數(shù)字化轉(zhuǎn)型程度、投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)

摘 要：數(shù)字化時(shí)代，制造業(yè)作為經(jīng)濟(jì)的重要支柱，不僅面臨著數(shù)字化轉(zhuǎn)型的挑戰(zhàn)，還有著巨大的轉(zhuǎn)型發(fā)展機(jī)遇。本文選取2010—2020年全部A股制造業(yè)上市公司數(shù)據(jù)作為研究樣本，旨在探究企業(yè)數(shù)字化轉(zhuǎn)型如何在投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)路徑中發(fā)揮作用。研究表明：當(dāng)投資者情緒高漲時(shí)，股價(jià)崩盤風(fēng)險(xiǎn)會(huì)相應(yīng)增加。數(shù)字化轉(zhuǎn)型對(duì)整個(gè)路徑有負(fù)向調(diào)節(jié)作用；企業(yè)數(shù)字化轉(zhuǎn)型程度越高，對(duì)投資者情緒高漲帶來的股價(jià)崩盤風(fēng)險(xiǎn)抑制能力越強(qiáng)。綜合以上結(jié)論，企業(yè)應(yīng)積極推進(jìn)數(shù)字化轉(zhuǎn)型，以減少由投資者情緒高漲帶來的股價(jià)崩盤風(fēng)險(xiǎn)。本文基于數(shù)字化轉(zhuǎn)型程度，驗(yàn)證了數(shù)字化轉(zhuǎn)型對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的調(diào)節(jié)效應(yīng)并提出了相關(guān)發(fā)展建議，以期為制造業(yè)和企業(yè)制定數(shù)字化轉(zhuǎn)型戰(zhàn)略提供參考。

關(guān)鍵詞：制造業(yè)；投資者情緒；股價(jià)崩盤；數(shù)字化轉(zhuǎn)型；調(diào)節(jié)效應(yīng)

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

中圖分類號(hào)：F830.59；TF306 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2024）01（b）--06

1 引言

在當(dāng)前的經(jīng)濟(jì)形勢(shì)和政策背景下，加快制造業(yè)數(shù)字化轉(zhuǎn)型已然成為中國經(jīng)濟(jì)穩(wěn)健發(fā)展的重要戰(zhàn)略之一。根據(jù)2021年《中國制造業(yè)數(shù)字化轉(zhuǎn)型發(fā)展報(bào)告》，該報(bào)告明確了中國制造業(yè)數(shù)字化轉(zhuǎn)型的發(fā)展方向和關(guān)鍵領(lǐng)域，并提出了促進(jìn)數(shù)字化產(chǎn)業(yè)創(chuàng)新和培育數(shù)字化人才等建議。在數(shù)字經(jīng)濟(jì)規(guī)模預(yù)計(jì)超過100萬億元人民幣的今天，數(shù)字產(chǎn)業(yè)化與產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型正在經(jīng)濟(jì)社會(huì)各領(lǐng)域不斷擴(kuò)張融合，為實(shí)體經(jīng)濟(jì)的高質(zhì)量發(fā)展提供了支持。該趨勢(shì)推動(dòng)了新消費(fèi)和投資，使社會(huì)產(chǎn)生更多就職機(jī)會(huì)，并帶來了全要素生產(chǎn)率的倍增效應(yīng) [1-2]。這激發(fā)了眾多企業(yè)對(duì)數(shù)字化轉(zhuǎn)型的追求，并在數(shù)字化轉(zhuǎn)型道路上不斷探索和創(chuàng)新。

企業(yè)數(shù)字化轉(zhuǎn)型在很大程度上影響市場(chǎng)的穩(wěn)定性。 制造業(yè)企業(yè)的數(shù)字化本質(zhì)在于投入大量資金引進(jìn)數(shù)字技術(shù)，以應(yīng)對(duì)技術(shù)進(jìn)步和市場(chǎng)波動(dòng)的不確定性[3]。同時(shí)，數(shù)字化轉(zhuǎn)型是企業(yè)提升傳統(tǒng)動(dòng)能和培養(yǎng)新動(dòng)能的重要手段[4]，它促使企業(yè)借助大數(shù)據(jù)技術(shù)進(jìn)行資源的有效整合和精準(zhǔn)供需匹配，解決交易成本或協(xié)調(diào)等問題，從而大大優(yōu)化了資源配置效率[5]。隨著制造業(yè)市場(chǎng)的逐步升級(jí)，數(shù)字化轉(zhuǎn)型的進(jìn)程逐步加速，數(shù)字技術(shù)的廣泛應(yīng)用已經(jīng)滲透到制造業(yè)的各個(gè)領(lǐng)域。數(shù)字化轉(zhuǎn)型通過改造5G專網(wǎng)和工業(yè)無線網(wǎng)絡(luò)等網(wǎng)絡(luò)基礎(chǔ)設(shè)施，促進(jìn)了知識(shí)和數(shù)據(jù)在企業(yè)內(nèi)部各系統(tǒng)間的快速共享和流動(dòng)[6]，進(jìn)一步提升了企業(yè)各層級(jí)的協(xié)同性和人員組織管理能力[7]。這使企業(yè)能夠提高生產(chǎn)效率，并且能更準(zhǔn)確、快速地獲取到市場(chǎng)變化信息，從而做出及時(shí)且準(zhǔn)確的決策，對(duì)于市場(chǎng)穩(wěn)定性具有積極影響。

黃大禹等（2021）[8]指出，數(shù)字化轉(zhuǎn)型能夠有效增強(qiáng)企業(yè)的技術(shù)創(chuàng)新能力，增強(qiáng)要素配置水平并對(duì)風(fēng)險(xiǎn)具有更強(qiáng)的可控力，并顯著提升企業(yè)的價(jià)值。再者，數(shù)字化轉(zhuǎn)型顯著提升企業(yè)的價(jià)值，可以對(duì)股價(jià)提供更堅(jiān)實(shí)的基本面支撐，降低因市場(chǎng)短期情緒引發(fā)的股價(jià)崩盤風(fēng)險(xiǎn)。此外，已有研究[9-13]已經(jīng)揭示了數(shù)字化發(fā)展對(duì)于提高整體公司業(yè)績、促進(jìn)價(jià)值鏈上升、增強(qiáng)制造業(yè)生產(chǎn)效率、提升地區(qū)創(chuàng)新能力以及推動(dòng)綠色可持續(xù)發(fā)展的積極作用。這些通過改善公司的基本面，以達(dá)到穩(wěn)定股價(jià)，防止股價(jià)崩盤的重要手段。同時(shí)吳非等（2021）[14]發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型有助于提高企業(yè)股票在資本市場(chǎng)的流動(dòng)性。流動(dòng)性高的市場(chǎng)通常信息傳播更充分，可以降低信息不對(duì)稱的程度。然而，企業(yè)數(shù)字化轉(zhuǎn)型需要大量的財(cái)務(wù)需求和高昂的成本支持，如果企業(yè)財(cái)務(wù)運(yùn)營出現(xiàn)了問題，就很容易引發(fā)股價(jià)崩盤風(fēng)險(xiǎn)的增加。因此，在應(yīng)對(duì)和管理股價(jià)崩盤風(fēng)險(xiǎn)時(shí)，數(shù)字化轉(zhuǎn)型的作用和角色值得深入探究。

2 理論分析與研究假設(shè)

投資者情緒與股票崩盤風(fēng)險(xiǎn)之間的關(guān)系一直是備受關(guān)注的課題。根據(jù)Baker和Wurgler（2007）[15]的經(jīng)典研究，投資者情緒可以顯著影響股票價(jià)格。然而，近年來，隨著數(shù)字化轉(zhuǎn)型的深入，這一關(guān)系可能發(fā)生變化。張宗新，王海亮（2013）[16]在中國股市的研究中發(fā)現(xiàn)，投資者情緒與股市波動(dòng)性存在正相關(guān)關(guān)系。這種關(guān)系的基礎(chǔ)是投資者在樂觀情緒下傾向于過度投資，而在情緒高漲時(shí)容易忽視風(fēng)險(xiǎn)，導(dǎo)致股價(jià)脫離基本面，從而在一定程度的負(fù)面信息或市場(chǎng)調(diào)整時(shí)引發(fā)股價(jià)的急劇下跌[17]。基于此，本文提出以下假設(shè)：

假設(shè)H1：投資者情緒越高漲，股票崩盤風(fēng)險(xiǎn)越大。

然而，數(shù)字化轉(zhuǎn)型得到了國家政策的大力支持，并在許多行業(yè)得到廣泛應(yīng)用。隨著數(shù)字化轉(zhuǎn)型的深入，這一關(guān)系可能會(huì)受到調(diào)節(jié)。Galindo-Martin（2018）[18]指出數(shù)字化轉(zhuǎn)型因增強(qiáng)了企業(yè)的價(jià)值創(chuàng)造和企業(yè)家精神，從而帶來了數(shù)字紅利。Song（2022）[19]指出通過網(wǎng)絡(luò)效應(yīng)和商業(yè)模式的創(chuàng)新，數(shù)字化轉(zhuǎn)型改變了傳統(tǒng)經(jīng)營方式，降低了企業(yè)的交易成本，擴(kuò)展了營銷渠道。在理論層面上，數(shù)字化轉(zhuǎn)型為企業(yè)注入新的動(dòng)能，影響了企業(yè)與市場(chǎng)投資者之間的信息對(duì)稱性，從而對(duì)股價(jià)崩盤風(fēng)險(xiǎn)產(chǎn)生影響?；诖耍疚奶岢鲆韵录僭O(shè)：

假設(shè)H2：數(shù)字化轉(zhuǎn)型程度調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險(xiǎn)間的關(guān)系。

Kaniel和Shivakumar（2011）[20]認(rèn)為數(shù)字化轉(zhuǎn)型通過社交媒體和在線平臺(tái)加速信息傳播，可能會(huì)加劇投資者的情緒波動(dòng)。這意味著當(dāng)企業(yè)的數(shù)字化轉(zhuǎn)型程度提高，投資者更容易接觸到和被各種市場(chǎng)信息影響，可能加劇市場(chǎng)情緒的波動(dòng)。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(dǎo)致市場(chǎng)更容易受到震蕩，增加了股價(jià)崩盤的可能性。此外，數(shù)字貨幣和移動(dòng)支付等新興金融工具的應(yīng)用，可能加速資本流動(dòng)，進(jìn)一步放大市場(chǎng)的波動(dòng)性?；诖耍疚奶岢鲆韵录僭O(shè)：

假設(shè)H2a：數(shù)字化轉(zhuǎn)型程度正向調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險(xiǎn)間的關(guān)系。

但同時(shí)，Kirilenko（2017）[21]認(rèn)為大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用，可能幫助投資者更加準(zhǔn)確地評(píng)估市場(chǎng)風(fēng)險(xiǎn)，從而降低情緒的影響，幫助投資者做出更加理性的決策。區(qū)塊鏈作為一種分布式賬本技術(shù)，通過創(chuàng)新信息記錄、傳輸和保護(hù)的方式，提供了一個(gè)公開、不可篡改的記錄系統(tǒng)[22]，解決了供應(yīng)鏈中可追溯性和交易不可逆性兩個(gè)主要問題，從而可以有效提高供應(yīng)鏈的透明度。這可能在一定程度上抵消投資者情緒對(duì)股市的影響?；诖耍疚奶岢鲆韵录僭O(shè)：

假設(shè)H2b：數(shù)字化轉(zhuǎn)型程度負(fù)向調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險(xiǎn)間的關(guān)系。

3 研究設(shè)計(jì)

3.1 樣本選擇與數(shù)據(jù)來源

本文選取我國全部A股制造業(yè)上市公司2010—2020年數(shù)據(jù)為初始研究樣本，并進(jìn)行處理，處理?xiàng)l件如下：（1）剔除被ST的企業(yè)；（2）剔除數(shù)據(jù)異常樣本；（3）剔除數(shù)據(jù)不全的樣本。經(jīng)過處理，最終獲得15995個(gè)企業(yè)年度非平衡面板數(shù)據(jù)樣本。為了避免數(shù)據(jù)極端值的干擾，本文對(duì)連續(xù)變量進(jìn)行上下1%的縮尾（Winsor2）處理（數(shù)據(jù)均來源于CSMAR數(shù)據(jù)庫）。

3.2 變量測(cè)量與模型設(shè)定

3.2.1 變量測(cè)量

被解釋變量：股價(jià)崩盤風(fēng)險(xiǎn)。目前大多數(shù)文獻(xiàn)借鑒chen（2001）[23]、許年行等（2013）[24]的股價(jià)崩盤風(fēng)險(xiǎn)的測(cè)量方法，以NCSKEW和DUVOL為股價(jià)崩盤風(fēng)險(xiǎn)的度量指標(biāo)。首先將股票i的周收益率數(shù)據(jù)進(jìn)行模型（1）的回歸以計(jì)算市場(chǎng)因素對(duì)個(gè)股收益率的影響：

模型（1）中，ri，t為每一個(gè)年度股票i在第t周的收益；rm，t為A股所有制造業(yè)股票在t周經(jīng)流通市值加權(quán)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(xiàng)和滯后項(xiàng)；εi，t為模型（1）中的回歸殘差，用于進(jìn)一步修正企業(yè)特定收益率：

根據(jù)上述模型，構(gòu)建衡量股價(jià)崩盤風(fēng)險(xiǎn)的兩個(gè)指標(biāo)：

（1）負(fù)收益偏態(tài)系數(shù)NCSKEW

其中，n為股票i年交易周數(shù)，當(dāng)NCSKEW的值越大，則股價(jià)崩盤的風(fēng)險(xiǎn)越高。

（2）收益率上下波動(dòng)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(shù)。當(dāng)DUVOL的值越大，收益率越低，則股價(jià)崩盤風(fēng)險(xiǎn)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(jì)算公式：

其中，NAi，t為當(dāng)期新增開戶數(shù)，TURNi，t-1為前推一期市場(chǎng)換手率，CCIi，t-1為前推一期消費(fèi)者信心指數(shù)，DCEFi，t-1為前推一期封閉式基金折價(jià)率，NIPOi，t為當(dāng)期新股發(fā)行數(shù)量，RIPOi，t為當(dāng)期新股上市首日收益率。

本文進(jìn)一步對(duì)原月度投資者情緒（ISI_M）求均值并進(jìn)行標(biāo)準(zhǔn)化以得到年度投資者情緒（ISI）。

（2）調(diào)節(jié)變量：數(shù)字化轉(zhuǎn)型程度。以往大多研究主要使用企業(yè)是否進(jìn)行數(shù)字化轉(zhuǎn)型的虛擬變量來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度。然而，吳非等（2021）首次提出通過統(tǒng)計(jì)上市公司年度報(bào)告中與“數(shù)字化轉(zhuǎn)型”相關(guān)的詞匯頻率來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度。他們認(rèn)為，年度報(bào)告具有總結(jié)性和導(dǎo)向性，是企業(yè)向外部信息用戶傳遞信息的重要渠道。因此，通過分析年報(bào)中與數(shù)字化轉(zhuǎn)型相關(guān)的詞匯頻率，可以相對(duì)準(zhǔn)確地度量企業(yè)的數(shù)字化轉(zhuǎn)型水平。

本文將當(dāng)年“人工智能（AI）”“區(qū)塊鏈（BC）”“云計(jì)算（CC）”“大數(shù)據(jù)（BD）”“數(shù)字技術(shù)應(yīng)用（DTA）”的詞頻求和來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度（DTotali，t），且為了緩解數(shù)據(jù)的右偏性特征，數(shù)據(jù)在加1后進(jìn)行了對(duì)數(shù)化處理，公式如下：

（3）控制變量：本文實(shí)證檢驗(yàn)中設(shè)定的企業(yè)層面控制變量如下：企業(yè)成長性（Growth）、資產(chǎn)收益率（Roa）、企業(yè)杠桿（Lev）、股票換手率（ST）、企業(yè)規(guī)模（SIZE）、所有權(quán)性質(zhì)（State）等。此外，為了確保結(jié)果的穩(wěn)健性，本文還控制了宏觀層面上的宏觀經(jīng)濟(jì)景氣指數(shù)（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(shè)定

本文構(gòu)建如下模型：

（1）檢驗(yàn)投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)間的關(guān)系：

（2）檢驗(yàn)數(shù)字化轉(zhuǎn)型程度在投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)間的調(diào)節(jié)效應(yīng)：

4 實(shí)證分析

4.1 描述性統(tǒng)計(jì)

表2報(bào)告了本文變量的描述性統(tǒng)計(jì)結(jié)果。負(fù)收益偏態(tài)系數(shù)（NCSKEW）與收益率上下波動(dòng)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(yè)之間股價(jià)崩盤風(fēng)險(xiǎn)存在明顯差距，且部分樣本企業(yè)發(fā)生股價(jià)崩盤的風(fēng)險(xiǎn)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(biāo)準(zhǔn)差為1.004，說明在大部分情況下投資者情緒并不會(huì)過于高漲，但整體數(shù)據(jù)較不平穩(wěn)。數(shù)字化轉(zhuǎn)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(biāo)準(zhǔn)差分別為0.000681和1.225，說明大部分企業(yè)仍缺乏數(shù)字化轉(zhuǎn)型意識(shí)，且不同企業(yè)間數(shù)字化轉(zhuǎn)型的程度有較大差異。

4.2 回歸檢驗(yàn)與分析

在對(duì)模型進(jìn)行回歸之前，本文利用White檢驗(yàn)對(duì)數(shù)據(jù)進(jìn)行異方差檢驗(yàn)，發(fā)現(xiàn)本文數(shù)據(jù)存在異方差問題，最終確定選擇穩(wěn)健標(biāo)準(zhǔn)誤的時(shí)間、省份固定效應(yīng)模型。為了避免多重共線性問題，本文對(duì)解釋變量與調(diào)節(jié)變量進(jìn)行標(biāo)準(zhǔn)化或中心化處理，結(jié)果如表3所示。

由模型（1）、模型（2）回歸結(jié)果可以看出，投資者情緒（ISI）與股價(jià)崩盤風(fēng)險(xiǎn)（NCSKEW、DUVOL）分別在5%和1%的水平下顯著正相關(guān)，與假設(shè)H1和過往大多數(shù)研究相符，證明當(dāng)投資者情緒越高漲時(shí)，股價(jià)崩盤風(fēng)險(xiǎn)越大。

模型（3）、模型（4）的回歸結(jié)果表明，投資者情緒（ISI）和數(shù)字化轉(zhuǎn)型程度（DTotal）交互項(xiàng)（IDT）的回歸系數(shù)顯著為負(fù)，證明數(shù)字化轉(zhuǎn)型程度可以負(fù)向調(diào)節(jié)投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)之間的路徑，當(dāng)數(shù)字化轉(zhuǎn)型程度越大時(shí)，就越緩解投資者情緒高漲時(shí)帶來的股價(jià)崩盤風(fēng)險(xiǎn)，與上文假設(shè)H2a一致。

4.3 內(nèi)生性檢驗(yàn)

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(jìn)行回歸，回歸結(jié)果如表4所示，可以發(fā)現(xiàn)結(jié)果中的解釋變量（ISI）和調(diào)節(jié)變量（IDT）在這種滯后模型中仍然在5%的水平下顯著，增強(qiáng)了研究結(jié)果的可信度。而在多元回歸分析中，雙向因果關(guān)系常常會(huì)導(dǎo)致結(jié)果出現(xiàn)問題，因此本文將解釋變量（ISI）滯后一期進(jìn)行回歸，回歸結(jié)果如表5所示，解釋變量（ISI）與調(diào)節(jié)變量（IDT）在滯后一期后依然在5%的水平下顯著，進(jìn)一步強(qiáng)化了理論假設(shè)，并使結(jié)果更為穩(wěn)健。

4.4 穩(wěn)健性檢驗(yàn)

4.4.1 調(diào)整樣本時(shí)間范圍

鑒于以往研究，本文考慮2015—2016年中國股票市場(chǎng)的劇烈波動(dòng)和企業(yè)股價(jià)可能的異常情況，對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的分析可能存在潛在影響。因此，為消除該時(shí)期對(duì)分析結(jié)果的潛在干擾，本文將2015—2016年的數(shù)據(jù)從樣本中排除，并重新進(jìn)行回歸分析。結(jié)果顯示在表6的第（1）-（4）列，ISI與NCSKEW、DUVOL的回歸系數(shù)在1%的顯著性水平下為正，而IDT與NCSKEW、DUVOL的回歸系數(shù)在5%的顯著性水平下為負(fù)。該回歸結(jié)果再次確認(rèn)了本文的結(jié)論穩(wěn)健。

4.4.2 更換股價(jià)崩盤風(fēng)險(xiǎn)的衡量標(biāo)準(zhǔn)

本文參考Hutton（2009）[26]的研究，采用崩盤次數(shù)（CRASH_COUNT）替換股價(jià)崩盤風(fēng)險(xiǎn)的原衡量標(biāo)準(zhǔn)?；貧w結(jié)果見表6的第（5）和（6）列，ISI、IDT與CRASH_COUNT的回歸系數(shù)在1%的水平下顯著為負(fù)。結(jié)果表明，在更改了因變量的衡量方式后，本文結(jié)論仍然穩(wěn)健。

5 異質(zhì)性分析

本文將進(jìn)一步探討國有企業(yè)與其他非國有企業(yè)在數(shù)字化轉(zhuǎn)型過程中，如何影響投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響。國有企業(yè)方面，由于其背后通常有政府的支持，投資者情緒可能對(duì)其股價(jià)影響較小，數(shù)字化轉(zhuǎn)型的進(jìn)程往往更加穩(wěn)健，并且較非國有企業(yè)擁有更多資金支持與資源獲取渠道。而對(duì)于其他企業(yè)，特別是民營和中小企業(yè)，數(shù)字化轉(zhuǎn)型雖然是一種積極的市場(chǎng)策略，但數(shù)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(xùn)員工。對(duì)于許多中小企業(yè)和民營企業(yè)來說，這樣的成本難以承受。

回歸結(jié)果表7列（1）、（3）、（5）、（7）中，表明對(duì)國有企業(yè)而言，投資者情緒（ISI）不顯著，交互項(xiàng)（IDT）系數(shù)為負(fù)，并在1%的水平下顯著，與預(yù)期結(jié)果相符。由于國有企業(yè)的長期穩(wěn)定性、結(jié)構(gòu)性優(yōu)勢(shì)以及政策支持等特性，國有企業(yè)的股價(jià)在很大程度上受到穩(wěn)定的市場(chǎng)預(yù)期引導(dǎo)，從而在一定程度上抵消了投資者情緒的波動(dòng)性影響。而表7列（2）、（4）、（6）、（8）表明，對(duì)非國有企業(yè)而言，投資者情緒（ISI）系數(shù)為正，并且在1%的水平下顯著，但交互項(xiàng)（IDT）并不顯著，與預(yù)期結(jié)果相符。對(duì)非國有企業(yè)而言，投資者情緒對(duì)其股價(jià)崩盤風(fēng)險(xiǎn)具有顯著影響。然而，非國有企業(yè)的數(shù)字化轉(zhuǎn)型程度（DTotal）與投資者情緒（ISI）的交互項(xiàng)（IDT）并不顯著，反映了非國有企業(yè)的市場(chǎng)環(huán)境敏感性和運(yùn)營靈活性等特點(diǎn)，使其股價(jià)更易受市場(chǎng)情緒的影響。

6 結(jié)語

本文研究企業(yè)數(shù)字化轉(zhuǎn)型調(diào)節(jié)在投資者情緒對(duì)企業(yè)股價(jià)崩盤風(fēng)險(xiǎn)這一路徑上的影響機(jī)制。研究結(jié)果表明：（1）投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)造成正向影響。（2）企業(yè)數(shù)字化轉(zhuǎn)型可以有效調(diào)節(jié)投資者情緒對(duì)股價(jià)崩盤的影響，抑制投資者情緒高漲后對(duì)股價(jià)崩盤風(fēng)險(xiǎn)帶來的不良影響。（3）異質(zhì)性檢驗(yàn)發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型對(duì)于國有企業(yè)有顯著的負(fù)調(diào)節(jié)作用，而對(duì)非國有企業(yè)的調(diào)節(jié)作用不顯著。在多項(xiàng)穩(wěn)健性以及內(nèi)生性檢驗(yàn)后，本文的研究結(jié)論依舊穩(wěn)健。

本文提出以下建議：

第一，促進(jìn)企業(yè)數(shù)字化轉(zhuǎn)型以規(guī)避股價(jià)崩盤風(fēng)險(xiǎn)。加快完善數(shù)據(jù)中心建設(shè)，降低云計(jì)算平臺(tái)使用成本，聯(lián)合多企業(yè)共同建設(shè)數(shù)字金融服務(wù)平臺(tái)，同步推進(jìn)企業(yè)管理模式與數(shù)字化雙轉(zhuǎn)型，針對(duì)性培養(yǎng)企業(yè)內(nèi)部數(shù)字化人才，實(shí)現(xiàn)“易轉(zhuǎn)型”局面，削弱投資者情緒對(duì)股價(jià)帶來的影響，促進(jìn)市場(chǎng)穩(wěn)定。

第二，分類施策降低企業(yè)數(shù)字化轉(zhuǎn)型風(fēng)險(xiǎn)。提供人才與關(guān)鍵技術(shù)培訓(xùn)、降低數(shù)字化融資難度、打造數(shù)字化樣板等方式，鼓勵(lì)企業(yè)數(shù)字化轉(zhuǎn)型，打造“易轉(zhuǎn)型”的外部大環(huán)境，并遵循差異化原則，引導(dǎo)不同的企業(yè)根據(jù)自身情況發(fā)展具有特色的數(shù)字化轉(zhuǎn)型道路，以提高其市場(chǎng)適應(yīng)性和運(yùn)營效率。針對(duì)因數(shù)字化基礎(chǔ)薄弱、資金及人才匱乏等困難導(dǎo)致數(shù)字化轉(zhuǎn)型風(fēng)險(xiǎn)高，數(shù)字化轉(zhuǎn)型抑制股價(jià)崩盤風(fēng)險(xiǎn)作用小的非國有企業(yè)，尤其是中小企業(yè)，則深化改革財(cái)稅、財(cái)政補(bǔ)貼等政策緩解其面臨的體制、資金困局，以進(jìn)一步釋放企業(yè)數(shù)字化轉(zhuǎn)型后抑制股價(jià)崩盤風(fēng)險(xiǎn)的潛力。

參考文獻(xiàn)

李平，簡澤，江飛濤，等.中國經(jīng)濟(jì)新常態(tài)下全要素生產(chǎn)率支撐型模式轉(zhuǎn)變[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2019（12）：3-20.

趙濤，張智，梁上坤.數(shù)字經(jīng)濟(jì)、創(chuàng)業(yè)活躍度與高質(zhì)量發(fā)展：來自中國城市的經(jīng)驗(yàn)證據(jù)[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(shù)字化轉(zhuǎn)型與企業(yè)分工：專業(yè)化還是縱向一體化[J].中國工業(yè)經(jīng)濟(jì)，2021（9）：137-155.

丁志帆.數(shù)字經(jīng)濟(jì)驅(qū)動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展的機(jī)制研究：一個(gè)理論分析框架[J].現(xiàn)代經(jīng)濟(jì)探討，2020（1）：85-92.

沈國兵，袁征宇.企業(yè)互聯(lián)網(wǎng)化對(duì)中國企業(yè)創(chuàng)新及出口的影響[J].經(jīng)濟(jì)研究，2020（1）：33-48.

杜傳忠，張遠(yuǎn).數(shù)字經(jīng)濟(jì)發(fā)展對(duì)企業(yè)生產(chǎn)率增長的影響機(jī)制研究[J].證券市場(chǎng)導(dǎo)報(bào)，2021（2）：41-51.

黃大禹，謝獲寶，孟祥瑜，等.數(shù)字化轉(zhuǎn)型與企業(yè)價(jià)值：基于文本分析方法的經(jīng)驗(yàn)證據(jù)[J].經(jīng)濟(jì)學(xué)家，2021（12）：41-51.

楊德明，劉泳文.“互聯(lián)網(wǎng)+”為什么加出了業(yè)績[J].中國工業(yè)經(jīng)濟(jì)，2018（5）：80-98.

石喜愛，李廉水，程中華，等.“互聯(lián)網(wǎng)+”對(duì)中國制造業(yè)價(jià)值鏈攀升的影響分析[J].科學(xué)學(xué)研究，2018，36（8）：1384-1394.

黃群慧，余泳澤，張松林.互聯(lián)網(wǎng)發(fā)展與制造業(yè)生產(chǎn)率提升：內(nèi)在機(jī)制與中國經(jīng)驗(yàn)[J].中國工業(yè)經(jīng)濟(jì)，2019（8）：5-23.

韓先鋒，宋文飛，李勃昕.互聯(lián)網(wǎng)能成為中國區(qū)域創(chuàng)新效率提升的新動(dòng)能嗎[J].中國工業(yè)經(jīng)濟(jì)，2019（7）：119-136.

許憲春，任雪，常子豪.大數(shù)據(jù)與綠色發(fā)展[J].中國工業(yè)經(jīng)濟(jì)，2019（4）：5-22.

吳非，胡慧芷，林慧妍，等.企業(yè)數(shù)字化轉(zhuǎn)型與資本市場(chǎng)表現(xiàn)：來自股票流動(dòng)性的經(jīng)驗(yàn)證據(jù)[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(diào)整與市場(chǎng)波動(dòng)[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(jī)構(gòu)投資者羊群行為與股價(jià)崩盤風(fēng)險(xiǎn)[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(chǎng)投資者情緒測(cè)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.