徐維軍，高 海，谷 任，季昱丞

(1. 華南理工大學(xué) 工商管理學(xué)院，廣東 廣州 510640；2. 廣州金融服務(wù)創(chuàng)新與風(fēng)險(xiǎn)管理研究基地，廣東 廣州 510640；3. 華南理工大學(xué) 經(jīng)濟(jì)與金融學(xué)院，廣東 廣州 510006)

一、引 言

我國(guó)在“雙循環(huán)”新發(fā)展格局下，要讓資本市場(chǎng)更好地服務(wù)實(shí)體經(jīng)濟(jì)，金融風(fēng)險(xiǎn)的防控就成了資本市場(chǎng)的重大命題之一。然而，我國(guó)證券制度仍不完善，從1990年我國(guó)股票市場(chǎng)成立以來(lái)，股價(jià)崩盤(pán)的情況時(shí)有發(fā)生，如2015年我國(guó)股市暴跌形成了千股多次停牌景象。2020年初以及2022年初，上證指數(shù)的滑坡式下降嚴(yán)重?fù)p害了投資者的信心，造成了金融市場(chǎng)的劇烈波動(dòng)，對(duì)各行各業(yè)都產(chǎn)生了打擊，抑制了我國(guó)資本市場(chǎng)對(duì)資源的有效配置。

信息披露能降低市場(chǎng)信息不對(duì)稱，對(duì)于金融風(fēng)險(xiǎn)的防控具有重要意義。但我國(guó)證券市場(chǎng)起步較晚，直到1992年中國(guó)證監(jiān)會(huì)的成立，才標(biāo)志著我國(guó)資本市場(chǎng)開(kāi)始有了統(tǒng)一監(jiān)管，此后一系列法律法規(guī)先后出臺(tái)，資本市場(chǎng)逐步進(jìn)入了強(qiáng)制性信息披露階段。但總體而言，我國(guó)證券市場(chǎng)發(fā)展30年，市場(chǎng)監(jiān)管體制不夠完善，信息披露制度沒(méi)有得到高度重視。

進(jìn)入互聯(lián)網(wǎng)快速發(fā)展的時(shí)代后，社交媒體的誕生給資本市場(chǎng)信息的傳播交流帶來(lái)了新的方式，社交媒體信息傳播方式的特點(diǎn)在于其快速、便捷、信息豐富和多樣化。在社交媒體時(shí)代，資本市場(chǎng)上信息披露的方式、內(nèi)容等都受到了其特點(diǎn)的影響，而投資者之間的交流互動(dòng)，投資者與公司之間的交流互動(dòng)都隨之產(chǎn)生了相應(yīng)的變化。移動(dòng)互聯(lián)網(wǎng)出現(xiàn)以后，社交媒體信息傳播方式與內(nèi)容更是日新月異，比如國(guó)外的Twitter、Facebook等，國(guó)內(nèi)的東方財(cái)富股吧、雪球、微博、微信等，社交媒體時(shí)代的到來(lái)使得資本市場(chǎng)的信息傳播出現(xiàn)了新的機(jī)遇和挑戰(zhàn)，社交媒體與資本市場(chǎng)之間的關(guān)系也成為學(xué)者們研究的重要話題。

從股價(jià)崩盤(pán)現(xiàn)有研究來(lái)看，大量文獻(xiàn)都集中在探尋影響股價(jià)崩盤(pán)風(fēng)險(xiǎn)的因素方面。目前，學(xué)者們普遍認(rèn)為股價(jià)崩盤(pán)風(fēng)險(xiǎn)主要是在市場(chǎng)信息不對(duì)稱的情況下，管理層掩飾的負(fù)面信息累積到了一定程度后集中釋放產(chǎn)生的[1-2]。而大量的研究表明，信息披露有助于減少信息差[3]、提高股票流動(dòng)性[4]，可見(jiàn)信息披露可以成為公司管理層應(yīng)對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的有效策略。但已有研究對(duì)于信息披露影響股價(jià)崩盤(pán)風(fēng)險(xiǎn)的機(jī)制探討還有待深入，特別是社交媒體改變了信息傳播交流方式之后，相關(guān)機(jī)制作用發(fā)生的變化更少有研究。

二、理論分析與研究假設(shè)

股價(jià)崩盤(pán)風(fēng)險(xiǎn)對(duì)資本市場(chǎng)的危害性極大。關(guān)于股價(jià)崩盤(pán)風(fēng)險(xiǎn)的成因研究，學(xué)者們從稅收征管[5]、地區(qū)投資者保護(hù)[6]、宗教環(huán)境[7]等公司外部環(huán)境，以及期權(quán)激勵(lì)[8]、股東持股[9]、內(nèi)部控制[10]等公司內(nèi)部因素的視角進(jìn)行了大量探討。目前關(guān)于股價(jià)崩盤(pán)風(fēng)險(xiǎn)的形成主要有兩種觀點(diǎn)：一是股價(jià)崩盤(pán)風(fēng)險(xiǎn)是因?yàn)樯鲜泄竟芾韺映鲇趥€(gè)人和公司利益，故意隱瞞壞消息，此時(shí)市場(chǎng)上信息不對(duì)稱程度極度增大，但隨著時(shí)間推移，壞消息的累積過(guò)度造成突然釋放，從而對(duì)公司股價(jià)產(chǎn)生巨大沖擊[2]。二是由于投資者非理性產(chǎn)生的極端樂(lè)觀和自信，造成上市公司股價(jià)因投機(jī)行為而上漲，但非理性行為造成的上漲和因信息隱瞞造成的結(jié)果一樣，最終都會(huì)導(dǎo)致股價(jià)的快速過(guò)度下降，加劇了股價(jià)崩盤(pán)風(fēng)險(xiǎn)[11]。這兩種觀點(diǎn)和人們進(jìn)行信息處理時(shí)的行為系統(tǒng)不謀而合，一種是認(rèn)知系統(tǒng)，一種是情感系統(tǒng)，兩種系統(tǒng)的共同作用造成了投資者的行為[12]。

從股價(jià)崩盤(pán)風(fēng)險(xiǎn)的情緒路徑來(lái)看，當(dāng)公司發(fā)布大量信息時(shí)，一方面，因?yàn)楦嗟男畔⑴督o了投資者，既能讓投資者獲取更多有價(jià)值的信息，又能促進(jìn)上市公司與投資者的良性溝通[13]，讓投資者因上市公司積極與外界交流而信心倍增，在上市公司困境或者市場(chǎng)低迷的時(shí)候阻止了過(guò)度悲觀情緒的產(chǎn)生，從而平緩了情緒，緩解風(fēng)險(xiǎn)。另一方面，公司發(fā)布的大量信息更多的是有關(guān)公司融資變革等利好信息，管理者的選擇性披露和操縱行為也可能故意拉高投資者樂(lè)觀情緒，這些大量利好信息的堆積可能讓投資者迷失理性，極度自信，導(dǎo)致上市公司股價(jià)爆升，產(chǎn)生了風(fēng)險(xiǎn)的隱患。

基于以上分析，本文提出競(jìng)爭(zhēng)性的假設(shè)H1：

假設(shè)H1a：信息披露數(shù)量越多，越能抑制情緒效應(yīng)，緩解股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

假設(shè)H1b：信息披露數(shù)量越多，越能放大情緒效應(yīng)，加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

從股價(jià)崩盤(pán)風(fēng)險(xiǎn)的信息路徑來(lái)看，信息披露能有效降低信息不對(duì)稱程度。Hutton等[1]發(fā)現(xiàn)信息不透明的公司更容易出現(xiàn)股價(jià)崩盤(pán)，而強(qiáng)制性信息披露制度的出現(xiàn)有效改善了企業(yè)信息披露質(zhì)量，提高了市場(chǎng)信息披露環(huán)境，從而顯著降低了風(fēng)險(xiǎn)的發(fā)生。當(dāng)公司發(fā)布大量信息時(shí)，一方面更多信息被公開(kāi)，市場(chǎng)上信息不對(duì)稱程度得到有效改善，上市公司的信息更加透明化，公司真實(shí)價(jià)值就更能準(zhǔn)確地反映在股票價(jià)格上，股價(jià)崩盤(pán)風(fēng)險(xiǎn)得到有效緩解。另一方面，公司披露中充斥著很多專(zhuān)業(yè)化信息，加之管理層可能的故意操縱行為，讓這些信息更難被投資者理解吸收，而大量的信息發(fā)布則會(huì)造成信息的冗雜，有效信息的提取難度更大，投資者既難以提取信息，又難辨真假，這反而造成信息差加大，從而加劇了風(fēng)險(xiǎn)的產(chǎn)生。

基于以上分析，本文提出競(jìng)爭(zhēng)性的假設(shè)H2：

假設(shè)H2a：信息披露數(shù)量越多，越能降低信息不對(duì)稱，緩解股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

假設(shè)H2b：信息披露數(shù)量越多，越會(huì)增加信息不對(duì)稱，加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

在互聯(lián)網(wǎng)高度發(fā)達(dá)的今天，各種社交媒體的誕生使得信息傳遞的媒介發(fā)生了翻天覆地的變化，這改變了資本市場(chǎng)上信息的傳播與交流方式，如今大量社交媒體平臺(tái)都在為資本市場(chǎng)提供專(zhuān)業(yè)的服務(wù)，促進(jìn)了投資者之間的互動(dòng)交流，這對(duì)于資本市場(chǎng)的信息傳遞具有重要意義。Sun等[14]發(fā)現(xiàn)在新浪微博上投資者的互動(dòng)會(huì)加大情緒的傳播，正向調(diào)節(jié)了投資者情緒對(duì)股票收益的影響。孫鯤鵬等[15]表明社交媒體會(huì)造成投資者情緒的傳染，造成極端情緒的蔓延從而加大未來(lái)風(fēng)險(xiǎn)產(chǎn)生的可能性。因此，從情緒路徑的角度來(lái)看，社交媒體上投資者的互動(dòng)會(huì)加劇情緒的傳染，極端情緒在社交媒體平臺(tái)會(huì)被迅速傳播，對(duì)更多的投資者產(chǎn)生影響，從而對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的加劇起到了催化作用。而從信息路徑的角度看投資者在社交平臺(tái)的互動(dòng)能增進(jìn)信息的溝通和交流，有利于投資者對(duì)公司披露信息的消化與吸收，且在社交媒體平臺(tái)，投資者之間的觀點(diǎn)交叉有利于對(duì)公司有效信息的提取，可以降低信息不對(duì)稱程度，緩解股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

基于以上分析，本文提出假設(shè)H3和假設(shè)H4：

假設(shè)H3：社交互動(dòng)能降低信息披露效果，渲染極端情緒，加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

假設(shè)H4：社交互動(dòng)能提高信息披露效果，降低信息不對(duì)稱，緩解股價(jià)崩盤(pán)風(fēng)險(xiǎn)。

圖1 信息披露對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響關(guān)系圖注：a、b為間接效應(yīng)系數(shù)，c′為直接效應(yīng)系數(shù)，1、2分別表示情緒路徑和信息路徑，如a1表示情緒路徑下的間接效應(yīng)系數(shù)。

三、研究設(shè)計(jì)

(一)樣本選擇與數(shù)據(jù)來(lái)源

本文選取了2005—2020年的研究樣本，包括全部A股上市公司的年度數(shù)據(jù)，其中社交媒體情緒與社交互動(dòng)通過(guò)Python爬取東方財(cái)富股吧各上市公司股吧的評(píng)論計(jì)算獲得，社交媒體情緒使用樸素貝葉斯情感分類(lèi)方法計(jì)算得到，社交互動(dòng)通過(guò)統(tǒng)計(jì)股吧發(fā)帖的評(píng)論數(shù)與點(diǎn)贊數(shù)得到，信息披露數(shù)量以及其他數(shù)據(jù)分別來(lái)源于CSMAR與Wind數(shù)據(jù)庫(kù)。本文對(duì)于數(shù)據(jù)的預(yù)處理過(guò)程參考大部分文獻(xiàn)的做法，對(duì)初始樣本進(jìn)行以下處理：一是剔除變量存在缺失值的樣本；二是剔除ST、PT、金融行業(yè)的公司，因?yàn)檫@些上市公司的監(jiān)管制度和報(bào)表結(jié)構(gòu)等與其他公司相比存在較大差異。

經(jīng)過(guò)處理和篩選，本文最終得到14 154個(gè)公司/年度觀測(cè)值。此外本文還對(duì)所有連續(xù)變量在 1%和 99%的水平上進(jìn)行了縮尾處理。

(二)變量定義與解釋

1.股價(jià)崩盤(pán)風(fēng)險(xiǎn)

本文借鑒了大多數(shù)學(xué)者的研究[1，6, 8, 16-19]，采用負(fù)收益偏態(tài)系數(shù)和收益上下波動(dòng)的比率作為股價(jià)崩盤(pán)風(fēng)險(xiǎn)的代理變量。該方法是在Chen等[20]對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的度量基礎(chǔ)上改進(jìn)的，具體計(jì)算過(guò)程如下：

首先為了排除市場(chǎng)對(duì)股票收益率的影響，建立方程(1)，加入滯后項(xiàng)和超前項(xiàng)是為了控制非同步交易。

ri,t=αi+β1rM,t-2+β2rM,t-1+β3rM,t+β4rM,t+1+β5rM,t+2+εi,t

(1)

式中，ri,t為公司i的股票在第t周的收益率；rM,t為第t周流通市值加權(quán)的市場(chǎng)周收益率。定義Wi,t=ln(1+εi,t)為股票i在t周的特有收益率，εi,t為方程(1)的殘差，代表無(wú)法由市場(chǎng)因素解釋的部分。

在此基礎(chǔ)上，負(fù)收益偏態(tài)系數(shù)(NCSKEW)計(jì)算公式如下：

(2)

式中，n為股票i在第t年交易的周數(shù)。

收益的上下波動(dòng)比率(DUVOL)計(jì)算公式如下：

(3)

式中，nu和nd為周數(shù)，具體為股票i的周收益率比年均收益率大的為nu，小的為nd。

在這種度量方式下，NCSKEW與DUVOL越大，說(shuō)明股價(jià)崩盤(pán)風(fēng)險(xiǎn)越高。

2.信息披露數(shù)量

本文信息披露數(shù)量用上市公司公告數(shù)量度量，數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)(CSMAR)，其統(tǒng)計(jì)了公司因各類(lèi)事件發(fā)布的公告，包含IPO、并購(gòu)、定期報(bào)告披露、訴訟仲裁、對(duì)外擔(dān)保、違規(guī)、定向增發(fā)、公開(kāi)增發(fā)、配股、紅利分配、股本變動(dòng)、董事長(zhǎng)總經(jīng)理變更資料等各類(lèi)信息公告，統(tǒng)計(jì)較為全面。由于統(tǒng)計(jì)公司年度公告的數(shù)據(jù)差異較大，因此，本文用公司每年公告數(shù)量加1取對(duì)數(shù)的結(jié)果度量公司公告變量。

3.社交媒體情緒與社交互動(dòng)

本文通過(guò)Python編寫(xiě)爬蟲(chóng)程序獲取東方財(cái)富股吧文本數(shù)據(jù)，使用Snownlp工具包中的樸素貝葉斯情緒分類(lèi)法處理股吧數(shù)據(jù)得到社交媒體投資者情緒值。由于樸素貝葉斯方法需要情緒的先驗(yàn)信息，因此在計(jì)算情緒之前，從306 918 418條樣本中隨機(jī)選取了10 000條評(píng)論，通過(guò)人工閱讀判斷的方式，給10 000條評(píng)論打上情緒標(biāo)簽，最終獲得積極情緒語(yǔ)料2 311條，消極情緒語(yǔ)料3 448條，中性情緒語(yǔ)料1 677條，剩余樣本均為無(wú)法判斷。本文在Snownlp工具包自帶語(yǔ)料庫(kù)(主要是買(mǎi)東西時(shí)的評(píng)價(jià)，包含積極語(yǔ)料庫(kù)16 548條，消極語(yǔ)料庫(kù)18 576條)的基礎(chǔ)上加入自建股吧文本語(yǔ)料庫(kù)，最終合成積極語(yǔ)料庫(kù)18 859條和消極語(yǔ)料庫(kù)22 024條，作為樸素貝葉斯情感分類(lèi)方法的先驗(yàn)情感樣本。在語(yǔ)料庫(kù)的基礎(chǔ)上，逐條讀取評(píng)論數(shù)據(jù)并計(jì)算其樸素貝葉斯情緒值，處理并保存每一條評(píng)論的情緒值之后，按照日度日期對(duì)評(píng)論的情緒進(jìn)行合成計(jì)算。在合成股票每日情緒的過(guò)程中，由于每條發(fā)帖正文的閱讀量差異很大，考慮到閱讀量越大的發(fā)帖，其閱讀者情緒很可能受到其感染，本文以每日發(fā)帖的閱讀量對(duì)發(fā)帖文本情緒進(jìn)行加權(quán)處理，通過(guò)加權(quán)求和得到日度情緒值，最后取年平均值得到公司年度社交媒體情緒。此外，本文的社交互動(dòng)變量是通過(guò)對(duì)公司股吧的評(píng)論的評(píng)論數(shù)與點(diǎn)贊數(shù)求和加1取對(duì)數(shù)得到，社交互動(dòng)值越高，說(shuō)明投資者在股吧平臺(tái)交流信息次數(shù)越多。

4.信息不對(duì)稱

本文借鑒相關(guān)研究[21]，采用非流動(dòng)性比率(ILL)來(lái)度量信息不對(duì)稱，ILL的數(shù)值越大，意味著信息不對(duì)稱程度越高。具體的，非流動(dòng)性比率(ILL)的計(jì)算公式如(4)所示。

(4)

式中，Yretwdi,t表示第i只股票第t年的平均收益率；Ynshrtrdi,t表示第i只股票第t年的交易量。

5.控制變量

為了剔除其他因素對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響，本文借鑒相關(guān)研究[13, 15, 22]設(shè)置了控制變量，分別選取了公司規(guī)模、是否四大會(huì)計(jì)師事務(wù)所審計(jì)、會(huì)計(jì)信息不透明度、分析師關(guān)注、賬面市值比、股票換手率、股權(quán)集中度、凈資產(chǎn)收益率、獨(dú)立董事比例、董事會(huì)規(guī)模、機(jī)構(gòu)投資者持股比例、企業(yè)性質(zhì)、信息披露質(zhì)量作為控制變量。此外，本文還控制了年度效應(yīng)(Year)和行業(yè)效應(yīng)(Ind)。具體說(shuō)明見(jiàn)表1。

表1 變量定義

(三)模型建立

本文根據(jù)假設(shè)與變量，建立模型(5)，檢驗(yàn)信息披露與股價(jià)崩盤(pán)風(fēng)險(xiǎn)(CRASHRISK)之間的關(guān)系。

CRASHRISKi,t=β0+β1×Anounti,t+β2×Sizei,t+β3×Big4i,t+β4×Disacci,t+β5×Analysti,t+

β6×Bmi,t+β7×Turnoveri,t+β8×Cri,t+β9×Roei,t+β10×Independenti,t+

β11×Bsizei,t+β12×Insholdi,t+β13×Naturei,t+β14×Disranki,t+

∑Year+∑Ind+εi,t

(5)

式中，股價(jià)崩盤(pán)風(fēng)險(xiǎn)的代理變量分別為NCSKEW和DUVOL兩個(gè)指標(biāo)，解釋變量(Anount)為公司每年發(fā)布的信息披露數(shù)量。本文還控制了年度效應(yīng)(Year)與行業(yè)效應(yīng)(Ind)，其余變量見(jiàn)表1。

為驗(yàn)證假設(shè)H1，檢驗(yàn)信息披露對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)影響的情緒機(jī)制，借鑒溫忠麟等[23]的研究，本文構(gòu)建如式(6)～式(8)的中介效應(yīng)逐步回歸模型：

CRASHRISKi,t=c0+c1×Anounti,t+c2×Controls+∑Year+∑Ind+ei,t

(6)

Sentii,t=α0+a1×Anounti,t+α2×Controls+∑Year+∑Ind+μi,t

(7)

(8)

式中，Senti為社交媒體情緒，其余變量見(jiàn)表1。

為驗(yàn)證假設(shè)H2，檢驗(yàn)信息披露對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)影響的信息機(jī)制，同樣構(gòu)建式(9)～式(11)的中介效應(yīng)逐步回歸模型：

CRASHRISKi,t=c0+c1×Anounti,t+c2×Controls+∑Year+∑Ind+ei,t

(9)

ILLi,t=α0+a2×Anounti,t+α1×Controls+∑Year+∑Ind+μi,t

(10)

(11)

式中，ILL為度量信息不對(duì)稱指標(biāo)，其余變量見(jiàn)表1。

四、實(shí)證分析

(一)描述性統(tǒng)計(jì)

從表2可以看出，NCSKEW和DUVOL的均值分別為-0.383 0和-0.269 0，從標(biāo)準(zhǔn)差和最小(大)值來(lái)看，不同公司間的股價(jià)崩盤(pán)風(fēng)險(xiǎn)存在較大差異。信息披露數(shù)量的原始數(shù)量值(Anount_num)平均值為46.940 0，說(shuō)明上市公司一年平均要發(fā)布約47篇公告，其中最多的一年發(fā)布524篇，這說(shuō)明了不同的公司對(duì)于公告的發(fā)布數(shù)量差距較大。其他變量上，社交媒體情緒的均值為0.405 0，最小值為0，最大值為0.980 0，這說(shuō)明上市公司每年的社交媒體情緒從極度悲觀到極其樂(lè)觀均有分布；社交互動(dòng)方面(Inter_num)，最大的高達(dá)1 000 000，最小的為1，且方差特別大，說(shuō)明有的公司股吧中社交互動(dòng)非常頻繁，而有的股吧無(wú)人問(wèn)津。

表2 描述性統(tǒng)計(jì)結(jié)果

(二)回歸結(jié)果分析

本文首先考慮了信息披露數(shù)量對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的主效應(yīng)，以及社交互動(dòng)的調(diào)節(jié)效應(yīng)，回歸結(jié)果如表3。一方面，無(wú)論有沒(méi)有控制變量，主效應(yīng)都是顯著的，且在添加控制變量之后，信息披露數(shù)量的系數(shù)變小，這說(shuō)明上市公司信息披露數(shù)量的增加確實(shí)加大了股價(jià)崩盤(pán)風(fēng)險(xiǎn)；另一方面，從表3中(3)列可以看出，社交互動(dòng)起到了反向調(diào)節(jié)作用，說(shuō)明社交媒體上投資者的互動(dòng)確實(shí)有利于降低公司信息過(guò)多帶來(lái)的負(fù)面影響。但主效應(yīng)具體影響路徑是假設(shè)H1還是假設(shè)H2，即信息披露是通過(guò)投資者情緒來(lái)影響股價(jià)崩盤(pán)風(fēng)險(xiǎn)，還是通過(guò)信息不對(duì)稱程度影響股價(jià)崩盤(pán)風(fēng)險(xiǎn)，以及社交互動(dòng)的調(diào)節(jié)作用具體在每條路徑中的影響，即假設(shè)H3和假設(shè)H4，均需要進(jìn)一步的路徑檢驗(yàn)。

表3 信息披露數(shù)量對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響

(三)路徑檢驗(yàn)結(jié)果

1.情緒中介效應(yīng)分析

在假設(shè)H1中，分析了投資者情緒作為中介變量可能出現(xiàn)的兩種影響機(jī)制。一方面，公司信息的發(fā)布，是與投資者進(jìn)行交流互通的過(guò)程，特別是在市場(chǎng)環(huán)境低迷的情況下，公司信息的發(fā)布有給予投資者定心丸的作用，增強(qiáng)投資者信心，緩解投資者可能產(chǎn)生的極端情緒，進(jìn)而降低風(fēng)險(xiǎn)的產(chǎn)生；另一方面，公司披露的有關(guān)內(nèi)容大部分是有關(guān)公司融資、改革等的正面消息，發(fā)布大量的公司信息會(huì)讓投資者來(lái)不及分辨具體信息，產(chǎn)生極度樂(lè)觀的心態(tài)，跟風(fēng)購(gòu)買(mǎi)公司股票，這種不理性行為將會(huì)加劇股價(jià)崩盤(pán)的風(fēng)險(xiǎn)。本文通過(guò)構(gòu)建中介效應(yīng)三步法模型，驗(yàn)證了具體的機(jī)制，如表4所示。中介效應(yīng)的第一步、第二步和第三步的結(jié)果均顯著，且信息披露數(shù)量、投資者情緒的系數(shù)均為正，這充分說(shuō)明了假設(shè)H1b是成立的，即信息披露數(shù)量越多，越能放大情緒效應(yīng)，加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)，且由于第三步檢驗(yàn)結(jié)果是顯著的，該效應(yīng)為部分中介效應(yīng)。

表4 投資者情緒的路徑分析

2.信息中介效應(yīng)分析

在假設(shè)H2中，分析了信息不對(duì)稱作為中介變量可能出現(xiàn)的兩種影響機(jī)制。一方面，公司給投資者披露更多的公司信息，能夠降低上市公司與投資者之間的信息差；另一方面，公司信息披露數(shù)量過(guò)多，由于相關(guān)信息具有一定的專(zhuān)業(yè)程度，會(huì)造成信息的冗雜難懂，投資者無(wú)法從大量的信息中獲取有用信息，反而加大了信息不對(duì)稱程度。同樣通過(guò)中介效應(yīng)三步法模型，本文驗(yàn)證了信息中介效應(yīng)的具體機(jī)制，如表5所示，以非流動(dòng)性比率IIL度量信息不對(duì)稱程度，中介效應(yīng)的第一步、第二步和第三步的結(jié)果均顯著。結(jié)果充分說(shuō)明了假設(shè)H2b是成立的，即信息披露數(shù)量越多，越會(huì)增加信息不對(duì)稱，加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)，且由于第三步檢驗(yàn)結(jié)果是顯著的，該效應(yīng)為部分中介效應(yīng)。

表5 信息不對(duì)稱的路徑分析

3.社交互動(dòng)調(diào)節(jié)路徑分析

在假設(shè)H3和假設(shè)H4中，分析了社交媒體的出現(xiàn)，方便了投資者互動(dòng)交流，增進(jìn)了信息的傳播，但也加速了情緒傳染，放大了情緒作用，從而對(duì)信息披露效果有不同的影響。一方面，社交媒體上投資者的互動(dòng)會(huì)加劇情緒的渲染，極端情緒在社交媒體平臺(tái)會(huì)被迅速傳播，對(duì)更多的投資者產(chǎn)生影響，從而對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的加劇起到了催化作用。另一方面，社交媒體上投資者之間的互動(dòng)使得信息交流更快，理解程度更深，在大量冗雜難懂的信息中，大量投資者對(duì)于信息的理解遠(yuǎn)比一個(gè)人的理解透徹，這促進(jìn)了有效信息的傳播，在公司信息發(fā)布后，在社交媒體平臺(tái)的互動(dòng)交流有利于降低上市公司與投資者之間的信息不對(duì)稱。

表6進(jìn)一步檢驗(yàn)了調(diào)節(jié)機(jī)制，結(jié)果發(fā)現(xiàn)與假設(shè)H3和假設(shè)H4完全相反。(1)列的結(jié)果說(shuō)明社交媒體上投資者的互動(dòng)有利于緩解極端情緒的傳播，由于投資者之間的互動(dòng)變多，信息交流平抑了極端情緒的傳播，使投資者更加理性?？赡艿慕忉尀椋荷缃幻襟w上的互動(dòng)交流避免了閉門(mén)造車(chē)、個(gè)人情緒難以消化的極端情形，使得市場(chǎng)整體情緒得到中和，阻止了投資者情緒極端化。而(2)列的結(jié)果也顯示了與假設(shè)H4完全相反的結(jié)論，社交互動(dòng)非但沒(méi)有緩解信息披露數(shù)量過(guò)多、內(nèi)容冗雜難懂帶來(lái)的信息不對(duì)稱問(wèn)題，反而加劇了這一效果。一種可能的解釋是：社交媒體投資者水平層次不一，同樣充斥了大量噪聲信息，投資者在大量噪聲情況下，有效信息更加真假難辨，反而增加了上市公司與投資者之間的信息不對(duì)稱程度。

表6 社交互動(dòng)的調(diào)節(jié)效應(yīng)

(四)穩(wěn)健性檢驗(yàn)

1.內(nèi)生性問(wèn)題

本文在回歸模型中控制了行業(yè)和年份固定效應(yīng)，在一定程度上減輕了遺漏變量的內(nèi)生性問(wèn)題，但本文也可能存在反向因果的問(wèn)題。為了進(jìn)一步緩解這個(gè)內(nèi)生性問(wèn)題，本文采用兩階段工具變量法，參考王化成等[9]的做法，選取同一年度同行業(yè)其他公司的信息披露數(shù)量的均值作為工具變量。從相關(guān)性來(lái)看，同行業(yè)公司的行業(yè)特征與外部環(huán)境類(lèi)似，因此這些公司的Anount之間具有一定的相關(guān)性，而目前尚未有證據(jù)表明同行業(yè)其他公司的信息披露會(huì)影響本公司的股價(jià)崩盤(pán)風(fēng)險(xiǎn)，這滿足外生性原則。使用工具變量排除內(nèi)生性的回歸結(jié)果如表7所示，其中，F(xiàn)值為151.4140>10,說(shuō)明本文選取的工具變量通過(guò)了弱工具變量檢驗(yàn)，該工具變量有效?；貧w結(jié)果表明，在控制了內(nèi)生性之后，信息披露數(shù)量依然與股價(jià)崩盤(pán)風(fēng)險(xiǎn)之間呈顯著負(fù)相關(guān)關(guān)系。

表7 兩階段工具變量法回歸結(jié)果

續(xù)表

2.Bootstrap檢驗(yàn)

逐步回歸是在檢驗(yàn)中介效應(yīng)時(shí)經(jīng)常使用的方法，但Sobel法能比逐步回歸檢驗(yàn)出更多的中介效應(yīng)，其檢驗(yàn)力更高。而B(niǎo)ootstrap方法在Sobel法的基礎(chǔ)上增加了樣本隨機(jī)抽樣過(guò)程，檢驗(yàn)效力得到了進(jìn)一步提升。因此，本文在逐步回歸已經(jīng)檢驗(yàn)出中介效應(yīng)存在的情況下，進(jìn)一步用Bootstrap方法重復(fù)抽樣5 000次，檢驗(yàn)在信息披露對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響中情緒和信息的中介效應(yīng)，檢驗(yàn)結(jié)果如表8至表10所示。

表8 情緒中介效應(yīng)的Sobel檢驗(yàn)結(jié)果

表8展示了情緒路徑的Sobel檢驗(yàn)結(jié)果。可以看到，Sobel指標(biāo)的p值小于0.01，這說(shuō)明在0.01的置信水平下，情緒的中介效應(yīng)是顯著的，且該中介效應(yīng)為部分中介效應(yīng)，占比為11%。而表9的Bootstrap檢驗(yàn)中，95%的置信區(qū)間是不包含0的，這個(gè)結(jié)果依然證明社交媒體情緒的中介效應(yīng)是顯著的。

表9 中介效應(yīng)的Bootstrap檢驗(yàn)結(jié)果

表10展示了信息路徑的Sobel檢驗(yàn)結(jié)果?？梢钥吹剑琒obel指標(biāo)的p值小于0.01。這說(shuō)明在0.01的置信水平下，信息的中介效應(yīng)也是顯著的，該部分中介效應(yīng)占比為10.9%。表9的Bootstrap檢驗(yàn)中，95%的置信區(qū)間是不包含0的，這個(gè)結(jié)果同樣證明了信息不對(duì)稱的中介效應(yīng)是顯著的。

表10 信息中介效應(yīng)的Sobel檢驗(yàn)結(jié)果

在Bootstrap實(shí)際抽樣過(guò)程中，由于加入虛擬變量后樣本存在缺失，在情緒中介效應(yīng)中實(shí)際抽樣樣本數(shù)為4 654，在信息中介效應(yīng)中，實(shí)際抽樣樣本數(shù)為4 671。

3.重新度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)

除了用負(fù)收益偏態(tài)系數(shù)NCSKEW來(lái)度量崩盤(pán)風(fēng)險(xiǎn)，本文還采用收益的上下波動(dòng)比率DUVOL來(lái)度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)重新檢驗(yàn)相關(guān)結(jié)果。表11展示了采用收益的上下波動(dòng)比率DUVOL來(lái)度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)的路徑檢驗(yàn)結(jié)果?？梢钥闯?，使用DUVOL的結(jié)果與NCSKEW的結(jié)果顯著性與符號(hào)是完全一致的，這充分說(shuō)明在不同的股價(jià)崩盤(pán)風(fēng)險(xiǎn)指標(biāo)下，本文的主效應(yīng)與路徑檢驗(yàn)結(jié)果是穩(wěn)健的。

表11 重新度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)的中介效應(yīng)

續(xù)表

表12展示了采用收益的上下波動(dòng)比率DUVOL來(lái)度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)的調(diào)節(jié)效應(yīng)結(jié)果。同樣可以看出，使用DUVOL的結(jié)果與NCSKEW的結(jié)果顯著性與符號(hào)是完全一致的，這也充分說(shuō)明了在不同的股價(jià)崩盤(pán)風(fēng)險(xiǎn)指標(biāo)下，本文的調(diào)節(jié)效應(yīng)結(jié)果是穩(wěn)健的。

表12 重新度量股價(jià)崩盤(pán)風(fēng)險(xiǎn)的調(diào)節(jié)效應(yīng)

續(xù)上表

4.詞典法重新度量投資者情緒

樸素貝葉斯情感分類(lèi)方法在先驗(yàn)情感樣本不足的情況下有一定的局限性，因此，本文采用金融文本詞典法計(jì)算情緒指標(biāo)重新檢驗(yàn)社交媒體情緒在信息披露數(shù)量與股價(jià)崩盤(pán)風(fēng)險(xiǎn)之間的作用。具體使用了CFSD中文金融情感詞典與BosonNLP情感詞典合成后的詞典，但詞典法計(jì)算情緒值需要消耗大量的計(jì)算資源。因此，本文從4 078家股吧中隨機(jī)獲得了839家股吧數(shù)據(jù)，共獲得2 011 204條日度情緒數(shù)據(jù)，7 696條年度情緒數(shù)據(jù)，通過(guò)樣本篩選獲取1 983條回歸樣本，結(jié)果如表13所示。(1)列是中介三步法中的第二步，(2)列報(bào)告了社交互動(dòng)的調(diào)節(jié)效應(yīng)結(jié)果，其中對(duì)調(diào)節(jié)效應(yīng)中的變量進(jìn)行了中心化?？梢园l(fā)現(xiàn)，替換詞典法情緒后的結(jié)果與前面的結(jié)果基本一致，本文的結(jié)果依然穩(wěn)健。

表13 替換詞典法情緒的回歸結(jié)果

續(xù)表

五、研究結(jié)論與啟示

本文基于2005—2020年我國(guó)A股上市公司的研究樣本，從信息不對(duì)稱和投資者情緒兩種路徑探究了信息披露數(shù)量對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響，并分析了社交媒體在其中發(fā)揮的作用。研究結(jié)果表明，過(guò)多的信息披露并不能產(chǎn)生更多有用的信息，反而可能加劇股價(jià)崩盤(pán)風(fēng)險(xiǎn)。而這種作用通過(guò)情緒路徑和信息路徑共同傳播。一方面，公司發(fā)布更多的是融資等利好消息，而過(guò)多的利好消息容易影響投資者的情緒，使得投資者在眾多利好消息中更加非理性，產(chǎn)生極端情緒，進(jìn)而影響股價(jià)崩盤(pán)。另一方面，信息的大量發(fā)布造成了信息的冗雜，投資者難以辨別真正有用的信息，這使得公司披露的信息非但沒(méi)有降低信息差，反而起到了加劇效果，催化了風(fēng)險(xiǎn)產(chǎn)生。本文基于社交媒體互動(dòng)的研究表明，社交媒體上投資者互動(dòng)對(duì)資本市場(chǎng)而言，既有利也有弊，首先投資者在社交媒體產(chǎn)生互動(dòng)的過(guò)程中，信息冗余程度更高，這加大了投資者的辨別難度，但與他人的互動(dòng)會(huì)讓投資者情緒得到緩解，信息處理更加理性化，減少了極端行為的產(chǎn)生。

本文的貢獻(xiàn)主要在于：一是過(guò)往研究信息披露與股價(jià)崩盤(pán)風(fēng)險(xiǎn)的關(guān)系，鮮有考慮社交媒體的因素。但是社交媒體已經(jīng)深刻改變了公司的外部信息環(huán)境，尤其在崩盤(pán)危機(jī)時(shí)這種影響尤為重要，本文構(gòu)建了社交媒體的相關(guān)指標(biāo)，探討了社交媒體在信息披露與股價(jià)崩盤(pán)風(fēng)險(xiǎn)關(guān)系中的作用機(jī)理，豐富了該方面的研究。二是從情緒和信息兩條路徑探討了信息披露對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的影響機(jī)制以及社交互動(dòng)的調(diào)節(jié)機(jī)制，對(duì)股價(jià)崩盤(pán)風(fēng)險(xiǎn)的形成機(jī)理等相關(guān)研究作出補(bǔ)充。三是研究發(fā)現(xiàn)過(guò)多的信息披露反而起到了相反的作用，信息披露數(shù)量并不是越多越好，這給市場(chǎng)監(jiān)管與信息披露制度的完善提供了啟示：一方面對(duì)于投資者而言，信息披露并不是越多越好，信息披露相關(guān)制度法規(guī)的制定需要更有針對(duì)性，更加細(xì)化明確。另一方面，社交媒體平臺(tái)給投資者提供了一個(gè)獲取信息更簡(jiǎn)便的平臺(tái)，使得投資者之間互相聯(lián)系了起來(lái)，更有利于避免極端的投資行為，但同時(shí)社交媒體信息的冗余也會(huì)干擾投資者的決策。因此監(jiān)管方面應(yīng)該大力規(guī)范管理社交媒體的相關(guān)平臺(tái)，使社交媒體平臺(tái)更好地服務(wù)資本市場(chǎng)。