报 告的责任」规定，公司高管明知财务报告存在不真實内容而發誓，可判罚款 500 万美元或/和最高 20 年拘押。Cohen et al.（2003）针对 SOX 法案發佈前后上市公 司的会计信息质量进行检验，他们先收集美国公司 1987 年至 2001 年第二季度之 前（Enron Corporation 事件于 2001 年 10 月份开始引爆）的数据，然后，他们又 收集了 SOX 法案通过之后的相关数据（2002 年第三季度至 2003 年第二季度），
发现会计信息质量明显上升。
3. 相關垂直整合領域文獻普遍認爲，本研究所採用的對垂直整合的測量方法價值增 值法 VA/S 需要對行業進行控制，因此按照四位標準工業分類 SIC Code，僅選擇 製造行業的上市公司（SIC code 介於 2000-3999 之間）；
4. 爲檢驗企業垂直整合在不同年度的變化，使用了從 2009 年到 2019 年的連續縱向 數據，考慮到 2008 年的全球金融危機對美國製造業上市公司影響巨大，爲了避 免因爲世界經濟週期導致的異常數據，未選擇 2008 年之前的數據。
5. 將來自 I/B/E/S 和 Compustat 的兩個數據庫按相同年份和上市公司的 Ticker 代碼 組合爲一個資料集，進行比對研究。