关于公司治理的不完全信息博弈分析

《关于公司治理的不完全信息博弈分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、关于公司治理的不完全信息博弈分析 　　摘要：文章运用博弈论分析方法，通过两个不完全信息静态博弈模型，分析了上市公司股东和高层管理者之间的博弈，说明在不同的监督和激励下，各个主体的选择行为及其相互作用机理，并指出可以采用加大企业内部监督力度等方法来完善公司治理。 关键词：公司治理；博弈论；不完全信息 一、研究背景 　　近期，随着“格力电器董事长4000万收入成A股薪酬之王”等一系列高管薪酬问题被披露，公司治理问题又重新受到众多学者的关注。而关于公司治理的说法颇多，王立彦、刘军霞认为公司治理应该取广义的概念。它不仅包括董

2、事、高级管理人员薪酬安排计划、股权计划等内部控制机制，而且包括市场、法律制度、中介机构等外部控制机制，可以说，凡企业与其利害关系人之间的隐性或显性制度安排都可以作为一种公司治理机制。在现代企业中，股东往往由于种种原因，不能直接参与企业的经营管理，于是委托职业经理人对企业进行管理，股东希望代理人能够尽最大努力使公司价值最大化，然而在信息不对称的情况下，代理人为追求个人利益最大化往往会做出损害公司利益或股东权益的决策、行动。而这些问题能通过契约来避免的是非常有限的，为了更好地避免此现象的出现，促使代理人更好为委托人寻求更多的收

3、益，股东常常会选择监督或激励的方式。本文则运用博弈论分析方法，从不完全信息静态博弈均衡的角度，对上市公司股东在对高层管理者进行监督和激励问题进行分析，说明在不同情况下，各个主体的选择行为及其相互作用机理，并给出相关的建议和启示。 二、博弈模型与分析 　　股东在对其代理人进行管理的时候，采用较为广泛的是监督和激励两种方式。由于双方目标的差异，代理人往往会采取两种行为。要么是利己行为，即为个人利益服务，例如，装修豪华办公室、挪用公款、侵占企业资产等等；要么是利企行为，即一切以企业利益为出发点，实现企业价值最大化。而作为代理

4、人，在股东不同的激励政策下，付出努力程度也不同，这也会给双方带来不同的收益。而有的企业缺乏对代理人的监督和激励，使得代理问题无法得到有效的解决。本文将从博弈论的角度对委托人实行的监督和激励进行分析。 基本假设 　　公司治理博弈的基本假设包括：假设公司治理博弈的当事人有两个，包括高层管理者和股东；双方均已知博弈的结构和自己的收支情况；股东的纯战略为激励或不激励、监督或不监督；高层管理者的纯战略是选择高努力或低努力、利己行为或利企行为。 基本模型 1、监督 　　假设该博弈是不完全信息静态博弈，我们可以求解混合策略的纳

5、什均衡。为此，我们做出接近于实际的假设：即高管选择利己行为和利企行为、股东进行监督与否、股东监督时能否查出、是否会被揭发等都是不确定的。其中：高层管理者利己行为所得收益为A。高层管理者利企行为所得收益为-A；如果高层管理者利己行为被查出后将被处罚为B。股东的监督成本为C，是指股东为了对高管进行监督而需增加的一切费用；若股东不监督则可节约监督成本C。如果高层管理者利己行为，而股东不对其进行监督，则有两种情况：一是被其他相关利益主体揭发，这时公司的形象受影响，股价有可能会下跌，股东的收益将会被影响，影响的收益为D；二是未被揭发

6、，高层管理者的利己行为未被发现，则股东短期收益未受影响。高层管理者的利己行为，股东虽对其进行了监督，但未发现，则高层管理者得利己收益，监督部门发生监督成本。 　　假设高层管理者选择利己行为的概率为p，高层管理者选择利企行为的概率为1-p；股东进行监督的概率为q，股东不监督的概率为l-q；股东监督时查出问题的概率为u，未查出问题的概率为l-u；股东不监督时揭发的概率为v，未揭发的概率为l-v。 这时，股东的预期收益为： 　　Q=q·{u·[p·+·]+·[p·+·]）+·{v·[p·+·C]+·[p·0+·C]} 高

7、管的预期收益为： 　　R=p·{q·[u·+·A]+·[v·A+·A]}+·{q·[u-+·]+·[v·+·]）} 股东和高管预期收益最大化的一阶条件是： Q′=upB-C+vpD+pC=0 R′=A-quB-quA+A=0 　　于是，可得该监督博弈的混合策略纳什均衡解为： p*=2C/和q*=2A/[u] 　　即在既定的制度安排下，为使自己的收益最大化，高管以p*的概率选择利己行为，股东以q*的概率选择监督。 2、激励 　　假设该博弈是不完全信息静态博弈，我们可以求解混合策略的纳什均衡。为此，我们做出接

8、近于实际的假设，即高管选择努力和不努力、股东进行激励和不激励等都是不确定的。 　　具体假设是：假设高层管理者选择努力的概率为t，高层管理者选择不努力的概率为1-t；股东进行激励的概率为r，股东不激励的概率为l-r。 这时，股东的预期收益为： 　　W=r·[t·F+·H]+·[t·K+·N） 高层