发帖
雷达卡
01 文献简介
▪ 文献来源：陈运森,周金泳,彭嘉续.中国上市公司分红的动因研究——基于机器学习的证据[J/OL].中国工业经济,2024,(05):155-173.▪ 数据与代码来源：《中国工业经济》编辑部（ https://ciejournal.ajcass.com/）
▪ 关键词： 股利政策；企业分红；机器学习；股利之谜
▪ 主要内容：企业分红不仅是股东投资回报的直接体现，更是“建设以投资者为本的资本市场”的重要手段，但“股利之谜”一直是理论与实践中的基础性难题。本文采用机器学习方法，评估了不同类别公司特征对分红行为的预测效果，旨在更准确地解读中国企业的分红动因。结果发现：①以渐进梯度回归树和随机森林为代表的集成学习方法在预测公司分红行为方面表现突出，显著优于多元线性回归等传统统计模型。②生命周期特征和公司税率特征对中国资本市场分红实践的预测效果较好，第一类和第二类代理问题相关特征次之，而融资需求特征和投资者情绪特征在企业分红行为的预测效果上相对较弱。③在各类分红动因变量中，留存收益资产比、公司税率特征、其他应收款资产比和上一期股利支付水平对分红水平的预测贡献较大。异质性分析显示，影响企业分红的主要因素在半强制分红政策、股息税改革和《现金分红指引》等股利政策颁布前后存在差异，在不同产权性质以及自由现金流状况的企业之间也有所不同，是否采取股利迎合策略和投资者现金股利情绪也会影响公司的现金分红行为。本文为“加强现金分红监管、增强投资者回报”的监管实践提供了理论支持，也为深入理解中国现代资本市场的分红实践和活跃资本市场提供了启示。
▪ 创新点：（1）在理论层面，深入剖析了多维度公司特征对中国上市公司分红行为预测能力的相对差异，进而识别出最能揭示分红行为背后逻辑的关键指标。这有助于结合现有股利理论，从更加综合的视角理解上市公司分红决策机制。（2）在方法论层面，创新性地将机器学习方法应用于企业分红行为研究，并对比了不同机器学习方法对预测分红行为这一研究问题的适用性。机器学习出色的拟合能力使其能够精准捕捉变量间的复杂关系，并结合其对变量重要性的深入分析能力以及样本外的泛化能力，能够有效克服多元线性回归在进行高维建模和预测性分析时的局限性。（3）在实践和政策层面，企业分红是从投资端活跃资本市场的重要手段，本文的研究有助于监管部门更具针对性地督促上市公司开展分红，实现完善上市公司常态化分红机制的目的。这也为监管机构在优化完善《关于加强上市公司监管的意见（试行）》《现金分红指引》等分红相关监管政策时提供了更加直接具体的实证依据，为更好地实现“建设以投资者为本的资本市场”目标提供了政策启示
02 研究模型与变量设计
1.研究方法
传统实证研究侧重于探究变量间的因果关系，属于解释性研究；而本文旨在比较不同公司特征对于公司分红行为预测能力的差异，属于预测性研究。鉴于解释性研究和预测性研究存在较大差异，为了更深入地探究公司分红动机，本文采用机器学习方法展开探索性分析。然而，根据“没有免费午餐定理”（Wolpert，1996），在未经检验的情况下难以得出对于某一研究问题最适宜的研究方法。基于此，本文将全面评估多种主流机器学习方法对公司分红行为的预测效果。具体地，本文将以多元线性回归为基准统计分析方法，采用 LASSO、决策树、支持向量机、渐进梯度回归树和随机森林等机器学习方法。其中，LASSO 是经典的机器学习方法，通过构造一个惩罚函数压缩一些回归系数，同时将不重要特征的回归系数设定为 0，从而对模型进行精简，以降低过拟合风险；支持向量机在许多含有高维数据处理的研究场景中具有优秀的模型性能（李斌等，2019）；渐进梯度回归树和随机森林作为集成学习的代表性算法（Bertomeu，2020；Chen et al.，2022），通过组合多个学习器来获得比单一学习器显著优越的模型性能（Raschka，2017；陈强，2021）。
3.数据来源
本文选择 2006—2022 年 A 股上市公司作为起始样本，在剔除 ST 及 ST*企业、金融类企业、数据缺失的样本后，最终保留了 31469 个观测值。选取 2006 年为样本起点是考虑到本文模型中包含的变量数较多，在此之前的观测数存在较多缺失的情况。为了降低异常值对数据分析的干扰，本文对处于最顶部 1% 和最底部 1% 的数据点进行了缩尾处理。4.变量说明
03 数据与代码
▪ 文章及代码原网址：《中国工业经济》编辑部（ https://ciejournal.ajcass.com/）
04 实证结果
1.不同机器学习方法下模型对分红行为的预测效果本文使用样本内拟合优度 R2Is、样本外拟合优度 R2oos 以及可解释方差 EVSOOS 考察模型在训练集中的样本内拟合效果和在测试集中的样本外泛化能力。表 2 第（1）列的结果显示，LASSO 的样本内拟合优度与多元线性回归接近，决策树的模型表现远不如多元线性回归，支持向量机、渐进梯度回归树和随机森林的样本内拟合优度则明显高于多元线性回归。其中，随机森林具有最高的 R2Is，说明以随机森林为代表的集成学习方法能够获得比线性研究方法更高的样本内拟合效果。对比样本外预测能力，表 2 第（2）、（3）列的结果表明，随机森林具有最高的样本外拟合优度和可解释方差，渐进梯度回归树的模型表现也较好。相比于多元线性回归，渐进梯度回归树和随机森林的样本外拟合优度分别提高 51.44% 和 66.84%。本文综合使用样本外均方误差 MSEOOS、平均绝对误差 MAEOOS和绝对中位差 MedAEOOS 考察不同方法下模型的预测精度。表 2 第（4）列的结果显示，集成学习方法在进行样本外预测时的均方误差较低。与多元线性回归相比，采用渐进梯度回归树和随机森林这两种方法时，样本外均方误差分别降低 9.30% 和 12.86%，第（5）列的平均绝对误差和第（6）列的绝对中位差也展现了类似的结果。总的来说，集成学习方法能够灵活地采用更合适的函数形式对数据进行拟合，从而构造出预测能力更强、精度更高的企业股利分配预测模型
2.不同类别公司特征对公司现金分红行为预测能力的表现差异
为探究不同类别公司特征对公司分红行为预测能力的表现差异，本文以公司基本面特征作为基准模型，比较在基准模型中加入不同类别公司特征时的模型拟合效果。同时，本文列示了包含所有类别公司特征时的模型（简称综合模型）结果作为对照。可以看到，基准模型中包含了反映公司盈利能力和增长潜力的指标，这些公司基本面特征对预测和解释公司分红行为起到了重要作用。在此基础上，对比在基准模型中加入某一类别公司特征时的模型拟合性能，本文发现生命周期理论特征的加入显著提升了基准模型的表现，公司税率特征的表现次之，继而是第一类和第二类代理问题相关特征，而融资需求特征和投资者情绪特征带来的预测性能提升幅度相对较小，如表 3所示。这表明，以往研究中关注较少的生命周期特征和公司税率特征对公司现金分红行为的影响程度反而较大，而两类代理问题相关特征、融资需求特征和投资者情绪特征对股利支付行为的预测解释能力相对较弱。
4.不同特征变量对公司分红行为预测能力的差异
鉴于渐进梯度回归树和随机森林在预测公司分红行为方面展现出了显著的优势，本文计划基于这两种集成学习算法深入探索不同特征变量对公司分红行为预测效果的影响差异。然而，由于集成学习模型的复杂性，其预测结果通常不能像单一学习器那样被直观解释。为了揭示集成学习模型背后的经济学意义，本文将采用特征相对重要性的方法，量化不同特征在预测模型中的重要性程度（周志华，2016）。表 4 的结果显示，相对重要性最高的特征变量分别为上一期股利支付水平（Dividend_lagi，t-1）、资产收益率（ROAi，）、t 留存收益资产（Retainedearn_ratioi，）、t 实际税率（Tax_ratioi，）纳 税 波 动 性（Tax_volatilityi，）、t 资 产 负 债 率（Levi，）、t 销 售 增 长 率（Growthi，）t 和 其 他 应 收 款 资 产 比（Tunnelingi，t）。与之相对，结果表明，尽管已有研究发现再融资动机（Refinancei，t）和控股股东股权质押比例（Pledgei，t）等指标对公司股利分配具有一定的解释力，但这些指标的相对重要性较低，说明其对公司股利分配行为的实际预测能力不佳。① 最后，考虑到不同类别特征数量的差异可能影响本文的研究结论，本文选取各自类别中相对重要性最大的一个特征加入基本面特征中，重新训练模型并计算各类别特征的相对重要性。结果表明，尽管随着时间推移，不同类别的公司特征累计相对重要性有所变动，但整体而言，生命周期特征和公司税率特征的相对重要性仍显著高于其他类别的公司特征，进一步验证了表 3 的研究结论。分红动因
【文献复刻 】中国企业的分红动因
(76 Bytes, 需要: RMB 29 元)
京公网安备 11010802022788号
