侯婧 朱蓮美 尹夏楠

【摘要】以2009 ～ 2019年A股上市公司為樣本， 從微觀層面考察企業(yè)創(chuàng)新產(chǎn)出對股價崩盤風險的影響以及投資者關(guān)注對兩者關(guān)系的調(diào)節(jié)作用。 研究發(fā)現(xiàn)：企業(yè)創(chuàng)新產(chǎn)出能夠有效降低股價崩盤風險， 表明企業(yè)創(chuàng)新產(chǎn)出的信息披露相比創(chuàng)新投入更能反映企業(yè)創(chuàng)新的實際情況， 提高了信息的透明度; 實質(zhì)性創(chuàng)新相比策略性創(chuàng)新， 與股價崩盤風險的負相關(guān)關(guān)系更為顯著， 說明實質(zhì)性創(chuàng)新是提升企業(yè)創(chuàng)新質(zhì)量和自主創(chuàng)新能力的關(guān)鍵; 投資者關(guān)注發(fā)揮了增強投資者信心和解讀信息的雙重效應(yīng)， 從而增強了企業(yè)創(chuàng)新產(chǎn)出與股價崩盤風險間的負相關(guān)關(guān)系。 進一步研究發(fā)現(xiàn)， 外部市場形態(tài)對投資者關(guān)注具有較大影響， 當股市為牛市時， 信息解讀和信心增強雙重效應(yīng)疊加， 進而對股價崩盤風險的抑制作用更顯著。

【關(guān)鍵詞】企業(yè)創(chuàng)新產(chǎn)出;實質(zhì)性創(chuàng)新;策略性創(chuàng)新;股價崩盤風險;投資者關(guān)注

【中圖分類號】F272? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2020）22-0044-9

一、引言

十九大報告明確提出“實施以企業(yè)為主體的創(chuàng)新發(fā)展戰(zhàn)略， 以保障實體經(jīng)濟穩(wěn)定增長”， 同時， 要防范系統(tǒng)性金融風險， 維護金融市場健康發(fā)展。 創(chuàng)新既是企業(yè)持續(xù)發(fā)展的核心動力， 也是促進經(jīng)濟增長和提升國家競爭力的關(guān)鍵要素。 然而， 企業(yè)創(chuàng)新也是一種不確定性較高、周期較長的投資活動， 關(guān)于其對資本市場中股價崩盤風險所產(chǎn)生的影響， 現(xiàn)有研究結(jié)論并不一致。 國外學者Kim和Zhang[1] 認為， 企業(yè)創(chuàng)新活動會加劇股價崩盤風險， 因為管理層在對外進行企業(yè)創(chuàng)新情況披露時會有所保留， 伴隨創(chuàng)新投入的不斷追加， 信息的不對稱程度也會隨之提高， 進而加劇股價崩盤風險。 而我國學者周銘山等[2] 得出相反的結(jié)論， 他們認為創(chuàng)業(yè)板上市公司被要求對外提供更為詳盡的研發(fā)信息， 從而降低了企業(yè)與市場的信息不對稱， 進而有效抑制了股價崩盤風險。 本文以此為契機， 從創(chuàng)新產(chǎn)出（實質(zhì)性創(chuàng)新和策略性創(chuàng)新）這一視角出發(fā)， 考察其對股價崩盤風險的影響， 并分析背后的作用機理。

關(guān)于股價崩盤風險的形成機理， Jin和Myers[3] 構(gòu)建信息結(jié)構(gòu)模型進行研究， 提出在信息透明度較低的情況下[4，5] ， 內(nèi)部人（高管或控股股東）源于機會主義動機[6，7] ， 可能存在隱藏企業(yè)負面信息的行為， 負面信息積累到閾值后將集中釋放， 從而造成股價大跌。 已有文獻基本沿襲這一思路， 分別從代理問題和信息不對稱兩個角度探討如何緩解股價崩盤風險。 在代理問題層面， 學者們認為可從大股東持股[8] 、多個大股東[9] 、機構(gòu)投資者持股[10] 等方面緩解因代理沖突而形成的股價崩盤風險; 在信息不對稱層面， 學者們認為可從會計穩(wěn)健性[1] 、信息披露質(zhì)量及分析師預測[11] 等方面緩解因信息不對稱而導致的股價崩盤風險。 而影響股價崩盤風險的另一要素——市場投資者的關(guān)注和反應(yīng)卻常常被忽略。 投資者關(guān)注一方面具有增加投資者信心的效應(yīng)[2] ， 另一方面還有解讀、辨析企業(yè)信息的效應(yīng)[12] 。

企業(yè)創(chuàng)新具有投資周期長、收益不確定性高以及信息不透明等特征， 尤其當企業(yè)擁有市場前景良好、技術(shù)優(yōu)勢突出、伴隨高風險和高預期收益等特征的研發(fā)項目時， 為了避免技術(shù)外泄和節(jié)約研發(fā)信息披露成本， 往往會盡量減少對外披露信息， 從而提高了信息的不透明性， 這是否會加劇股價崩盤風險？ 而投資者關(guān)注有利于搜集、捕捉企業(yè)信息， 提升股價信息含量和信息的解讀效率， 降低內(nèi)外部信息的不對稱性， 制約管理層刻意隱藏信息行為， 此時投資者關(guān)注是否能夠有效緩解股價崩盤風險？ 創(chuàng)新投入大并取得階段性成果的企業(yè)， 投資者關(guān)注有利于向市場傳遞企業(yè)發(fā)展迅速、預期獲得超額收益的信號， 從而增強投資者信心， 降低負面信息集中釋放的可能， 此時投資者對企業(yè)創(chuàng)新行為的關(guān)注是否能有效抑制股價崩盤風險并提升股價？

為回答上述問題， 本文針對滬深A股上市公司的企業(yè)創(chuàng)新產(chǎn)出對股價崩盤風險的影響以及投資者關(guān)注所起的調(diào)節(jié)作用進行理論和實證研究。 主要貢獻在于：首先， 以往文獻大多集中于研究內(nèi)部人（管理層或大股東）機會主義動機、會計信息披露或投資行為等對股價崩盤風險的影響， 本文以企業(yè)創(chuàng)新行為為視角， 既豐富了股價崩盤風險方面的文獻， 也為基于企業(yè)創(chuàng)新動機分析股價的穩(wěn)定提供了新的角度; 其次， 學者們多從創(chuàng)新投入出發(fā)分析其對股價崩盤風險的影響， 本文將關(guān)注點轉(zhuǎn)為創(chuàng)新投入的階段性成果即創(chuàng)新產(chǎn)出的披露， 豐富了企業(yè)創(chuàng)新經(jīng)濟后果方面的文獻; 最后， 本文從投資者關(guān)注視角分析企業(yè)創(chuàng)新與股價崩盤風險的關(guān)系， 發(fā)現(xiàn)在不同情形下， 投資者關(guān)注能夠發(fā)揮增強投資者信心和信息解讀效應(yīng)， 進一步豐富了投資者關(guān)注的相關(guān)研究。

二、理論分析與研究假設(shè)

企業(yè)創(chuàng)新是回報周期長、不確定性強的長期投資活動[13] ， 一般默認為企業(yè)持續(xù)的創(chuàng)新投入會為企業(yè)帶來技術(shù)革新和競爭優(yōu)勢。 但同時， 創(chuàng)新投入的信息披露沒有統(tǒng)一的參照樣本， 證券法規(guī)和制度也無詳細規(guī)定， 其本身還具有機密性， 這加劇了企業(yè)信息的不對稱性[1] 。 企業(yè)管理層還可能利用創(chuàng)新投入進行盈余管理， 從而進一步降低企業(yè)信息透明度。 謝德仁等[14] 認為， 創(chuàng)新投入中的開發(fā)支出在會計政策上具有隱性選擇空間， 企業(yè)高管可以根據(jù)盈余管理的需要對其進行資本化或費用化處理。 姜博等[15] 研究發(fā)現(xiàn)， 企業(yè)高管為獲取更多資本利得， 很可能利用開發(fā)支出資本化在減持（拋售）股票前進行盈余操縱， 而外部投資者很難進行甄別和判斷。 除了企業(yè)高管， 公司大股東等也可能在減持前從事盈余管理行為。 大股東尤其是控股股東可能為了提升股價進而獲取減持收益， 選擇操縱信息發(fā)布和進行盈余管理。 在減持股票前發(fā)布創(chuàng)新投入帶來超額收益的利好消息， 將壞消息延遲至減持股票之后公布， 同時利用盈余管理使得減持前收益顯著為正[1，16] 。 因此， 創(chuàng)新投入的信息不透明主要與創(chuàng)新自身特征、內(nèi)部人盈余操縱密切相關(guān)， 這都可能進一步加劇資本市場的股價崩盤風險。

（3）調(diào)節(jié)變量：投資者關(guān)注（IA）。 對于投資者關(guān)注， 已有文獻曾以百度指數(shù)[2] 或谷歌指數(shù)[25] 作為代理變量。 相比谷歌指數(shù)， 百度搜索在我國占有更大的市場占有率， 但百度指數(shù)只能獲得2011年之后的數(shù)據(jù)， 且缺失嚴重。 本文借鑒許年行等[28] 的度量方法， 以機構(gòu)投資者持股比例（Insr）和分析師跟蹤人數(shù)的自然對數(shù)（Analyst）作為衡量投資者關(guān)注的兩個代理變量， 其中， 如果分析師j在第t年對公司進行多次預測， 則分析師跟蹤只保留最后一條預測記錄。

（4）控制變量。 控制變量（Controls）的選取借鑒了Kim等[1] 、姜付秀等[9] 的研究， 包括月平均超額換手率（Dturn）、平均周收益率（Ret）、周收益波動率（Sigma）、公司規(guī)模（Size）、資產(chǎn)負債率（Lev）、總資產(chǎn)收益率（ROA）、賬市比（BM）、信息透明度（ABACC）等。 為了減少內(nèi)生性問題的影響， 解釋變量和控制變量相對于被解釋變量進行了滯后一期處理。

具體變量定義及測度見表1。

2. 模型構(gòu)建。 本文主要通過如下模型檢驗企業(yè)創(chuàng)新產(chǎn)出對股價崩盤風險的影響以及投資者關(guān)注的調(diào)節(jié)作用：

其中， lnPatent（lnPatenti， lnPatentud）為公司專利（發(fā)明專利、非發(fā)明專利）申請數(shù)加1取自然對數(shù)。

（二）樣本選擇與數(shù)據(jù)來源

本文選取2010 ～ 2019年滬市和深市的A股上市公司為研究樣本， 根據(jù)模型（1）和（2）， 對解釋變量和控制變量進行滯后一期處理。 對于初始數(shù)據(jù)， 進行了如下篩選：①剔除金融類上市公司樣本; ②剔除專利數(shù)據(jù)嚴重缺失的樣本; ③剔除年交易周數(shù)少于30的樣本; ④剔除財務(wù)數(shù)據(jù)異常（如凈資產(chǎn)為負）的樣本。 最終共得到10516個觀測值。 企業(yè)創(chuàng)新的專利申請數(shù)據(jù)來源于中國專利數(shù)據(jù)庫， 股價崩盤風險數(shù)據(jù)來自RESSET數(shù)據(jù)庫， 其余主要變量及控制變量數(shù)據(jù)來自CSMAR數(shù)據(jù)庫， 對所有數(shù)據(jù)進行了交叉核對。 此外， 為了排除極端值對統(tǒng)計結(jié)果的影響， 對所有連續(xù)變量進行了上下1%的Winsorize處理。

四、實證結(jié)果

（一）描述性統(tǒng)計

表2對文中涉及的主要變量進行了描述性統(tǒng)計。 其中， 股價崩盤風險Ncskewt+1和Duvolt+1的均值分別為-0.2605和-0.1246， 中位數(shù)分別為

-0.2573和-0.1370， 與Xu等[7] 、王化成等[8] 的研究結(jié)果比較接近， 標準差分別為0.7147和0.4293， 說明不同公司之間的股價崩盤風險存在較大差異。 企業(yè)創(chuàng)新產(chǎn)出（Patent、Patenti和Patentud）的均值分別為30.6473、12.4539和18.4850， 標準差都在30以上， 說明企業(yè)間創(chuàng)新產(chǎn)出存在較大差異。 投資者關(guān)注中分析師跟蹤人數(shù)的自然對數(shù)（Analyst）和機構(gòu)投資者持股比例（Insr）的均值分別為2.2421和0.3954， 中位數(shù)分別為2.3016和0.4078。 其他控制變量的結(jié)果與相關(guān)研究基本一致。

（二）單變量分析

在進行Pearson和Speaman相關(guān)系數(shù)檢驗后， 發(fā)現(xiàn)企業(yè)創(chuàng)新產(chǎn)出（lnPatent）在5%的水平以上與股價崩盤風險（Ncskewt+1和Duvolt+1）顯著負相關(guān)， 說明在不考慮其他影響因素的情況下， H1得到支持， 而其他控制變量都至少在10%的水平上與股價崩盤風險顯著相關(guān)（各變量VIF 值都在3以下， 可排除多重共線性）。

本文將創(chuàng)新產(chǎn)出、實質(zhì)性創(chuàng)新和策略性創(chuàng)新按照中位數(shù)高低分別進行了均值和中位數(shù)檢驗， 結(jié)果見表3。 可以看出， 總體創(chuàng)新產(chǎn)出較高組和實質(zhì)性創(chuàng)新較高組的樣本公司， 其股價崩盤風險指標的均值和中位數(shù)更小， 且顯著性水平分別為1%和5%，? 而策略性創(chuàng)新較高組與較低組的股價崩盤風險之間并不存在顯著性差異。 單變量分析的結(jié)果初步驗證了H1， 股價崩盤風險還可能受到其他因素組間差異的影響， 因此需要進一步進行多元回歸分析， 以保證結(jié)論的可靠性。

（三）多元回歸分析

表4報告了H1的檢驗結(jié)果。 在表4的回歸（1）和（2）中使用Ncskewt+1和Duvolt+1作為股價崩盤風險的衡量指標， 只控制了行業(yè)和年度效應(yīng)， lnPatent的回歸系數(shù)分別為-0.0313和-0.0275， 并都在1%的水平上顯著; 在第（3）列和第（4）列中， 繼續(xù)加入一系列影響股價崩盤風險的指標， lnPatent的回歸系數(shù)分別在5%和1%的水平上顯著為負; 在第（5）列和第（6）列中， 繼續(xù)控制信息透明度（ABACC）的影響， lnPatent的回歸系數(shù)進一步增大， 并都在5%的水平上顯著為負。

從控制變量上看， Ret、Sigma、ROA、Size都與未來股價崩盤風險顯著正相關(guān)， Lev和BM與股價崩盤風險顯著負相關(guān)， 與已有研究結(jié)論基本一致[4，6，8] 。 上述結(jié)果表明， 企業(yè)創(chuàng)新產(chǎn)出越高的公司股價崩盤風險越低， H1得到驗證。 這意味著， 企業(yè)創(chuàng)新產(chǎn)出不同于創(chuàng)新投入， 上市公司創(chuàng)新產(chǎn)出多更有利于向外部投資者傳遞關(guān)于企業(yè)發(fā)展前景良好的信號， 降低企業(yè)與市場間的信息不對稱性， 進而抑制股價崩盤風險。

表5報告了H2的檢驗結(jié)果。 第（1）列和第（2）列中使用Ncskewt+1作為股價崩盤風險的衡量指標， 實質(zhì)性創(chuàng)新（lnPatenti）的回歸系數(shù)為-0.0105， 在5%的水平上顯著， 而策略性創(chuàng)新（lnPatentud）的回歸系數(shù)為-0.0093， 在10%的水平上顯著; 第（3）列和第（4）列使用Duvolt+1作為股價崩盤風險的衡量指標， 實質(zhì)性創(chuàng)新（lnPatenti）的回歸系數(shù)在1%的水平上顯著為負， 而策略性創(chuàng)新（lnPatentud）的回歸系數(shù)為負但不顯著。 上述結(jié)果驗證了H2， 即實質(zhì)性創(chuàng)新對股價崩盤風險的抑制作用顯著大于策略性創(chuàng)新。 其原因是， 策略性創(chuàng)新受到企業(yè)管理層機會主義動機影響， 表現(xiàn)出“輕質(zhì)量”“重數(shù)量”和“重速度”的特點， 其向投資者披露的非發(fā)明專利信息并不能提高企業(yè)的信息透明度， 還可能引起市場尋租行為， 增加代理成本， 其對股價崩盤風險的抑制作用明顯小于實質(zhì)性創(chuàng)新。

表6 報告了機構(gòu)投資者和分析師跟蹤即投資者關(guān)注對企業(yè)創(chuàng)新產(chǎn)出和股價崩盤風險之間關(guān)系的調(diào)節(jié)作用。 由第（1）、（2）和（3）列的結(jié)果來看， 分析師跟蹤人數(shù)的自然對數(shù)（Analyst）與企業(yè)創(chuàng)新產(chǎn)出（lnPatent）交互項的回歸系數(shù)為-0.0122， 與實質(zhì)性創(chuàng)新（lnPatenti）交互項的回歸系數(shù)為-0.0144， 都在10%的水平上顯著， 與策略性創(chuàng)新（lnPatentud）交互項的回歸系數(shù)為負但不顯著; 由第（4）、（5）和（6）列的結(jié)果來看， 機構(gòu)投資者持股比例（Insr）與企業(yè)創(chuàng)新三個代理變量交互項的回歸系數(shù)分別在1%、5%和10%的水平上顯著為負， 這充分說明了在投資者關(guān)注作用下創(chuàng)新產(chǎn)出更能反映企業(yè)創(chuàng)新的實際情況， 發(fā)揮增強信心和解讀信息的雙重效應(yīng)， 提高信息透明度， 從而更有助于抑制股價崩盤風險。 同時也發(fā)現(xiàn)， 投資者關(guān)注能在一定程度上抑制管理層利用策略性創(chuàng)新進行尋租的行為， 減少了因代理問題而產(chǎn)生信息捂盤的可能性， 提升了策略性創(chuàng)新對股價崩盤風險的抑制作用， 該結(jié)果支持了H3。

五、拓展性研究

不同外部市場態(tài)勢對機構(gòu)投資者和分析師預測會產(chǎn)生影響， 進而會對投資者關(guān)注的調(diào)節(jié)作用產(chǎn)生差異化影響。 許年行等[28] 研究發(fā)現(xiàn)， 在牛市階段即在外部市場態(tài)勢較好時， 分析師為了增加所在機構(gòu)的傭金收入和獲取更多承銷機會， 面對投資者高漲的投資情緒， 會發(fā)布更為樂觀的報告， 進而可能增加分析師的樂觀性偏差和機構(gòu)投資者的“羊群效應(yīng)”， 從而加劇股價崩盤風險。 而周銘山等[2] 則認為， 在良好的外部市場環(huán)境下， 投資者更加積極地投身于股市， 并熱衷于搜集和解讀上市公司的股票信息， 其關(guān)注程度明顯高于外部市場環(huán)境較差（熊市階段）時， 從而降低了投資的不確定性和信息的不對稱性， 有利于抑制股價崩盤風險。 結(jié)合以上分析， 本文從投資者關(guān)注的雙重效應(yīng)來看：就增強信心效應(yīng)來說， 相比熊市， 牛市中投資者的信心更為飽滿， 投資熱情也更為高漲， 更有利于創(chuàng)新產(chǎn)出向公眾傳遞企業(yè)發(fā)展態(tài)勢良好、前景廣闊以及擁有超額預期收益的信號， 有助于提升投資者關(guān)注的正向調(diào)節(jié)作用; 就信息解讀效應(yīng)來說， 在牛市階段， 投資者有更多的精力和耐心去搜集和追蹤企業(yè)信息， 辨析企業(yè)創(chuàng)新產(chǎn)出所代表的是實質(zhì)創(chuàng)新能力提升還是管理層進行尋租的工具， 提高了信息的透明度， 降低了投資的不確定性。 由此提出假設(shè)：

H4： 在其他條件相同的情況下， 外部市場態(tài)勢較好時， 投資者關(guān)注對創(chuàng)新產(chǎn)出和股價崩盤風險間負相關(guān)關(guān)系的調(diào)節(jié)作用更明顯。

根據(jù)許年行等[28] 所使用的兩種方法， 即市場平均收益判定法和波峰波谷判定法， 在本文所選的樣本期間內(nèi)， 經(jīng)以上方法判定， 2009、2010、2013、2014、2015、2017年為“牛市”， 2011、2012、2016、2018年為“熊市”。

表7列示了H4的檢驗結(jié)果。 其中， 第（1）列和第（2）列為 “牛市”組， 第（3）列和第（4）列為“熊市”組。 其中， “牛市”組中創(chuàng)新產(chǎn)出與投資者關(guān)注的交互項（lnPatent×Analyst和lnPatent×Insr）回歸系數(shù)為-0.0054和-0.0132， 分別在10%和5%的水平上顯著; 而“熊市”組中， 回歸系數(shù)雖為負卻不顯著。 相比外部態(tài)勢較差時， 良好的市場環(huán)境可以加速創(chuàng)新產(chǎn)出傳遞積極信號， 更能增加投資者的熱情和信心， 減少投資的不確定性， 同時還有利于投資者在更為寬松的環(huán)境中， 集中精力對信息進行搜集、整理和解讀， 剔除掉可能存在內(nèi)部人機會主義行為的公司的股票， 使投資者關(guān)注發(fā)揮有效的正向調(diào)節(jié)作用。

六、穩(wěn)健性和內(nèi)生性檢驗

（一）穩(wěn)健性檢驗

對股價崩盤風險采用不同的衡量指標， 可能得出不同的結(jié)論。 為了保證結(jié)論的可靠性， 采用未來兩期和三期的股價崩盤風險作為被解釋變量， 以考察企業(yè)創(chuàng)新產(chǎn)出對未來股價崩盤風險的影響。 回歸結(jié)果如表8中第（1）列和第（2）列所示。 第（1）列為未來第2年預測期， lnPatent 的回歸系數(shù)為-0.0034， 在5%的水平上顯著; 第（2）列為未來第3年的預測期， lnPatent 的回歸系數(shù)為-0.0051， 且在10%的水平上顯著， 企業(yè)創(chuàng)新產(chǎn)出顯著降低了未來股價崩盤風險， H1再次得到印證， 結(jié)論保持不變。 借鑒王化成等[8] 的做法， 為了減少遺漏的可能不隨時間變化的因素對回歸結(jié)果的影響， 使用差分模型進行檢驗。 回歸結(jié)果如表8中第（3）列和第（4）列所示， lnPatent 的回歸系數(shù)在10%和5%的水平上顯著為負。 為了降低個體化差異對回歸結(jié)果的影響， 還運用固定效應(yīng)模型進行了重新估計。 回歸結(jié)果如表8中第（5）列和第（6）列所示， lnPatent 的回歸系數(shù)在5%和1%的水平上顯著為負。 以上結(jié)果說明在消除時間趨勢和個體效應(yīng)后結(jié)論依然穩(wěn)健。

（二）內(nèi)生性檢驗

對于內(nèi)生性問題來說， 將被解釋變量進行預期處理可以緩解部分內(nèi)生性問題， 在固定模型以及延長滯后期中已經(jīng)考慮了這一問題。 為了結(jié)論的穩(wěn)健性， 對解釋變量進行了Hausman 檢驗， 結(jié)果表示模型確實存在內(nèi)生性問題。 因此， 采用工具變量法對模型進行重新估計。 借鑒Kim等[1] 、周銘山等[2] 的研究， 采用同年度行業(yè)、同年度地區(qū)的專利數(shù)對數(shù)的均值（lnP_ind， lnP_ad）作為創(chuàng)新產(chǎn)出的工具變量。 回歸結(jié)果如表9所示。 第（1）列表示第一階段估計結(jié)果， 工具變量lnP_ind的回歸系數(shù)為0.4821， 且在1%的水平上顯著， 說明同行業(yè)內(nèi)專利技術(shù)越多， 行業(yè)內(nèi)競爭越激烈， 越激發(fā)企業(yè)增加本身的專利申請數(shù)量; 工具變量lnP_ad的回歸系數(shù)為0.8055， 在1%的水平上顯著， 說明同地區(qū)專利技術(shù)的水平也同樣會激發(fā)個體企業(yè)的創(chuàng)新水平， 以上內(nèi)容說明行業(yè)和地區(qū)內(nèi)的創(chuàng)新水平會顯著提高個體企業(yè)的創(chuàng)新水平， 即兩個工具變量與解釋變量存在相關(guān)性。 同時， 地區(qū)和行業(yè)創(chuàng)新水平并不能影響個別公司的股價崩盤風險， 說明工具變量從理論上來說具有外生性， 就檢驗結(jié)果來說， LM檢驗結(jié)果為0， 顯著拒絕了識別不足問題， 說明工具變量與解釋變量具有相關(guān)性。 對工具變量進行CD-wald（弱工具變量）和Sargen（識別過度）檢驗時都拒絕了原假設(shè)， 說明工具變量滿足上述與解釋變量具有相關(guān)性和與被解釋變量具有外生性的要求。 表9中第（2）列和第（3）列為第二階段估計結(jié)果， lnPatent的回歸系數(shù)為-0.0157和-0.0247， 分別在5%和10%的水平上顯著， 說明在克服內(nèi)生性問題后， 結(jié)論依然符合H1的預期， 具有可靠性。

七、結(jié)論

從影響因素來說， 股價崩盤風險主要由內(nèi)部人代理問題所引發(fā)的企業(yè)內(nèi)部與外部市場信息不對稱所致， 本文還探討了投資者關(guān)注所發(fā)揮的作用。 企業(yè)創(chuàng)新是不確定性高、預期擁有高額收益的投資活動。 創(chuàng)新投入和創(chuàng)新產(chǎn)出是創(chuàng)新活動的兩個階段。 對于創(chuàng)新投入來說， 它加劇信息的不對稱性和不確定性， 同時易被管理層當作盈余操縱工具; 而對創(chuàng)新產(chǎn)出來說， 它是一定階段的研究成果， 可以向公眾傳遞企業(yè)在某技術(shù)領(lǐng)域有所突破、具有良好發(fā)展前景。 相比策略性創(chuàng)新， 實質(zhì)性創(chuàng)新更能揭示企業(yè)創(chuàng)新的實際情況。 本文實證考察了企業(yè)創(chuàng)新產(chǎn)出對股價崩盤風險的影響以及投資者關(guān)注在其中所起到的增強信心和解讀信息的調(diào)節(jié)作用。 研究發(fā)現(xiàn)：企業(yè)創(chuàng)新產(chǎn)出抑制了股價崩盤風險， 這表明創(chuàng)新產(chǎn)出的信息披露可以在一定程度上削弱企業(yè)內(nèi)外部信息的非對稱性和不確定性; 與策略性創(chuàng)新相比， 實質(zhì)性創(chuàng)新對股價崩盤風險的抑制作用更顯著， 實質(zhì)性創(chuàng)新可以提升整體創(chuàng)新質(zhì)量， 更有利于向投資者傳遞企業(yè)發(fā)展前景良好的信號， 管理層在短視和自利動機下往往選擇策略性創(chuàng)新， 其對股價崩盤風險的抑制作用不顯著; 投資者關(guān)注對企業(yè)創(chuàng)新產(chǎn)出與股價崩盤風險間的關(guān)系具有正向調(diào)節(jié)作用， 在此時更多發(fā)揮增強投資者信心和信息解讀雙重效應(yīng)， 而非市場恐慌效應(yīng)。 外部投資者在長期關(guān)注下有利于更深層次地了解企業(yè)信息， 篩選實質(zhì)性創(chuàng)新能力強的上市公司， 從而避免了大量拋售股票等惡性事件的發(fā)生。 同時， 不同的外部市場態(tài)勢對投資者關(guān)注的影響存在較大差異， 當外部市場處于較好態(tài)勢（牛市階段）時， 雙重效應(yīng)疊加對二者的調(diào)節(jié)作用更為顯著。