大客戶地理鄰近性是否抑制了公司股價崩盤風(fēng)險？

黃 珺 韓菲菲 段志鑫

(湖南大學(xué)工商管理學(xué)院，湖南 長沙 410082)

一、引言

股價崩盤具有“傳染性”特征(徐飛等，2019)[1]，供應(yīng)商企業(yè)股價的大幅下跌會對整個供應(yīng)鏈的生產(chǎn)經(jīng)營產(chǎn)生影響，不利于供應(yīng)鏈的穩(wěn)定協(xié)同發(fā)展。大客戶是供應(yīng)商企業(yè)重要的外部治理機制，其治理成本主要體現(xiàn)為對供應(yīng)商的監(jiān)督成本，監(jiān)督成本的大小是治理效率的重要決定因素(桑士俊等，2007)[2]。隨著地理經(jīng)濟學(xué)與財務(wù)學(xué)的交叉研究越發(fā)深入(董紅曄，2016)[3]，越來越多的學(xué)者使用經(jīng)濟主體間的地理距離來衡量信息不對稱程度、代理沖突的嚴(yán)重程度及監(jiān)督成本的大小。研究發(fā)現(xiàn)大客戶的地理鄰近性通過降低其監(jiān)督成本，有效抑制了公司違規(guī)(宛晴等，2019)[4]，提高了供應(yīng)商企業(yè)的會計穩(wěn)健性(程小可等，2019)[5]。那么，大客戶的地理鄰近性是否會影響到資本市場？如果會，其對資本市場影響的傳導(dǎo)路徑是什么？本文將從股價崩盤風(fēng)險的角度切入，討論大客戶的地理鄰近性對公司股價崩盤風(fēng)險的影響。

關(guān)于個股層面的股價崩盤風(fēng)險影響因素的研究大多基于壞消息隱藏假說(Jin和Myers，2006)[6]，該假說認(rèn)為股價崩盤是經(jīng)理人隱藏的壞消息被突然釋放到市場中所導(dǎo)致的。已有關(guān)于股價崩盤風(fēng)險影響因素的研究主要從資本市場因素如股票流動性、賣空機制等(Chang等，2017)[7]，公司內(nèi)部因素如盈余管理、公司避稅、CEO過度自信等(Hutton等，2009)[8]，以及公司外部治理因素如分析師跟蹤、機構(gòu)投資者、客戶(Lee等，2020)[9]等方面展開。其中，關(guān)于客戶對企業(yè)股價崩盤風(fēng)險的影響主要關(guān)注了客戶集中度(Lee等，2020)[9]和客戶盈余(彭旋、王雄元，2018)[10]等方面。此外，關(guān)于地理鄰近性的經(jīng)濟效應(yīng)研究主要關(guān)注了監(jiān)管機構(gòu)、客戶等外部利益相關(guān)者與公司之間的地理距離(Kubick和Lockhart，2016[11]；唐斯圓、李丹，2019[12])。在大客戶地理鄰近性的治理效應(yīng)方面，有學(xué)者發(fā)現(xiàn)大客戶與公司之間的地理距離越近，公司的違規(guī)傾向越小，所提供的會計信息更加穩(wěn)健(宛晴等，2019[4]；程小可等，2019[5])。本文則關(guān)注資本市場領(lǐng)域，探討大客戶地理鄰近性對企業(yè)股價崩盤風(fēng)險的影響。

大客戶是企業(yè)收入的主要來源，是企業(yè)重要的外部治理主體(嚴(yán)若森，2005)[13]。美國財務(wù)會計準(zhǔn)則(SFAS)第131號要求企業(yè)披露收入占公司年度總收入10%以上的客戶信息；同樣，我國企業(yè)會計準(zhǔn)則也要求上市公司在年度報告附注中披露其前五大客戶信息，這均表明大客戶是企業(yè)經(jīng)營風(fēng)險的重要來源，會對企業(yè)的經(jīng)營決策產(chǎn)生重大影響(Lee等，2020)[9]。一方面，供應(yīng)鏈上企業(yè)利益綁定關(guān)系明顯，為了避免更換供應(yīng)商所帶來的轉(zhuǎn)換成本，大客戶有動機對供應(yīng)商企業(yè)的經(jīng)營管理狀況進行監(jiān)督。例如為了保障自身經(jīng)營安全，大客戶會要求供應(yīng)商企業(yè)保持較低的杠桿率，減少公司違規(guī)行為(宛晴等，2019)[4]，提供更加穩(wěn)健的會計信息(程小可等，2019)[5]。另一方面，為維護與大客戶的業(yè)務(wù)關(guān)系，企業(yè)有動機通過盈余管理(方紅星、張勇，2016)[14]來粉飾業(yè)績，并通過隱瞞自身面臨的訴訟風(fēng)險等壞消息(Cen等，2018)[15]來保持良好形象。上述兩方面的文獻大多都強調(diào)大客戶的治理需求，較少關(guān)注大客戶進行治理的監(jiān)督成本，而監(jiān)督成本是影響公司治理主體發(fā)揮監(jiān)督效果的關(guān)鍵因素(桑士俊等，2007)[2]，地理位置的鄰近能夠有效降低公司治理主體的監(jiān)督成本(趙靜等，2018)[16]?；诖?，本文使用大客戶與公司之間的地理距離，即地理鄰近性指標(biāo)，衡量大客戶對公司的監(jiān)督成本，深入探究大客戶對公司股價崩盤風(fēng)險的影響。

二、文獻回顧與研究假設(shè)

(一)客戶與公司股價崩盤風(fēng)險

關(guān)于客戶這一外部治理因素對公司股價崩盤風(fēng)險的影響，已有文獻主要考察了客戶盈余和客戶集中度與企業(yè)股價崩盤風(fēng)險之間的關(guān)系。彭旋和王雄元(2018)[10]發(fā)現(xiàn)客戶盈余與公司股價崩盤風(fēng)險顯著負(fù)相關(guān)，即高盈余的客戶對公司股價崩盤風(fēng)險具有積極的“支持效應(yīng)”。關(guān)于客戶集中度對公司股價崩盤風(fēng)險的影響，已有研究得到了不一致的結(jié)論。Lee等(2020)[9]進一步將客戶劃分為公司客戶與政府客戶，發(fā)現(xiàn)公司客戶集中度會提高企業(yè)股價崩盤風(fēng)險，但政府客戶集中度與股價崩盤風(fēng)險為負(fù)相關(guān)關(guān)系。褚劍和方軍雄(2016)[17]研究結(jié)果則表明，客戶集中度越高，公司股價崩盤風(fēng)險越低，且客戶集中度對股價崩盤風(fēng)險的治理作用主要源于供應(yīng)鏈整合而非客戶議價能力。然而，少數(shù)文獻研究表明客戶集中度與公司股價崩盤風(fēng)險呈現(xiàn)非線性關(guān)系(張超、彭浩東，2019)[18]。

(二)地理鄰近性與大客戶的治理效應(yīng)

大量文獻探究了地理區(qū)位特征對經(jīng)濟主體行為決策的影響，其中，地理距離這一特征也受到了學(xué)者們的廣泛關(guān)注(羅進輝等，2017)[19]。較多文獻以各經(jīng)濟主體之間地理位置的接近即地理鄰近性衡量主體之間監(jiān)督成本的下降(田利輝、王可第，2019)[20]及信息不對稱程度的降低(趙靜等，2018)[16]。已有文獻主要基于監(jiān)管機構(gòu)、審計師、客戶等外部利益相關(guān)者與公司之間地理距離的角度，對地理鄰近性的經(jīng)濟效應(yīng)展開了研究。學(xué)者們發(fā)現(xiàn)，上市公司與所在地監(jiān)管機構(gòu)的距離越遠(yuǎn)，監(jiān)管效果越差(Kubick和Lockhart，2016)[11]；審計師和上市公司較近的地理距離與較高的審計質(zhì)量相關(guān)(Choi等，2012)[21]。在大客戶地理鄰近性的治理效應(yīng)方面，程小可等(2019)[5]發(fā)現(xiàn)大客戶地理鄰近性與公司會計穩(wěn)健性呈正相關(guān)關(guān)系；宛晴等(2019)[4]研究表明大客戶與公司間地理距離越近，公司的違規(guī)傾向越小，嚴(yán)重程度越低；唐斯圓和李丹(2019)[12]的研究則發(fā)現(xiàn)上市公司與其前五大客戶在地理位置上的接近會降低二者的交流成本、客戶的監(jiān)督成本及審計師的審計成本，從而顯著降低了公司的審計費用。

(三)大客戶地理鄰近性與公司股價崩盤風(fēng)險

地理區(qū)位特征是影響經(jīng)濟主體行為及結(jié)果的重要因素，現(xiàn)有研究使用經(jīng)濟主體之間的地理距離來衡量信息不對稱程度和代理沖突的嚴(yán)重程度，較近的地理距離即地理鄰近性能夠促進經(jīng)濟主體間信息的溝通與交流，緩解信息不對稱與代理沖突，降低企業(yè)外部治理主體的監(jiān)督成本(宛晴等，2019)[4]，提高審計質(zhì)量(Choi等，2012)[21]。根據(jù)信息不對稱理論，股價崩盤是長期以來被管理層隱藏的壞消息集中爆發(fā)導(dǎo)致的(Hutton等，2009)[8]，經(jīng)理人隱藏壞消息的動機和能力是影響股價崩盤風(fēng)險的重要因素。大客戶與公司之間較近的地理距離能夠降低大客戶的監(jiān)督成本，促進信息的溝通與交流，影響公司管理層隱藏壞消息的動機和能力，從而影響其股價崩盤風(fēng)險(Kim和Zhang，2014)[22]。根據(jù)交易成本理論，大客戶的監(jiān)督成本主要包括為了解公司生產(chǎn)經(jīng)營狀況付出的信息搜尋與整理成本，以及覺察到公司可能存在道德風(fēng)險行為時發(fā)生的重新談判與締約成本(嚴(yán)若森，2005)[13]。

具體而言，大客戶地理鄰近性從以下兩個方面降低大客戶的監(jiān)督成本，降低管理層隱藏壞消息的能力與動機，從而抑制公司的股價崩盤風(fēng)險。一方面，地理鄰近性能夠降低大客戶的信息搜集成本，從而降低管理層隱藏壞消息的能力。較近的地理距離使得大客戶能夠以較短的出行時間、較低的交通成本實現(xiàn)與公司的“面對面”交流，大大地提高了近距離交流的可能性與頻率，從而挖掘更多“私有信息”(羅進輝等，2017)[19]。此外，地理鄰近有助于大客戶深入地接觸公司所處的社會網(wǎng)絡(luò)，有效利用供應(yīng)鏈內(nèi)其他企業(yè)、政府、媒體等利益相關(guān)者的信息溢出，獲取更多“軟信息”(趙靜等，2018)[16]。信息搜集成本的下降使大客戶更容易發(fā)現(xiàn)公司的壞消息隱藏行為，降低了公司經(jīng)理人隱藏壞消息的能力，從而抑制其股價崩盤風(fēng)險。另一方面，地理鄰近性能夠降低大客戶的重新談判成本，從而降低管理層隱藏壞消息的動機。地理上的鄰近促進了大客戶與公司的業(yè)務(wù)交流，近距離的交流可以使大客戶更加清楚公司存貨管理、固定資產(chǎn)等生產(chǎn)經(jīng)營狀況，并更有可能掌握公司的生產(chǎn)能力、成本結(jié)構(gòu)、業(yè)績壓力等關(guān)鍵信息(程小可等，2019)[5]，從而降低大客戶的交易成本與重新談判成本，提高其重新談判的能力(Cen等，2016)[23]。當(dāng)大客戶覺察到公司可能存在道德風(fēng)險行為時，大客戶能夠以較低的重新談判成本與公司重新談判，通過提出更加嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)、要求更寬松的商業(yè)信用或中斷業(yè)務(wù)合作來保護自身利益(宛晴等，2019)[4]。大客戶較低的重新談判成本增加了公司隱藏壞消息的成本，降低了經(jīng)理人隱藏壞消息的動機，從而降低了公司的股價崩盤風(fēng)險。

綜上所述，大客戶地理鄰近性會降低大客戶的信息搜集成本與重新談判成本，緩解企業(yè)間的信息不對稱，使得公司經(jīng)理人隱藏壞消息的動機和能力下降，從而降低其股價崩盤風(fēng)險。根據(jù)以上推斷，本文提出以下假設(shè)。

H1：大客戶與公司之間的地理距離越近，公司股價崩盤風(fēng)險越低。

三、研究設(shè)計

(一)樣本選擇和數(shù)據(jù)來源

本文采用2010-2019年我國A股上市公司為研究樣本。借鑒已有研究(宛晴等，2019[4]；Itzkowitz，2013[24])，將銷售額占公司當(dāng)年銷售額10%以上的客戶定義為大客戶，并按照如下程序篩選樣本：(1)剔除前五大客戶銷售占比之和大于1的客戶信息披露錯誤樣本；(2)剔除客戶銷售額在公司當(dāng)年銷售額中占比不超過10%的樣本；(3)剔除上市公司“前五大客戶”數(shù)據(jù)中諸如“第一名”“客戶A”“保密單位”等客戶信息不明的樣本，剔除自然人客戶樣本，剔除港澳臺地區(qū)及海外公司樣本，剔除無法查驗大客戶準(zhǔn)確地址的公司樣本；(4)剔除金融保險類、ST類公司樣本；(5)剔除每年交易周數(shù)小于30的樣本，保證股價崩盤風(fēng)險指標(biāo)計算的可靠性；(6)剔除所有變量中數(shù)據(jù)缺失的樣本。最終獲得2259個公司-年度觀測值。我們對所有連續(xù)變量進行了上下1%的縮尾處理。

樣本公司辦公地址、“前五大客戶”及機構(gòu)投資者持股比例數(shù)據(jù)來源于中國研究數(shù)據(jù)庫，大客戶企業(yè)地址信息源自“國家企業(yè)信用信息公示系統(tǒng)”及百度搜索引擎補充，大客戶與公司之間的地理距離數(shù)據(jù)通過Google Map軟件測度獲得，其余變量數(shù)據(jù)均來源于國泰安數(shù)據(jù)庫。

(二)變量定義

1.被解釋變量：股價崩盤風(fēng)險

借鑒已有研究(Hutton等，2009)[8]，本文采用如下方法度量股價崩盤風(fēng)險。首先，根據(jù)模型(1)對每一年度個股i的周收益率進行回歸：

ri,t=α+β1,irm,t-2+β2,irm,t-1+β3,irm,t+β4,irm,t+1+β5,irm,t+2+εi,t

(1)

其中ri,t為每一年度股票i在第t周的收益，rm,t為市場在第t周經(jīng)流通市值加權(quán)的平均收益率。模型(1)中還加入了市場收益的滯后項和超前項，以調(diào)整股票非同步性交易的影響。殘差εi,t表示個股收益率中不能被市場收益率波動所解釋的部分。股票i第t周經(jīng)過市場調(diào)整后的周收益率Wi,t為：

Wi,t=ln(1+εi,t)

(2)

其次，構(gòu)造如下兩個股價崩盤風(fēng)險的度量指標(biāo)。第一個指標(biāo)是股票i經(jīng)過市場調(diào)整后周收益率的負(fù)偏度(NCSKEW)。其中，n為股票i在第t年的交易周數(shù)。計算方法如公式(3)。

(3)

第二個指標(biāo)是股價上升和下降階段波動性的差異(DUVOL)。根據(jù)股票i經(jīng)過市場調(diào)整后周收益率(Wi,t)是否大于年平均收益將股票收益數(shù)據(jù)分為上升階段和下降階段兩個子樣本，并分別計算兩個子樣本中股票收益的標(biāo)準(zhǔn)差(Ru，Rd)，然后使用模型(4)計算DUVOLi,t。其中，nu、nd分別為上升周和下降周的周數(shù)。

(4)

NCSKEW的數(shù)值越大，表示偏態(tài)系數(shù)負(fù)的程度越嚴(yán)重，崩盤風(fēng)險越大；DUVOL的數(shù)值越大，代表收益率分布更傾向于左偏，崩盤風(fēng)險越大。

2.解釋變量：大客戶地理鄰近性

參考已有文獻(宛晴等，2019)[4]，通過“國家企業(yè)信用信息公示系統(tǒng)”及百度搜索引擎補充數(shù)據(jù)庫中缺失的大客戶企業(yè)辦公地址信息。在此基礎(chǔ)上，使用Google Map軟件測度獲得兩地的地理距離D(黃福廣等，2014)[25]?？紤]到部分公司在某一年度可能同時存在多個大客戶，我們通過兩種方法計算公司-年度層面的大客戶地理鄰近性指標(biāo)。第一，大客戶數(shù)目加權(quán)的地理距離(DISTANCE1)。根據(jù)大客戶的數(shù)量N計算大客戶與公司之間的平均地理距離D1，對D1加1并取自然對數(shù)得到DISTANCE1。計算方法如下。

(5)

DISTANCE1=ln(1+D1)

(6)

第二，大客戶銷售額占比加權(quán)的地理距離(DISTANCE2)。根據(jù)各個大客戶銷售額占公司當(dāng)年銷售總額的比例(Pi)對地理距離進行加權(quán)得到D2，對D2加1并取自然對數(shù)得到DISTANCE2。計算方法如下。

(7)

DISTANCE2=ln(1+D2)

(8)

DISTANCE1和DISTANCE2的值越大，則表明大客戶與公司之間的地理距離越遠(yuǎn)，即大客戶的地理鄰近性越差。

3.控制變量

參考已有研究(宛晴等，2019)[4]，本文還控制了公司規(guī)模、資產(chǎn)負(fù)債率等可能影響公司股價崩盤的因素，具體變量定義詳見表1。

(三)模型設(shè)計

本文構(gòu)建模型(9)，使用OLS模型檢驗大客戶地理鄰近性對公司股價崩盤風(fēng)險的影響。

(9)

其中，Crashriskt為第t期公司的股價崩盤風(fēng)險，包括NCSKEWt和DUVOLt兩個度量指標(biāo)。DISTANCEt-1為大客戶地理鄰近性指標(biāo)，包括DISTANCE1t-1和DISTANCE2t-1。Controlst-1為第t-1期影響公司股價崩盤風(fēng)險的控制變量，詳見表1。在本文的回歸中我們同時控制了年度和行業(yè)固定效應(yīng)，標(biāo)準(zhǔn)誤在公司層面上進行了Cluster調(diào)整。根據(jù)假設(shè)H1的預(yù)期，模型(9)中DISTANCEt-1的系數(shù)β1應(yīng)顯著為正。

四、實證結(jié)果與分析

(一)描述性統(tǒng)計

根據(jù)表2，兩個股價崩盤風(fēng)險指標(biāo)NCSKEW、DUVOL的均值分別為-0.304和-0.195，與以往研究報告的數(shù)值差別不大(趙靜等，2019)[16]。大客戶距公司的地理距離D1、D2的均值分別為554.2公里和551.0公里，均值超過500公里，表明公司與大客戶并未出現(xiàn)高度聚集現(xiàn)象。此外，D1、D2的標(biāo)準(zhǔn)差分別為661.8和665.8，且最大值與最小值的差大于3500公里，這表明公司與大客戶的地理距離在樣本中的差異較大，亦符合我國疆土遼闊的現(xiàn)實情況。

表1 變量定義及計算方法

表2 描述性統(tǒng)計結(jié)果

(二)相關(guān)性分析

未報告的主要變量的相關(guān)系數(shù)結(jié)果表明，NCSKEW和DUVOL的相關(guān)系數(shù)為0.868，且顯著正相關(guān)，表明二者的一致性較好。大客戶地理鄰近性指標(biāo)DISTANCE1和DISTANCE2與NCSKEW及DUVOL的相關(guān)系數(shù)均為正，且在1%的水平上顯著，說明在不考慮其他因素的情況下，大客戶與公司之間的地理距離越近，公司的股價崩盤風(fēng)險越低，這與我們假設(shè)H1的預(yù)期一致。此外，我們還按照DISTANCE1從小到大，將樣本分為10組，每組中NCSKEW和DUVOL的均值分布如圖1所示。整體來看，公司與大客戶之間的地理距離與其自身的股價崩盤風(fēng)險呈正相關(guān)關(guān)系，大客戶在地理位置上的接近能夠降低公司的股價崩盤風(fēng)險，也同假設(shè)H1的預(yù)期相符。各變量的VIF值均在3以內(nèi)，說明主要變量間不存在嚴(yán)重共線性問題。

圖1 大客戶地理鄰近性與公司股價崩盤風(fēng)險

(三)大客戶地理鄰近性與公司股價崩盤風(fēng)險的回歸結(jié)果

表3報告了假設(shè)H1的回歸結(jié)果。當(dāng)被解釋變量為NCSKEW時，DISTANCE1和DISTANCE2的系數(shù)均為0.015，在5%的水平上顯著；當(dāng)被解釋變量為DUVOL時，DISTANCE1和DISTANCE2的系數(shù)均為0.012，在1%的水平上顯著。這表明大客戶與公司之間的地理距離越近，公司的股價崩盤風(fēng)險越小，即大客戶在地理位置上的鄰近降低了公司的股價崩盤風(fēng)險，驗證了假設(shè)H1。就經(jīng)濟意義而言，以列(1)為例，DISTANCE1每提高一個標(biāo)準(zhǔn)差，會使NCSKEW提高0.05個標(biāo)準(zhǔn)差，表明大客戶地理鄰近性對公司股價崩盤風(fēng)險的影響在經(jīng)濟上也是顯著的。

表3 大客戶地理鄰近性與公司股價崩盤風(fēng)險

續(xù)表3

五、穩(wěn)健性檢驗

(一)替換股價崩盤風(fēng)險度量指標(biāo)

借鑒已有研究(Hutton等，2009)[8]，本文使用COUNT作為股價崩盤風(fēng)險的替代指標(biāo)。如果公司經(jīng)市場調(diào)整后的周收益率(Wi,t)低于該公司當(dāng)年Wi,t均值的3.09個標(biāo)準(zhǔn)差，則發(fā)生暴跌；如果Wi,t高于該公司當(dāng)年Wi,t均值的3.09個標(biāo)準(zhǔn)差，則發(fā)生暴漲。COUNT定義為該公司當(dāng)年股價暴跌的次數(shù)減去暴漲的次數(shù)。使用COUNT對模型(9)重新進行回歸，回歸結(jié)果顯示，DISTANCE1和DISTANCE2的系數(shù)均在1%的水平上顯著，主回歸結(jié)果保持穩(wěn)健。

(二)替換大客戶地理鄰近性度量指標(biāo)

借鑒已有研究(宛晴等，2019[4]；黃福廣等，2014[25])，本文使用大客戶與公司辦公地址之間的最短出行時間作為大客戶地理鄰近性的替換指標(biāo)。最短出行時間Time為大客戶辦公地址與公司辦公地址之間汽車、火車、高鐵與飛機交通出行方式中的最短出行時間。其中，汽車、飛機的出行時間根據(jù)大客戶與公司辦公地址通過Google Map軟件測度獲得，火車、高鐵的出行時間通過“中國鐵路12306”網(wǎng)站獲取。其次，通過Google Map軟件測算大客戶與公司辦公地址到各自火車站、高鐵站、飛機場的市內(nèi)通行時間，對各交通工具的出行時間進行調(diào)整。最后，使用大客戶數(shù)目和大客戶銷售收入占比分別對最短出行時間進行加權(quán)計算，得到各大客戶到公司以分鐘計量的加權(quán)平均最短出行時間T1、T2，對T1、T2加1并取自然對數(shù)，得到最短出行時間指標(biāo)Time1、Time2。使用Time1、Time2替換模型(9)中的DISTANCE指標(biāo)進行回歸?；貧w結(jié)果顯示，當(dāng)NCSKEW為被解釋變量時，Time1(Time2)的系數(shù)為0.021(0.020)，均在5%的水平上顯著，主回歸結(jié)果保持穩(wěn)健。

(三)Heckman兩階段法

本文的研究對象為公司的大客戶(即銷售收入占比超過10%)，可能存在樣本自選擇問題，本文通過Heckman兩階段法進行緩解，定義變量HighDISTANCE1、HighDISTANCE2來度量公司與大客戶之間的地理距離是否較遠(yuǎn)。若DISTANCE1大于行業(yè)年度均值，則HighDISTANCE1取1，否則為0；若DISTANCE2大于行業(yè)年度均值，則HighDISTANCE2取1，否則為0。其次，借鑒已有研究(羅進輝等，2017)[19]，選取公司辦公地所在省份上市公司數(shù)量加1的自然對數(shù)(Pnumber)作為外生變量。在第一階段，構(gòu)建模型(10)進行probit回歸，計算出逆米爾斯比率(lambda)。其中，HighDISTANCEi,t-1分別為HighDISTANCE1i,t-1和HighDISTANCE2i,t-1，Controlsi,t-1所包含的控制變量與模型(9)一致。在第二階段，將lambda納入模型(9)的控制變量，并對模型(9)重新進行回歸。

HighDISTANCEi,t-1=β0+β1DISTANCEi,t-1+β2Controlsi,t-1+ε

(10)

表4報告了兩階段的回歸結(jié)果。第一階段回歸結(jié)果顯示，Pnumber的系數(shù)為0.089，且在1%的水平上顯著。第二階段的回歸結(jié)果顯示，當(dāng)被解釋變量為NCSKEW(DUVOL)時，DISTANCE1、DISTANCE2的系數(shù)在5%(1%)的水平上顯著，表明在修正了樣本自選擇偏差后，主回歸結(jié)果仍然成立。

表4 穩(wěn)健性檢驗-Heckman兩階段回歸

續(xù)表4

六、進一步分析

(一)外部競爭環(huán)境

當(dāng)所屬行業(yè)面臨激烈的外部市場競爭，企業(yè)往往會通過隱藏內(nèi)部信息來在競爭中保持優(yōu)勢、減弱來自競爭對手的威脅，從而保持較高的信息不透明度。另外，為了維持與大客戶的業(yè)務(wù)往來，企業(yè)可能會通過盈余管理等機會主義行為來粉飾業(yè)績、隱瞞所面臨的訴訟風(fēng)險等壞消息來保持良好形象(Cen等，2018)[15]，避免大客戶企業(yè)轉(zhuǎn)向競爭對手。而管理層激進的機會主義行為及壞消息隱藏行為會導(dǎo)致較高的股價崩盤風(fēng)險(Hutton等，2009)[8]。因此，外部市場環(huán)境競爭越激烈，管理層所面臨的市場壓力越大，越有可能實施機會主義行為、隱藏壞消息來維系與大客戶的穩(wěn)定合作關(guān)系。那么，大客戶地理鄰近性帶來的信息不對稱與監(jiān)督成本的下降則更有助于抑制管理層隱藏壞消息的機會主義行為，從而預(yù)計大客戶地理鄰近性對公司股價崩盤風(fēng)險的負(fù)向影響在外部競爭程度更高的樣本組中更為顯著。

使用赫芬達爾指數(shù)HHI來衡量企業(yè)所面臨的行業(yè)市場競爭程度，按照是否大于年度中位數(shù)將樣本分為競爭程度高組和競爭程度低組分別進行回歸，回歸結(jié)果如表5所示。在市場競爭程度高組中，DISTANCE1、DISTANCE2的系數(shù)均為正，且當(dāng)被解釋變量為NCSKEW(DUVOL)時在10%(5%)的水平上顯著，表明當(dāng)公司面臨激烈的市場競爭時，大客戶地理鄰近性對公司股價崩盤風(fēng)險的抑制作用更加顯著。

(二)公司專有資產(chǎn)水平

為了維持與大客戶的業(yè)務(wù)往來關(guān)系，表達長久戰(zhàn)略合作的意愿，企業(yè)會進行關(guān)系專用性投資，提高專有資產(chǎn)持有水平(方紅星、張勇，2016)[14]。關(guān)系專用性投資具有特定性特征，形成的關(guān)系專用性資產(chǎn)與特定的人和條件相關(guān)聯(lián)，一旦企業(yè)與大客戶關(guān)系破裂，重新配置和調(diào)整這類資產(chǎn)會面臨較高的轉(zhuǎn)移成本和沉沒成本，因此，企業(yè)有動機通過盈余管理等機會主義行為向大客戶傳遞積極的盈余信息，導(dǎo)致較高的股價崩盤風(fēng)險。因此，企業(yè)專有資產(chǎn)持有水平越高，管理層面臨的轉(zhuǎn)移成本和沉沒成本越大，其通過隱藏壞消息維持大客戶業(yè)務(wù)關(guān)系的動機越強。那么，大客戶地理鄰近性帶來的信息不對稱與監(jiān)督成本的下降則更有可能抑制管理層隱藏壞消息的機會主義行為，從而預(yù)計大客戶地理鄰近性對公司股價崩盤風(fēng)險的負(fù)向影響在專有資產(chǎn)投資水平更高的樣本組中更為顯著。

表5 行業(yè)市場競爭程度分組回歸

參考已有研究(Itzkowitz，2013)[24]，本文將研發(fā)投入(R&D)大于0的企業(yè)定義為專有資產(chǎn)水平高的企業(yè)，分樣本進行檢驗。表6報告了按照專有資產(chǎn)水平分組回歸的結(jié)果。在專有資產(chǎn)水平較高的樣本，DISTANCE1、DISTANCE2的系數(shù)均為正，且在1%的水平上顯著。上述結(jié)果表明，對于專有資產(chǎn)水平較高的供應(yīng)商企業(yè)，大客戶地理鄰近性對其股價崩盤風(fēng)險的抑制作用更加顯著。

表6 專有資產(chǎn)水平分組回歸

七、結(jié)論與啟示

本文以2010-2019年中國A股上市公司為研究對象，考察了大客戶地理鄰近性對公司股價崩盤風(fēng)險的影響，進一步探究了外部競爭環(huán)境、公司專有資產(chǎn)水平對二者之間關(guān)系的影響。研究發(fā)現(xiàn)：大客戶與公司之間的地理距離越近，公司的股價崩盤風(fēng)險越低。通過Heckman兩階段法緩解內(nèi)生性問題、替換股價崩盤風(fēng)險和大客戶地理鄰近性指標(biāo)后，主要結(jié)論仍成立。進一步考慮外部競爭環(huán)境和公司專有資產(chǎn)水平后發(fā)現(xiàn)，大客戶地理鄰近性對公司股價崩盤風(fēng)險的抑制作用只在市場競爭高組、專有資產(chǎn)持有水平高組顯著。本文的研究結(jié)論表明，大客戶地理鄰近性通過降低其監(jiān)督成本來抑制上市公司管理層隱藏壞消息的動機和能力，從而降低公司的股價崩盤風(fēng)險，促進供應(yīng)鏈協(xié)同發(fā)展，維護資本市場穩(wěn)定。

本文的研究具有以下啟示：第一，對于投資者而言，要重視大客戶的外部治理作用。在進行投資決策時，投資者可以綜合多種因素進行判斷，多角度遴選標(biāo)的企業(yè)，提高投資收益。企業(yè)所面臨的高行業(yè)競爭程度、高專有資產(chǎn)持有水平會激發(fā)管理層的機會主義行為，導(dǎo)致較高的股價崩盤風(fēng)險。因此，如果備選標(biāo)的企業(yè)有行業(yè)競爭激烈、專有資產(chǎn)較多等特征，投資者可以選擇其中有大客戶在地理位置上鄰近的企業(yè)進行投資。第二，對于企業(yè)而言，一方面，在選擇供應(yīng)商或大客戶時，需要將地理區(qū)位特征考慮在內(nèi)，傾向于選擇距離較近的企業(yè)進行合作，降低企業(yè)之間的信息交流與溝通成本。另一方面，要結(jié)合供應(yīng)鏈上下游企業(yè)的地理區(qū)位特征來優(yōu)化供應(yīng)鏈治理。當(dāng)大客戶距其供應(yīng)商企業(yè)較遠(yuǎn)時，大客戶應(yīng)密切關(guān)注其供應(yīng)商的經(jīng)營管理活動，全面了解供應(yīng)商企業(yè)信息，提高生產(chǎn)經(jīng)營協(xié)同性，促進供應(yīng)鏈穩(wěn)定發(fā)展。