上市公司关联交易实证分析

上市公司关联交易实证分析

内容摘要:一些上市公司通过关联交易制造虚假会计信息、粉饰业绩等行为损害了中小投资者和债权人的合法权益,甚至危及证券市场的健康发展,规范上市公司关联交易对稳定证券市场具有重要意义。本文采用多元线性回归模型分析上市公司的关联交易,并对所采用的方法以及结果进行检验,以期对证券市场监管有所借鉴。

关键词:上市公司关联交易

样本选择及数据来源说明

本文选取2004年1月至2006年12月沪深两市所有A股上市公司的关联交易,所选取的关联交易是参照《上海证券交易所股票上市规则》对重大关联交易的规定,上市公司与其关联方达成的关联交易总额大于300万元人民币的关联交易,样本选取的数据不包括由于种种原因未披露或者未详细披露交易涉及金额的关联交易。根据中国证监会颁布的《上市公司行业指引》,样本公司共分为12类行业,各行业样本数据(见表1)。

本文的数据主要来自于国泰安信息技术有限公司开发的关联交易数据库(),所有的统计数据采用EXCEL软件计算得出。

模型构建及其回归分析

本文构建的回归模型为:

Yi=b0+b1x1i+b2x2i+b3x3i+b4x4i+ui(1)

其中,被解释变量Yi为关联交易的频率指标,用来度量i行业关联交易的深度,意味着每家上市公司大约会发生多少起关联交易;变量x1i表示i行业中,平均每家关联交易上市公司所拥有的独立董事数;变量x2i为i行业平均每家所拥有的董事会成员数;变量x3i为i行业样本公司第一大股东平均持股比例;变量x4i为i行业样本公司中,T族公司(指亏损或因亏损即将退出股市的股份上市公司)家数所占比例。在模型中,b0为截距项,其余的b1、b2和b3均为待估系数,ui为随机项。

结合表1所示数据,本文应用Eviews软件对(1)式进行回归,得到如下回归模型:

Y=-68.02+0.87x1-0.16x2+110x3+0.58x4

回归模型中,R2的值为0.98,接近于1,说明在样本范围内,该回归能很好的预测被解释变量Yi;F统计量为72.4,其p值小于0.05,因此在至少95%的可能性上,以上四个解释变量中的一个或多个不为0,即该回归模型通过了5%的显著性水平检验;D.W.统计量为1.93,接近于2,相邻残差之间没有联系,表明模型不存在序列相关性问题。

x1i的t检验值为2.8,其p值为0.016,x1i通过5%的显著性水平检验,说明上市公司独立董事平均数与关联交易的频率指标呈显著的正相关关系变动,独立董事越多,上市公司发生关联交易的频率越大。

x2i的t检验值为-3.2,p值为0.014,x2i通过5%的显著性水平检验,上市公司平均董事会成员数与关联交易频率指标呈现非常显著的负相关变动关系,即平均高管人员数越多,上市公司关联交易发生频率越小,上市公司董事会成员的增加能够抑制关联交易的发生。

x3i的t检验值为2.5,但p值为0.24,远大于10%,没有通过显著性检验,这在一定程度上表明,在发生非公允重大关联交易的上市公司群体中,第一大股东持股比例x3i不能对该上市公司关联交易的发生频率Yi产生显著影响。

x4i的t检验值为2.43,同时p值为0.037,x4i通过5%的显著性水平检验,即样本公司中T族公司家数所占比例与关联交易频率指标正相关变动,在统计意义上十分显著。

结论

综上所述,本文通过对上市公司关联交易的实证研究,得出如下结论:独立董事虽然能从某些方面对上市公司关联交易问题起到抑制作用,但对考察期内发生关联交易的上市公司来说,反而起到了某种掩饰作用;董事会成员越多,代表存在越多的利益差异,不同利益方的相互制衡,加大了关联交易议案在董事会上获得通过的难度,从而势必会抑制关联交易的发生;T族公司家数越多,越容易发生关联交易,T族公司为避免被摘牌处理,往往会通过关联交易等手段来粉饰报表,制造虚假会计信息以达到其预期目的,因此应加大对其的监管。