论文标题：Silent Suffering: Using Machine Learning to Measure CEO Depression

中文标题：无声的痛苦：使用机器学习衡量CEO的抑郁状况

原文来源：SUNG-YUAN (MARK) CHENG, NARGESS M. GOLSHAN. 2025. “Silent Suffering: Using Machine Learning to Measure CEO Depression.” Journal of Accounting Research.

供稿：余佳玥

封面图片来源：Pexels

一、引言

抑郁症是一种普遍存在的疾病，对个人和社会都有深远的影响。根据世界卫生组织（WHO）的数据，全球有超过2.64亿人患有抑郁症，这导致了大量的医疗护理直接成本和因经济活动减少的重大间接成本。在高管办公室中，抑郁症甚至比在普通人群中更普遍。尽管CEO患抑郁症的比例很高，但由于耻辱感以及对职业声誉的担忧，抑郁症常常被隐瞒，导致CEO未得到充分的治疗。与过度自信（Malmendier and Tate，2005）、自恋（Ham，2018）和外向性（Green，2019）等更明显的特质不同，CEO的抑郁症一直隐藏着。

文章引入了利用CEO的语音声学特征来衡量其抑郁症情况的方法。通过这种方法，文章首先进一步了解CEO中抑郁症的普遍程度和严重程度。接着，研究与抑郁症相关的CEO高压环境相关的因素。此外，探究CEO抑郁症与职业发展结果的关系，包括离职率、离职-绩效敏感度（TPS）、薪酬和薪酬-绩效敏感度（PPS）。

文章的贡献如下：第一，丰富了有关CEO特征和个人特质如何解释其离职和薪酬以及公司投资、融资和信息披露政策方面差异的文献。文章利用CEO在抑郁症方面的个体内部变化这一特点，研究与CEO抑郁症相关的因素及其对职业发展结果的影响。第二，文章通过量化CEO抑郁症与职业发展结果之间的关联，增进对管理劳动力市场的理解。第三，为研究一般情绪变化对经济主体活动和决策影响的文献做出贡献。文章使用机器学习模型，直接从语音声学特征衡量CEO的抑郁状况。第四，丰富了关于声音线索对金融市场影响的文献。最后，拓展了会计和金融领域中关于机器学习技术的文献，比如预测贷款决策、基本面分析、自然语言处理、身体运动和面部识别。

二、理论分析

抑郁症的特征表现为情绪低落、快感缺失以及认知功能障碍。近年来，全基因组研究对先前确定的候选基因与抑郁症之间的关联提出了挑战（Dunn，2015）。广泛应用于普通人群的抑郁症检测工具有患者健康问卷（PHQ）、贝克绝望量表以及抑郁症状快速自评量表（QIDS-SR）。由于患者健康问卷第8版（PHQ-8）以两周为观察期，有助于确保得分反映的是具有临床意义的抑郁症，因此文章使用包含受访者PHQ-8得分的训练数据集的机器学习模型。

CEO作为企业决策者，他们的情绪状态会对自身的职业生涯、所在公司乃至更广泛的经济领域产生重大影响。研究表明，CEO这一角色具有的不确定性和模糊性会加剧焦虑和抑郁情绪。另外，由于抑郁症患者存在一些大脑区域无法有效地利用情感信息来指导行为，因此会使其对负面结果更加敏感，风险承受能力降低。研究CEO的抑郁症状况有助于理解抑郁症与职业发展结果、公司经营成果以及CEO决策之间的关系。

 抑郁症与CEO离职之间的关联有多种机制发挥作用。首先，抑郁症可能导致对离职过度敏感，让抑郁CEO付出更多努力，从而使其离职率降低（DeMarzo and Sannikov，2006；DeMarzo and Fishman，2007）。其次，抑郁症可能导致对过去的错误做出无效的应对，进而增加未来犯错的几率以及离职的可能性。第三，抑郁症可能降低履行职责的动力和能力，从而导致更高的离职率（De Quidt and Haushofer，2016；Shapiro，2022）。第四，董事会可能察觉到CEO患有抑郁症，并对其继续履职的能力表示担忧，这会导致更高的离职率。最后，董事会可能给予CEO支持和建议，使得抑郁症与离职之间不存在关联。类似的机制也会影响CEO抑郁症与离职-绩效敏感度（TPS）之间的关系。此外，抑郁症患者可能无法利用负面反馈来提升未来的绩效（(Elliott et al.，1997； Steele et al.，2007）。

目前，CEO抑郁症与薪酬之间的关系尚不明确。心理学理论表明，抑郁症患者可能对奖励的反应较弱，这会导致薪酬方案和薪酬-绩效敏感度（PPS）降低。另一方面，董事会可能会设定更高的PPS，以激励患有抑郁症的CEO承担风险（Coles et al.，2006；Gormley et al.，2013；Rajgopal and Shevlin，2002）。此外，人才中介（(Rajgopal et al.，2012）和薪酬顾问（Armstrong et al.，2012；Cadman et al.，2010）可能会掩盖CEO抑郁症与薪酬之间的关系。

三、研究设计

（一）抑郁症检测模型的训练方法

文章使用机器学习算法检测CEO的抑郁状况，这种方法源于情感计算，结合神经科学、心理学和计算机科学，从语音特征中识别抑郁症等神经系统疾病。文章将困境分析访谈语料库（DAIC）作为训练抑郁症检测模型的数据，并将其分为训练集（107个观测值，占57%）、开发集（35个观测值，占18%）和测试集（47个观测值，占25%）三个子样本。其中训练样本和开发样本用于训练模型，开发样本在必要时用于微调超参数，测试样本用于比较不同模型的性能并选择最佳模型。

文章从录音中提取声学特征和嵌入向量，并遵循情感计算领域的文献（Alghowinem et al.，2013；Cummins et al.，2011； Latif et al.，2021；Pan et al.，2019），使用四种机器学习算法预测抑郁症：线性回归、支持向量回归（SVR）、利用谷歌YAMNet模型的迁移学习技术，以及基于频谱图图像的卷积神经网络（CNN）。每种算法都根据PHQ-8量表估计出一个抑郁症严重程度的连续分数。通过使用测试集，比较每个模型的均方根误差（RMSE）。由于基于谷歌YAMNet嵌入向量训练的SVR模型均方根误差最低，所以文章选择其作为最终模型估计CEO的抑郁症状况。 除此之外，文章还使用该模型对收益电话会议中CEO的语音声学特征进行样本外预测。

（二）衡量CEO抑郁症的数据与方法

文章从标普资本智商（S&P Capital IQ）的市场情报平台收集了2010年至2021年标准普尔500指数公司季度收益电话会议的录音。通过说话人分割技术（Giannakopoulos，2015），提取CEO发言的部分内容，这部分通常发生在电话会议的开头。此外，电话会议的陈述部分更接近DAIC中所观察到的半结构化且不间断的讲话模式。

文章对这些音频文件的处理方式与DAIC数据集类似，利用经过训练的SVR模型估计每个季度CEO的抑郁分数。当CEO的抑郁分数大于10时，将其抑郁指标计为1，否则计为0。这种方法能够估计不同CEO之间以及同一CEO在不同时间内的抑郁症状况变化。

（三）其他数据来源

文章首先从标普资本智商（Capital IQ）确定拥有季度电话会议音频文件且在高管薪酬数据库（Execucomp）中数据无缺失的标普500指数成分股公司，得到了19741个季度电话会议音频文件。然后从中剔除了1103个缺少两天股票回报率数据的电话会议，807个CEO未参与或在电话会议中发言过短的电话会议，1995个CEO非母语为美式英语的电话会议，以及378个因背景噪音干扰说话人分割算法的电话会议。最后将这个样本与标准普尔公司会计数据库（Compustat）、机构经纪人预测系统（I/B/E/S）和美国证券价格研究中心数据库（CRSP）合并，得到14608个公司季度观测值，对应421家不同的公司和826位不同的CEO。为了分析CEO的职业发展结果，文章将变量转换为公司年度层面的数据，最终得到了代表相同421家公司的4001个公司年度观测值。

四、实证分析

（一）与CEO抑郁相关的因素

文章对CEO抑郁症进行初步的描述性分析以解释其特征，图1描述了样本期间的平均CEO抑郁分数。

然后，文章研究了与CEO抑郁症可能相关的潜在因素，重点关注会对会计和金融领域文献产生重大影响的因素。具体有五类变量：（1）CEO的业绩表现；（2）公司风险；（3）CEO在电话会议发言中的语言模式；（4）CEO的工作要求；（5）个人特征和季节性影响。表1展示了所有变量的描述性统计数据，分别对被归类为抑郁和非抑郁的CEO季度数据进行统计。结果发现，抑郁子样本中的CEO发言特征数值更高，而非抑郁子样本中的公司风险和CEO工作要求数值更高。另外，抑郁组中男性和年轻CEO的比例更高。除了抑郁的CEO子样本薪酬较低之外，在其职业发展结果或公司业绩方面，没有显著的单变量差异。

为了研究与CEO抑郁相关的因素，文章构建了以下模型对上述五类变量进行回归分析：

其中，i、j和q分别表示公司、CEO和季度。因变量“CEO Depression”既是指标变量（CEO抑郁指标），也是连续变量（CEO抑郁评分）。另外，所有模型纳入了行业和季度固定效应。文章先针对每个类别中的单个变量分别估计模型，再在最后的回归中纳入每个类别的所有变量。方程（1）中回归模型的结果见表2。

面板A展示了CEO抑郁症与业绩表现的关系。结果表明，未达到盈利预测的程度与CEO抑郁症相关。面板B考察了与公司风险相关的变量，发现回报率波动率与CEO抑郁症呈正相关，而市净率与CEO抑郁症呈负相关。面板C考察了与CEO语言模式相关的变量。尽管先前心理学文献中有证据表明发言内容与抑郁症之间存在关联，但文章研究结果并没有表明CEO发言内容与其抑郁症相关。这说明基于语音特征衡量CEO抑郁症的方法不受发言内容的影响，并且CEO为电话会议做了准备以防止他们的精神状态影响发言内容。面板D将CEO抑郁指标与其工作要求相关的变量进行回归分析，结果发现只有机构持股比例与CEO患抑郁症的概率呈正相关；而面板E使用CEO抑郁评分作为CEO抑郁的代理变量，结果发现公司规模和杠杆率与CEO抑郁评分呈负相关，卖空比率和机构持股比例与CEO抑郁评分呈正相关。在面板D和面板E的第13列（纳入所有变量）中，只有机构持股比例的正系数是显著的。面板F结果显示，女性和年龄较大的CEO患抑郁症的概率较低，另外，CEO的抑郁评分在秋冬季节较低。面板G在回归中纳入了CEO业绩表现、公司风险、CEO语言模式、工作要求以及个人特征和季节的所有类别变量，每个类别的单一衡量指标通过主成分分析（PCA）并采用斜交旋转估计得出，提取特征值大于1的因子（Rogers and Stocken，2005）。结果发现，女性和年龄较大的CEO患抑郁症的概率较低，与公司风险相关的因素与CEO抑郁症呈正相关，而与工作要求相关的因素与CEO抑郁症呈负相关。

（二）CEO抑郁状况与职业发展结果

由于CEO的更替和薪酬数据仅按年可得，文章对于指示变量，采用CEO抑郁指标在四个季度中的众数，若出现平局则取最新值；对于连续得分，采用CEO抑郁得分在四个季度中的平均值。

1. CEO的抑郁状况与更替情况

为探究CEO的抑郁状况与其更替之间的关系，文章估计以下回归模型：

文章研究CEO的抑郁状况与三种类型更替之间的关系：CEO跳槽到规模更大的公司、CEO跳槽到规模更小的公司，以及标准普尔1500指数成分公司中CEO的退休或离职。如果第t年的CEO与第t-1年的CEO不同，则“首席执行官更替（CEO Turnover）”取值为1，否则为0。如果CEO跳槽到市值比原公司至少高10%的公司，“CEO跳槽到更大的公司”取值为1，否则为0。如果CEO跳槽到市值低于原雇主市值90%的公司，“CEO跳槽到更小的公司”取值为1，否则为0。如果CEO次年不在Execucomp数据库中，“CEO退休或退出标准普尔1500指数成分公司”取值为1，否则为0。控制变量包括销售增长率、资产回报率、回报率、回报率波动率、市值账面比、现金流波动率、应计项目、资产对数、杠杆率、公司年龄、董事会独立性、机构持股比例、首席执行官总薪酬对数、首席执行官持股比例、首席执行官任期、首席执行官兼任董事长以及首席执行官年龄。结果见表3的面板A，在所有模型中，文章没有发现证据表明CEO的抑郁状况与其更替有关。

2. CEO的抑郁状况与TPS

文章研究CEO的抑郁状况与基于业绩的离职之间的关系时，估计了以下回归模型：

文章使用了第t-1年相对于第t-2年的资产回报率变化、第t-1年的异常股票回报率两个业绩指标，交互项的系数衡量了抑郁的CEO相对于不抑郁的CEO在基于业绩的离职方面的增量差异，控制变量与方程（2）中类似。结果见表3的面板B。结果发现，以资产回报率变化作为业绩衡量指标时，CEO的抑郁状况与TPS之间没有关系；当使用异常股票回报率作为业绩衡量指标时，有微弱的证据表明随着抑郁得分的增加，TPS情况更为明显。

3. CEO的抑郁状况与薪酬

文章通过估计以下回归模型研究CEO的抑郁状况与CEO薪酬及其构成部分之间的关系：

文章使用总薪酬、现金薪酬、股权薪酬三个CEO薪酬指标，控制变量基于先前的研究（Chhaochharia and Grinstein，2009；Ozkan et al.，2012；Roulstone，2003），包括销售增长率、资产回报率、亏损情况、回报率、回报率波动率、市值账面比、资产对数、董事会独立性、机构持股比例、首席执行官任期、首席执行官兼任董事长以及首席执行官年龄。结果见表4的面板A。文章发现微弱的证据表明抑郁的CEO总薪酬更高，并且CEO的抑郁得分与现金薪酬之间存在正相关关系。

4. CEO的抑郁状况与PPS

文章在研究CEO的抑郁状况与薪酬业绩敏感度关系时，估计了以下回归模型：

使用的两个业绩指标与方程（3）相同，交互项的系数衡量了抑郁的CEO相对于不抑郁的CEO在薪酬业绩敏感度方面的增量差异，控制变量与方程（4）中的相同。结果见表4的面板B。文章发现，对于抑郁的CEO以及平均抑郁得分较高的CEO，CEO薪酬对资产回报率变化的敏感度更高。但是当使用异常股票回报率作为业绩衡量指标时，没有发现证据表明薪酬业绩敏感度与CEO的抑郁状况有关。

总体而言，文章对CEO的抑郁状况与职业发展结果的分析提供了有限的证据，表明CEO的抑郁状况与更高的基于业绩的离职率、更高的薪酬以及更高的薪酬业绩敏感度有关。但是没有发现任何证据表明CEO的抑郁状况与其更替有关。

（三）CEO的抑郁状况与公司业绩

文章通过估计以下模型研究CEO的抑郁状况与公司业绩之间的关系：

文章使用资产回报率、经营现金流、销售增长率和股票回报率四个指标衡量公司业绩，并且使用这些指标的当期值以及该指标在随后四个季度的平均值进行检验。结果见表5，面板A至面板D展示了针对不同公司业绩衡量指标的结果。在所有衡量指标下，均未发现证据表明CEO的抑郁状况与公司业绩在短期或长期内存在关联。

（四）CEO的抑郁状况与股市反应

文章通过估计以下模型，检验市场是否会在业绩电话会议期间推断出CEO存在抑郁情况：

文章使用代表市场反应，它是指公司i在第q季度业绩电话会议前后的[0, +1]个交易日窗口期内，经市场调整后的累计异常回报率。表格第1列表示CEO抑郁指标，第2列指连续的CEO抑郁得分。结果见表6。结果发现，CEO的抑郁状况与业绩电话会议前后的异常回报率之间没有关联，这表明投资者在这些电话会议期间并未察觉出CEO存在抑郁情况。

（五）稳健性检验

在研究CEO的抑郁状况与公司业绩之间的关系时，一个潜在担忧是，患有抑郁症的CEO可能会被某些类型的公司所吸引，比如那些发生不良职业结果（如离职率）可能性较高的公司。为解决这一问题，文章采用了多种策略。

首先，文章采用了Ham等人（2018）的方法，研究CEO的抑郁状况与方程（1）所列因素之间的关联，在CEO任职开始之前，排除与CEO自身相关的变量以及季节相关的因素（即CEO讲话时长、CEO填充词数量、CEO语气、CEO绝对主义用语、CEO自我指涉用语、CEO任期、CEO兼任董事长情况、性别、CEO年龄以及季节）。具体而言，文章根据CEO上任第一年前四年这些变量的平均值对CEO抑郁进行回归分析。为确保只捕捉到CEO尚未任职时的公司季度数据，文章只保留可以确定前任CEO的公司季度数据。结果见表7。

结果发现，有微弱的证据表明，盈利惊喜与新聘用CEO的抑郁得分呈负相关，回报率波动率与新聘用CEO的抑郁得分之间存在正相关关系。对于重组费用，发现它与新CEO患有抑郁症的概率呈正相关，但与新聘用CEO的抑郁得分呈负相关。总体而言，在各种不同的设定下，文章并未找到一致的证据表明某一特定的公司特征与新聘用CEO的抑郁状况相关。

其次，根据Hirshleifer等人（2012）以及Ham等人（2018）的做法，文章从样本中剔除CEO任期的第一年，检验方程（2）、方程（3）、方程（4）和方程（5）中结果的敏感性。如果之前的结果是由抑郁的CEO与公司之间的初始匹配所驱动的，那么在排除CEO任期的第一年之后，之前结果的显著性应该会大幅减弱。结果见表8。在面板A中，所有系数在统计上均不显著，这表明CEO的抑郁状况与任何类型的CEO离职都无关。在其余几组中，尽管系数的大小和方向总体上与表3和表4中的相同，但系数的统计显著性有所下降。具体而言，在排除CEO任期的第一年之后，发现CEO的抑郁状况与TPS（面板B）、CEO薪酬（面板C）或PPS（面板D）均无关。缺乏显著结果可能是由于统计功效降低所致，因为在排除CEO任期的第一年后，观测值的数量减少了超过30%。

最后，为解决CEO与公司之间的匹配担忧，文章根据Hainmueller（2012）的方法，使用熵平衡法实现有抑郁CEO的公司和没有抑郁CEO的公司之间的协变量平衡。结果见表9。在所有面板中，发现结果在大小和统计显著性方面与之前记录的结果相似，但有两个例外。在面板C的第1列中，未发现CEO的抑郁状况与总薪酬相关，但是现金薪酬与CEO的抑郁得分呈正相关。在面板D的第2列中，CEO平均抑郁得分与资产回报率变化交互项系数的大小几乎与表4面板D中相同，但不再具有统计显著性。

五、未来研究与结论

（一）未来研究方向

文章通过分析CEO的语音声学特征衡量其抑郁情况，对CEO的抑郁症和职业发展结果进行了初步研究。考虑到抑郁症在高管中普遍存在，开展更多的研究对确定促成因素、抑郁症对商业决策的影响以及在领导岗位上管理抑郁症的策略至关重要。可以将高管抑郁症这一问题扩展到其他领导岗位和国际背景中。此外，未来关于CEO抑郁症的研究需要控制在多种替代设定下与CEO抑郁症在统计和经济层面上存在显著关系的因素，以确保研究结果的准确性和可靠性。

（二）研究结论

文章利用机器学习算法，结合收益电话会议录音中的语音声学特征衡量CEO的抑郁状况。深入了解到CEO中抑郁症的普遍性和严重程度，以及其与CEO绩效、公司风险、电话会议中的讲话模式、工作要求、个人特征和季节性影响之间的关系。文章研究结果表明，与公司风险相关的因素与CEO的抑郁症呈正相关，而工作要求与CEO的抑郁症呈负相关。另外，女性CEO和年龄较大的CEO患抑郁症的可能性较低。

文章还研究了CEO抑郁症与职业发展结果以及公司绩效之间的关系。尽管没有发现CEO抑郁症与离职率相关的证据，但有证据表明，抑郁的CEO在离职-绩效敏感度、薪酬以及薪酬-绩效敏感度方面更高。但是，CEO抑郁症在短期或长期内与公司绩效均无关，并且与电话会议前后的异常回报率也没有关系，这表明投资者在这些电话会议中并未察觉到CEO的抑郁情况。

文章的研究仍存在一些局限性。基于机器学习模型的CEO抑郁衡量方法可能包含未被考虑到的潜在偏差或异常值。这些模型尚未通过对CEO抑郁症的临床诊断进行评估。抑郁症受各种因素的影响，例如成长经历和重大生活事件，文章假定这些因素在CEO群体中是随机分布的。文章的主要关注点是揭示与CEO抑郁相关的因素，并研究其与职业发展结果的关系。这些测试用于验证新的衡量方法，而非确立因果关系。

Abstract We introduce a novel measure of CEO depression by applying machine learning models that analyze vocal acoustic features from CEOs’ conference call recordings. Our research was preregistered via the Journal of Accounting Research’s registration-based editorial process. In this study, we validate this measure and examine associated factors. We find that greater firm risk is positively associated with CEO depression, whereas higher job demands are negatively associated with CEO depression. Female and older CEOs show a lower likelihood of depression. Using this novel measure, we then explore the relationship between CEO depression and career outcomes. Although we do not find any evidence that CEO depression is associated with CEO turnover, we find some evidence that turnover-performance sensitivity is higher among depressed CEOs. We also find limited evidence of higher compensation and higher pay-performance sensitivity for depressed CEOs. This study provides new insights into the relationship between CEO mental health and career outcomes.

原文地址：https://doi.org/10.1111/1475-679X.12590