數字化轉型程度、投資者情緒與股價崩盤風險

摘 要：數字化時代，制造業作為經濟的重要支柱，不僅面臨著數字化轉型的挑戰，還有著巨大的轉型發展機遇。本文選取2010—2020年全部A股制造業上市公司數據作為研究樣本，旨在探究企業數字化轉型如何在投資者情緒與股價崩盤風險路徑中發揮作用。研究表明：當投資者情緒高漲時，股價崩盤風險會相應增加。數字化轉型對整個路徑有負向調節作用；企業數字化轉型程度越高，對投資者情緒高漲帶來的股價崩盤風險抑制能力越強。綜合以上結論，企業應積極推進數字化轉型，以減少由投資者情緒高漲帶來的股價崩盤風險。本文基于數字化轉型程度，驗證了數字化轉型對股價崩盤風險的調節效應并提出了相關發展建議，以期為制造業和企業制定數字化轉型戰略提供參考。

關鍵詞：制造業；投資者情緒；股價崩盤；數字化轉型；調節效應

本文索引：徐綺琳.<變量 2>[J].中國商論，2024（02）：-127.

中圖分類號：F830.59；TF306 文獻標識碼：A 文章編號：2096-0298（2024）01（b）--06

1 引言

在當前的經濟形勢和政策背景下，加快制造業數字化轉型已然成為中國經濟穩健發展的重要戰略之一。根據2021年《中國制造業數字化轉型發展報告》，該報告明確了中國制造業數字化轉型的發展方向和關鍵領域，并提出了促進數字化產業創新和培育數字化人才等建議。在數字經濟規模預計超過100萬億元人民幣的今天，數字產業化與產業數字化轉型正在經濟社會各領域不斷擴張融合，為實體經濟的高質量發展提供了支持。該趨勢推動了新消費和投資，使社會產生更多就職機會，并帶來了全要素生產率的倍增效應 [1-2]。這激發了眾多企業對數字化轉型的追求，并在數字化轉型道路上不斷探索和創新。

企業數字化轉型在很大程度上影響市場的穩定性。 制造業企業的數字化本質在于投入大量資金引進數字技術，以應對技術進步和市場波動的不確定性[3]。同時，數字化轉型是企業提升傳統動能和培養新動能的重要手段[4]，它促使企業借助大數據技術進行資源的有效整合和精準供需匹配，解決交易成本或協調等問題，從而大大優化了資源配置效率[5]。隨著制造業市場的逐步升級，數字化轉型的進程逐步加速，數字技術的廣泛應用已經滲透到制造業的各個領域。數字化轉型通過改造5G專網和工業無線網絡等網絡基礎設施，促進了知識和數據在企業內部各系統間的快速共享和流動[6]，進一步提升了企業各層級的協同性和人員組織管理能力[7]。這使企業能夠提高生產效率，并且能更準確、快速地獲取到市場變化信息，從而做出及時且準確的決策，對于市場穩定性具有積極影響。

黃大禹等（2021）[8]指出，數字化轉型能夠有效增強企業的技術創新能力，增強要素配置水平并對風險具有更強的可控力，并顯著提升企業的價值。再者，數字化轉型顯著提升企業的價值，可以對股價提供更堅實的基本面支撐，降低因市場短期情緒引發的股價崩盤風險。此外，已有研究[9-13]已經揭示了數字化發展對于提高整體公司業績、促進價值鏈上升、增強制造業生產效率、提升地區創新能力以及推動綠色可持續發展的積極作用。這些通過改善公司的基本面，以達到穩定股價，防止股價崩盤的重要手段。同時吳非等（2021）[14]發現，數字化轉型有助于提高企業股票在資本市場的流動性。流動性高的市場通常信息傳播更充分，可以降低信息不對稱的程度。然而，企業數字化轉型需要大量的財務需求和高昂的成本支持，如果企業財務運營出現了問題，就很容易引發股價崩盤風險的增加。因此，在應對和管理股價崩盤風險時，數字化轉型的作用和角色值得深入探究。

2 理論分析與研究假設

投資者情緒與股票崩盤風險之間的關系一直是備受關注的課題。根據Baker和Wurgler（2007）[15]的經典研究，投資者情緒可以顯著影響股票價格。然而，近年來，隨著數字化轉型的深入，這一關系可能發生變化。張宗新，王海亮（2013）[16]在中國股市的研究中發現，投資者情緒與股市波動性存在正相關關系。這種關系的基礎是投資者在樂觀情緒下傾向于過度投資，而在情緒高漲時容易忽視風險，導致股價脫離基本面，從而在一定程度的負面信息或市場調整時引發股價的急劇下跌[17]。基于此，本文提出以下假設：

假設H1：投資者情緒越高漲，股票崩盤風險越大。

然而，數字化轉型得到了國家政策的大力支持，并在許多行業得到廣泛應用。隨著數字化轉型的深入，這一關系可能會受到調節。Galindo-Martin（2018）[18]指出數字化轉型因增強了企業的價值創造和企業家精神，從而帶來了數字紅利。Song（2022）[19]指出通過網絡效應和商業模式的創新，數字化轉型改變了傳統經營方式，降低了企業的交易成本，擴展了營銷渠道。在理論層面上，數字化轉型為企業注入新的動能，影響了企業與市場投資者之間的信息對稱性，從而對股價崩盤風險產生影響。基于此，本文提出以下假設：

假設H2：數字化轉型程度調節投資者情緒與股票崩盤風險間的關系。

Kaniel和Shivakumar（2011）[20]認為數字化轉型通過社交媒體和在線平臺加速信息傳播，可能會加劇投資者的情緒波動。這意味著當企業的數字化轉型程度提高，投資者更容易接觸到和被各種市場信息影響，可能加劇市場情緒的波動。這種情況下，雖然信息獲取和處理的效率得到了提高，但也可能由于信息的過度傳播和投資者情緒的放大，導致市場更容易受到震蕩，增加了股價崩盤的可能性。此外，數字貨幣和移動支付等新興金融工具的應用，可能加速資本流動，進一步放大市場的波動性。基于此，本文提出以下假設：

假設H2a：數字化轉型程度正向調節投資者情緒與股票崩盤風險間的關系。

但同時，Kirilenko（2017）[21]認為大數據分析和機器學習技術的應用，可能幫助投資者更加準確地評估市場風險，從而降低情緒的影響，幫助投資者做出更加理性的決策。區塊鏈作為一種分布式賬本技術，通過創新信息記錄、傳輸和保護的方式，提供了一個公開、不可篡改的記錄系統[22]，解決了供應鏈中可追溯性和交易不可逆性兩個主要問題，從而可以有效提高供應鏈的透明度。這可能在一定程度上抵消投資者情緒對股市的影響。基于此，本文提出以下假設：

假設H2b：數字化轉型程度負向調節投資者情緒與股票崩盤風險間的關系。

3 研究設計

3.1 樣本選擇與數據來源

本文選取我國全部A股制造業上市公司2010—2020年數據為初始研究樣本，并進行處理，處理條件如下：（1）剔除被ST的企業；（2）剔除數據異常樣本；（3）剔除數據不全的樣本。經過處理，最終獲得15995個企業年度非平衡面板數據樣本。為了避免數據極端值的干擾，本文對連續變量進行上下1%的縮尾（Winsor2）處理（數據均來源于CSMAR數據庫）。

3.2 變量測量與模型設定

3.2.1 變量測量

被解釋變量：股價崩盤風險。目前大多數文獻借鑒chen（2001）[23]、許年行等（2013）[24]的股價崩盤風險的測量方法，以NCSKEW和DUVOL為股價崩盤風險的度量指標。首先將股票i的周收益率數據進行模型（1）的回歸以計算市場因素對個股收益率的影響：

模型（1）中，ri，t為每一個年度股票i在第t周的收益；rm，t為A股所有制造業股票在t周經流通市值加權的平均收益率，其余為用于控制非同期交易的影響而加入的超前項和滯后項；εi，t為模型（1）中的回歸殘差，用于進一步修正企業特定收益率：

根據上述模型，構建衡量股價崩盤風險的兩個指標：

（1）負收益偏態系數NCSKEW

其中，n為股票i年交易周數，當NCSKEW的值越大，則股價崩盤的風險越高。

（2）收益率上下波動率DUVOL

其中，nu和nd為股票第i周特定收益率，Wi，t分別大于和小于其年均收益率的周數。當DUVOL的值越大，收益率越低，則股價崩盤風險越高。

（1）解釋變量：投資者情緒。本文引用魏星集， 夏維力， 孫彤彤（2014）[25]的計算公式：

其中，NAi，t為當期新增開戶數，TURNi，t-1為前推一期市場換手率，CCIi，t-1為前推一期消費者信心指數，DCEFi，t-1為前推一期封閉式基金折價率，NIPOi，t為當期新股發行數量，RIPOi，t為當期新股上市首日收益率。

本文進一步對原月度投資者情緒（ISI_M）求均值并進行標準化以得到年度投資者情緒（ISI）。

（2）調節變量：數字化轉型程度。以往大多研究主要使用企業是否進行數字化轉型的虛擬變量來衡量企業的數字化轉型程度。然而，吳非等（2021）首次提出通過統計上市公司年度報告中與“數字化轉型”相關的詞匯頻率來衡量企業的數字化轉型程度。他們認為，年度報告具有總結性和導向性，是企業向外部信息用戶傳遞信息的重要渠道。因此，通過分析年報中與數字化轉型相關的詞匯頻率，可以相對準確地度量企業的數字化轉型水平。

本文將當年“人工智能（AI）”“區塊鏈（BC）”“云計算（CC）”“大數據（BD）”“數字技術應用（DTA）”的詞頻求和來衡量企業的數字化轉型程度（DTotali，t），且為了緩解數據的右偏性特征，數據在加1后進行了對數化處理，公式如下：

（3）控制變量：本文實證檢驗中設定的企業層面控制變量如下：企業成長性（Growth）、資產收益率（Roa）、企業杠桿（Lev）、股票換手率（ST）、企業規模（SIZE）、所有權性質（State）等。此外，為了確保結果的穩健性，本文還控制了宏觀層面上的宏觀經濟景氣指數（MECI）并固定了年份與省份。具體變量定義見表1。

3.2.2 模型設定

本文構建如下模型：

（1）檢驗投資者情緒與股價崩盤風險間的關系：

（2）檢驗數字化轉型程度在投資者情緒與股價崩盤風險間的調節效應：

4 實證分析

4.1 描述性統計

表2報告了本文變量的描述性統計結果。負收益偏態系數（NCSKEW）與收益率上下波動率（DUVOL）的均值分別為-0.317和-0.216，最小值分別為-4.438和-2.207，最大值分別為5.052和2.343，說明不同企業之間股價崩盤風險存在明顯差距，且部分樣本企業發生股價崩盤的風險較高。解釋變量投資者情緒（ISI）的均值為-0.0019，最小值為-1.777，最大值為2.010，標準差為1.004，說明在大部分情況下投資者情緒并不會過于高漲，但整體數據較不平穩。數字化轉型程度（DTotal）的最小值為-1.079和最大值為5.060差距較大，且均值和標準差分別為0.000681和1.225，說明大部分企業仍缺乏數字化轉型意識，且不同企業間數字化轉型的程度有較大差異。

4.2 回歸檢驗與分析

在對模型進行回歸之前，本文利用White檢驗對數據進行異方差檢驗，發現本文數據存在異方差問題，最終確定選擇穩健標準誤的時間、省份固定效應模型。為了避免多重共線性問題，本文對解釋變量與調節變量進行標準化或中心化處理，結果如表3所示。

由模型（1）、模型（2）回歸結果可以看出，投資者情緒（ISI）與股價崩盤風險（NCSKEW、DUVOL）分別在5%和1%的水平下顯著正相關，與假設H1和過往大多數研究相符，證明當投資者情緒越高漲時，股價崩盤風險越大。

模型（3）、模型（4）的回歸結果表明，投資者情緒（ISI）和數字化轉型程度（DTotal）交互項（IDT）的回歸系數顯著為負，證明數字化轉型程度可以負向調節投資者情緒與股價崩盤風險之間的路徑，當數字化轉型程度越大時，就越緩解投資者情緒高漲時帶來的股價崩盤風險，與上文假設H2a一致。

4.3 內生性檢驗

分別滯后一期控制變量和解釋變量緩解遺漏和雙向因果問題：本文將所有控制變量滯后一期進行回歸，回歸結果如表4所示，可以發現結果中的解釋變量（ISI）和調節變量（IDT）在這種滯后模型中仍然在5%的水平下顯著，增強了研究結果的可信度。而在多元回歸分析中，雙向因果關系常常會導致結果出現問題，因此本文將解釋變量（ISI）滯后一期進行回歸，回歸結果如表5所示，解釋變量（ISI）與調節變量（IDT）在滯后一期后依然在5%的水平下顯著，進一步強化了理論假設，并使結果更為穩健。

4.4 穩健性檢驗

4.4.1 調整樣本時間范圍

鑒于以往研究，本文考慮2015—2016年中國股票市場的劇烈波動和企業股價可能的異常情況，對股價崩盤風險的分析可能存在潛在影響。因此，為消除該時期對分析結果的潛在干擾，本文將2015—2016年的數據從樣本中排除，并重新進行回歸分析。結果顯示在表6的第（1）-（4）列，ISI與NCSKEW、DUVOL的回歸系數在1%的顯著性水平下為正，而IDT與NCSKEW、DUVOL的回歸系數在5%的顯著性水平下為負。該回歸結果再次確認了本文的結論穩健。

4.4.2 更換股價崩盤風險的衡量標準

本文參考Hutton（2009）[26]的研究，采用崩盤次數（CRASH_COUNT）替換股價崩盤風險的原衡量標準。回歸結果見表6的第（5）和（6）列，ISI、IDT與CRASH_COUNT的回歸系數在1%的水平下顯著為負。結果表明，在更改了因變量的衡量方式后，本文結論仍然穩健。

5 異質性分析

本文將進一步探討國有企業與其他非國有企業在數字化轉型過程中，如何影響投資者情緒對股價崩盤風險的影響。國有企業方面，由于其背后通常有政府的支持，投資者情緒可能對其股價影響較小，數字化轉型的進程往往更加穩健，并且較非國有企業擁有更多資金支持與資源獲取渠道。而對于其他企業，特別是民營和中小企業，數字化轉型雖然是一種積極的市場策略，但數字化通常需要較大的初始投資，包括購買硬件、軟件，以及培訓員工。對于許多中小企業和民營企業來說，這樣的成本難以承受。

回歸結果表7列（1）、（3）、（5）、（7）中，表明對國有企業而言，投資者情緒（ISI）不顯著，交互項（IDT）系數為負，并在1%的水平下顯著，與預期結果相符。由于國有企業的長期穩定性、結構性優勢以及政策支持等特性，國有企業的股價在很大程度上受到穩定的市場預期引導，從而在一定程度上抵消了投資者情緒的波動性影響。而表7列（2）、（4）、（6）、（8）表明，對非國有企業而言，投資者情緒（ISI）系數為正，并且在1%的水平下顯著，但交互項（IDT）并不顯著，與預期結果相符。對非國有企業而言，投資者情緒對其股價崩盤風險具有顯著影響。然而，非國有企業的數字化轉型程度（DTotal）與投資者情緒（ISI）的交互項（IDT）并不顯著，反映了非國有企業的市場環境敏感性和運營靈活性等特點，使其股價更易受市場情緒的影響。

6 結語

本文研究企業數字化轉型調節在投資者情緒對企業股價崩盤風險這一路徑上的影響機制。研究結果表明：（1）投資者情緒對股價崩盤風險造成正向影響。（2）企業數字化轉型可以有效調節投資者情緒對股價崩盤的影響，抑制投資者情緒高漲后對股價崩盤風險帶來的不良影響。（3）異質性檢驗發現，數字化轉型對于國有企業有顯著的負調節作用，而對非國有企業的調節作用不顯著。在多項穩健性以及內生性檢驗后，本文的研究結論依舊穩健。

本文提出以下建議：

第一，促進企業數字化轉型以規避股價崩盤風險。加快完善數據中心建設，降低云計算平臺使用成本，聯合多企業共同建設數字金融服務平臺，同步推進企業管理模式與數字化雙轉型，針對性培養企業內部數字化人才，實現“易轉型”局面，削弱投資者情緒對股價帶來的影響，促進市場穩定。

第二，分類施策降低企業數字化轉型風險。提供人才與關鍵技術培訓、降低數字化融資難度、打造數字化樣板等方式，鼓勵企業數字化轉型，打造“易轉型”的外部大環境，并遵循差異化原則，引導不同的企業根據自身情況發展具有特色的數字化轉型道路，以提高其市場適應性和運營效率。針對因數字化基礎薄弱、資金及人才匱乏等困難導致數字化轉型風險高，數字化轉型抑制股價崩盤風險作用小的非國有企業，尤其是中小企業，則深化改革財稅、財政補貼等政策緩解其面臨的體制、資金困局，以進一步釋放企業數字化轉型后抑制股價崩盤風險的潛力。

參考文獻

李平，簡澤，江飛濤，等.中國經濟新常態下全要素生產率支撐型模式轉變[J].數量經濟技術經濟研究，2019（12）：3-20.

趙濤，張智，梁上坤.數字經濟、創業活躍度與高質量發展：來自中國城市的經驗證據[J].管理世界，2020（10）：65-76.

Tiwana， A.， Konsynski， B. & Bush， A.. Research Commentary： Platform Evolution： Coevolution of Platform Architecture， Governance， and Environmental Dynamics[J]. Information Systems Research， 2010， 21（4）.

袁淳，肖土盛，耿春曉，等.數字化轉型與企業分工：專業化還是縱向一體化[J].中國工業經濟，2021（9）：137-155.

丁志帆.數字經濟驅動經濟高質量發展的機制研究：一個理論分析框架[J].現代經濟探討，2020（1）：85-92.

沈國兵，袁征宇.企業互聯網化對中國企業創新及出口的影響[J].經濟研究，2020（1）：33-48.

杜傳忠，張遠.數字經濟發展對企業生產率增長的影響機制研究[J].證券市場導報，2021（2）：41-51.

黃大禹，謝獲寶，孟祥瑜，等.數字化轉型與企業價值：基于文本分析方法的經驗證據[J].經濟學家，2021（12）：41-51.

楊德明，劉泳文.“互聯網+”為什么加出了業績[J].中國工業經濟，2018（5）：80-98.

石喜愛，李廉水，程中華，等.“互聯網+”對中國制造業價值鏈攀升的影響分析[J].科學學研究，2018，36（8）：1384-1394.

黃群慧，余泳澤，張松林.互聯網發展與制造業生產率提升：內在機制與中國經驗[J].中國工業經濟，2019（8）：5-23.

韓先鋒，宋文飛，李勃昕.互聯網能成為中國區域創新效率提升的新動能嗎[J].中國工業經濟，2019（7）：119-136.

許憲春，任雪，常子豪.大數據與綠色發展[J].中國工業經濟，2019（4）：5-22.

吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現：來自股票流動性的經驗證據[J].管理世界，2021（7）：130-144+10.

Baker， M.， & Wurgler， J.. Investor sentiment in the stock market[J]. Journal of Economic Perspectives， 2007， 21（2）：129-152.

張宗新，王海亮.投資者情緒、主觀信念調整與市場波動[J].金融研究，2013（4）：142-155.

Shiller， R. J.. Irrational exuberance[B]. Princeton university press， 2000.

Galindo-Martín， M.A.， Casta?o-Martínez， M.S.， & Méndez-Picazo， M.T.. Digital transformation， digital dividends and entrepreneurship： a quantitative analysis[J]. Journal of Business Research， 2019， 101（8）：522-527.

Song Y， Escobar O， Arzubiaga U， De Massis A. The digital transformation of a traditional market into an entrepreneurial ecosystem[J]. Review of Managerial Science， 2022， 16（1）：65-88.

Kaniel， R.， & Shivakumar， L.. Market Reactions to Earnings News： An Analysis of Earnings Drift by Social Network Users[J]. Journal of Accounting Research， 2011， 49（5）：1241-1300.

Kirilenko， A.， Kyle， A. S.， Samadi， M.， & Tuzun， T.. The Flash Crash： High-frequency trading in an electronic market[J]. The Journal of Finance， 2017， 72（3）：967-998.

Tapscott， D.， & Tapscott， A.. Blockchain Revolution： How the Technology Behind Bitcoin and Other Cryptocurrencies is Changing the World[B]. Penguin， 2016.

Chen， J.， Hong H， et al. Forecasting Crashes： Trading Volume， Past Returns and Conditional Skewness in Stock Prices[J]. Journal of Financial Economics， 2001， 61（3）：345-381.

許年行，于上堯，伊志宏.機構投資者羊群行為與股價崩盤風險[J].管理世界，2013（7）：31-43.

魏星集，夏維力，孫彤彤.基于BW模型的A股市場投資者情緒測度研究[J].管理觀察，2014（33）：71-74.

Hutton， A. P.， Marcus， A. J. & Tehranian， H.. Opaque financial reports， R2， and crash risk[J]. Journal of Financial Economics， 2009（1）：67-68.