摘 要：数字化时代，制造业作为经济的重要支柱，不仅面临着数字化转型的挑战，还有着巨大的转型发展机遇。本文选取2010—2020年全部A股制造业上市公司数据作为研究样本，旨在探究企业数字化转型如何在投资者情绪与股价崩盘风险路径中发挥作用。研究表明：当投资者情绪高涨时，股价崩盘风险会相应增加。数字化转型对整个路径有负向调节作用；企业数字化转型程度越高，对投资者情绪高涨带来的股价崩盘风险抑制能力越强。综合以上结论，企业应积极推进数字化转型，以减少由投资者情绪高涨带来的股价崩盘风险。本文基于数字化转型程度，验证了数字化转型对股价崩盘风险的调节效应并提出了相关发展建议，以期为制造业和企业制定数字化转型战略提供参考。

关键词：制造业；投资者情绪；股价崩盘；数字化转型；调节效应

本文索引：徐绮琳.<变量 2>[J].中国商论，2024（02）：-127.

中图分类号：F830.59；TF306 文献标识码：A 文章编号：2096-0298（2024）01（b）--06

1 引言

在当前的经济形势和政策背景下，加快制造业数字化转型已然成为中国经济稳健发展的重要战略之一。根据2021年《中国制造业数字化转型发展报告》，该报告明确了中国制造业数字化转型的发展方向和关键领域，并提出了促进数字化产业创新和培育数字化人才等建议。在数字经济规模预计超过100万亿元人民币的今天，数字产业化与产业数字化转型正在经济社会各领域不断扩张融合，为实体经济的高质量发展提供了支持。该趋势推动了新消费和投资，使社会产生更多就职机会，并带来了全要素生产率的倍增效应 [1-2]。这激发了众多企业对数字化转型的追求，并在数字化转型道路上不断探索和创新。

企业数字化转型在很大程度上影响市场的稳定性。 制造业企业的数字化本质在于投入大量资金引进数字技术，以应对技术进步和市场波动的不确定性[3]。同时，数字化转型是企业提升传统动能和培养新动能的重要手段[4]，它促使企业借助大数据技术进行资源的有效整合和精准供需匹配，解决交易成本或协调等问题，从而大大优化了资源配置效率[5]。随着制造业市场的逐步升级，数字化转型的进程逐步加速，数字技术的广泛应用已经渗透到制造业的各个领域。数字化转型通过改造5G专网和工业无线网络等网络基础设施，促进了知识和数据在企业内部各系统间的快速共享和流动[6]，进一步提升了企业各层级的协同性和人员组织管理能力[7]。这使企业能够提高生产效率，并且能更准确、快速地获取到市场变化信息，从而做出及时且准确的决策，对于市场稳定性具有积极影响。

黄大禹等（2021）[8]指出，数字化转型能够有效增强企业的技术创新能力，增强要素配置水平并对风险具有更强的可控力，并显著提升企业的价值。再者，数字化转型显著提升企业的价值，可以对股价提供更坚实的基本面支撑，降低因市场短期情绪引发的股价崩盘风险。此外，已有研究[9-13]已经揭示了数字化发展对于提高整体公司业绩、促进价值链上升、增强制造业生产效率、提升地区创新能力以及推动绿色可持续发展的积极作用。这些通过改善公司的基本面，以达到稳定股价，防止股价崩盘的重要手段。同时吴非等（2021）[14]发现，数字化转型有助于提高企业股票在资本市场的流动性。流動性高的市场通常信息传播更充分，可以降低信息不对称的程度。然而，企业数字化转型需要大量的财务需求和高昂的成本支持，如果企业财务运营出现了问题，就很容易引发股价崩盘风险的增加。因此，在应对和管理股价崩盘风险时，数字化转型的作用和角色值得深入探究。

2 理论分析与研究假设

投资者情绪与股票崩盘风险之间的关系一直是备受关注的课题。根据Baker和Wurgler（2007）[15]的经典研究，投资者情绪可以显著影响股票价格。然而，近年来，随着数字化转型的深入，这一关系可能发生变化。张宗新，王海亮（2013）[16]在中国股市的研究中发现，投资者情绪与股市波动性存在正相关关系。这种关系的基础是投资者在乐观情绪下倾向于过度投资，而在情绪高涨时容易忽视风险，导致股价脱离基本面，从而在一定程度的负面信息或市场调整时引发股价的急剧下跌[17]。基于此，本文提出以下假设：

假设H1：投资者情绪越高涨，股票崩盘风险越大。

然而，数字化转型得到了国家政策的大力支持，并在许多行业得到广泛应用。随着数字化转型的深入，这一关系可能会受到调节。Galindo-Martin（2018）[18]指出数字化转型因增强了企业的价值创造和企业家精神，从而带来了数字红利。Song（2022）[19]指出通过网络效应和商业模式的创新，数字化转型改变了传统经营方式，降低了企业的交易成本，扩展了营销渠道。在理论层面上，数字化转型为企业注入新的动能，影响了企业与市场投资者之间的信息对称性，从而对股价崩盘风险产生影响。基于此，本文提出以下假设：

假设H2：数字化转型程度调节投资者情绪与股票崩盘风险间的关系。

Kaniel和Shivakumar（2011）[20]认为数字化转型通过社交媒体和在线平台加速信息传播，可能会加剧投资者的情绪波动。这意味着当企业的数字化转型程度提高，投资者更容易接触到和被各种市场信息影响，可能加剧市场情绪的波动。这种情况下，虽然信息获取和处理的效率得到了提高，但也可能由于信息的过度传播和投资者情绪的放大，导致市场更容易受到震荡，增加了股价崩盘的可能性。此外，数字货币和移动支付等新兴金融工具的应用，可能加速资本流动，进一步放大市场的波动性。基于此，本文提出以下假设：

假设H2a：数字化转型程度正向调节投资者情绪与股票崩盘风险间的关系。

但同时，Kirilenko（2017）[21]认为大数据分析和机器学习技术的应用，可能帮助投资者更加准确地评估市场风险，从而降低情绪的影响，帮助投资者做出更加理性的决策。区块链作为一种分布式账本技术，通过创新信息记录、传输和保护的方式，提供了一个公开、不可篡改的记录系统[22]，解决了供应链中可追溯性和交易不可逆性两个主要问题，从而可以有效提高供应链的透明度。这可能在一定程度上抵消投资者情绪对股市的影响。基于此，本文提出以下假设：

假设H2b：数字化转型程度负向调节投资者情绪与股票崩盘风险间的关系。

3 研究设计

3.1 样本选择与数据来源

本文选取我国全部A股制造业上市公司2010—2020年数据为初始研究样本，并进行处理，处理条件如下：（1）剔除被ST的企业；（2）剔除数据异常样本；（3）剔除数据不全的样本。经过处理，最终获得15995个企业年度非平衡面板数据样本。为了避免数据极端值的干扰，本文对连续变量进行上下1%的缩尾（Winsor2）处理（数据均来源于CSMAR数据库）。

3.2 变量测量与模型设定

3.2.1 变量测量

被解释变量：股价崩盘风险。目前大多数文献借鉴chen（2001）[23]、许年行等（2013）[24]的股价崩盘风险的测量方法，以NCSKEW和DUVOL为股价崩盘风险的度量指标。首先将股票i的周收益率数据进行模型（1）的回归以计算市场因素对个股收益率的影响：

模型（1）中，ri，t为每一个年度股票i在第t周的收益；rm，t为A股所有制造业股票在t周经流通市值加权的平均收益率，其余为用于控制非同期交易的影响而加入的超前项和滞后项；εi，t为模型（1）中的回归残差，用于进一步修正企业特定收益率：

根据上述模型，构建衡量股价崩盘风险的两个指标：

（1）负收益偏态系数NCSKEW

其中，n为股票i年交易周数，当NCSKEW的值越大，则股价崩盘的风险越高。

（2）收益率上下波动率DUVOL

其中，nu和nd为股票第i周特定收益率，Wi，t分别大于和小于其年均收益率的周数。当DUVOL的值越大，收益率越低，则股价崩盘风险越高。

（1）解释变量：投资者情绪。本文引用魏星集， 夏维力， 孙彤彤（2014）[25]的计算公式：

其中，NAi，t为当期新增开户数，TURNi，t-1为前推一期市场换手率，CCIi，t-1为前推一期消费者信心指数，DCEFi，t-1为前推一期封闭式基金折价率，NIPOi，t为当期新股发行数量，RIPOi，t为当期新股上市首日收益率。

本文进一步对原月度投资者情绪（ISI_M）求均值并进行标准化以得到年度投资者情绪（ISI）。

（2）调节变量：数字化转型程度。以往大多研究主要使用企业是否进行数字化转型的虚拟变量来衡量企业的数字化转型程度。然而，吴非等（2021）首次提出通过统计上市公司年度报告中与“数字化转型”相关的词汇频率来衡量企业的数字化转型程度。他们认为，年度报告具有总结性和导向性，是企业向外部信息用户传递信息的重要渠道。因此，通过分析年报中与数字化转型相关的词汇频率，可以相对准确地度量企业的数字化转型水平。

本文将当年“人工智能（AI）”“区块链（BC）”“云计算（CC）”“大数据（BD）”“数字技术应用（DTA）”的词频求和来衡量企业的数字化转型程度（DTotali，t），且为了缓解数据的右偏性特征，数据在加1后进行了对数化处理，公式如下：

（3）控制变量：本文实证检验中设定的企业层面控制变量如下：企业成长性（Growth）、资产收益率（Roa）、企业杠杆（Lev）、股票换手率（ST）、企业规模（SIZE）、所有权性质（State）等。此外，为了确保结果的稳健性，本文还控制了宏观层面上的宏观经济景气指数（MECI）并固定了年份与省份。具体变量定义见表1。

3.2.2 模型设定

本文构建如下模型：

（1）检验投资者情绪与股价崩盘风险间的关系：

（2）检验数字化转型程度在投资者情绪与股价崩盘风险间的调节效应：

4 实证分析

4.1 描述性统计

表2报告了本文变量的描述性统计结果。负收益偏态系数（NCSKEW）与收益率上下波动率（DUVOL）的均值分别为-0.317和-0.216，最小值分别为-4.438和-2.207，最大值分别为5.052和2.343，说明不同企业之间股价崩盘风险存在明显差距，且部分样本企业发生股价崩盘的风险较高。解释变量投资者情绪（ISI）的均值为-0.0019，最小值为-1.777，最大值为2.010，标准差为1.004，说明在大部分情况下投资者情绪并不会过于高涨，但整体数据较不平稳。数字化转型程度（DTotal）的最小值为-1.079和最大值为5.060差距较大，且均值和标准差分别为0.000681和1.225，说明大部分企业仍缺乏数字化转型意识，且不同企业间数字化转型的程度有较大差异。

4.2 回归检验与分析

在对模型进行回归之前，本文利用White检验对数据进行异方差检验，发现本文数据存在异方差问题，最终确定选择稳健标准误的时间、省份固定效应模型。为了避免多重共线性问题，本文对解释变量与调节变量进行标准化或中心化处理，结果如表3所示。

由模型（1）、模型（2）回归结果可以看出，投资者情绪（ISI）与股价崩盘风险（NCSKEW、DUVOL）分别在5%和1%的水平下显著正相关，与假设H1和过往大多数研究相符，证明当投资者情绪越高涨时，股价崩盘风险越大。

模型（3）、模型（4）的回归结果表明，投资者情绪（ISI）和数字化转型程度（DTotal）交互项（IDT）的回归系数显著为负，证明数字化转型程度可以负向调节投资者情绪与股价崩盘风险之间的路径，当数字化转型程度越大時，就越缓解投资者情绪高涨时带来的股价崩盘风险，与上文假设H2a一致。

4.3 内生性检验

分别滞后一期控制变量和解释变量缓解遗漏和双向因果问题：本文将所有控制变量滞后一期进行回归，回归结果如表4所示，可以发现结果中的解释变量（ISI）和调节变量（IDT）在这种滞后模型中仍然在5%的水平下显著，增强了研究结果的可信度。而在多元回归分析中，双向因果关系常常会导致结果出现问题，因此本文将解释变量（ISI）滞后一期进行回归，回归结果如表5所示，解释变量（ISI）与调节变量（IDT）在滞后一期后依然在5%的水平下显著，进一步强化了理论假设，并使结果更为稳健。

4.4 稳健性检验

4.4.1 调整样本时间范围

鉴于以往研究，本文考虑2015—2016年中国股票市场的剧烈波动和企业股价可能的异常情况，对股价崩盘风险的分析可能存在潜在影响。因此，为消除该时期对分析结果的潜在干扰，本文将2015—2016年的数据从样本中排除，并重新进行回归分析。结果显示在表6的第（1）-（4）列，ISI与NCSKEW、DUVOL的回归系数在1%的显著性水平下为正，而IDT与NCSKEW、DUVOL的回归系数在5%的显著性水平下为负。该回归结果再次确认了本文的结论稳健。

4.4.2 更换股价崩盘风险的衡量标准

本文参考Hutton（2009）[26]的研究，采用崩盘次数（CRASH_COUNT）替换股价崩盘风险的原衡量标准。回归结果见表6的第（5）和（6）列，ISI、IDT与CRASH_COUNT的回归系数在1%的水平下显著为负。结果表明，在更改了因变量的衡量方式后，本文结论仍然稳健。

5 异质性分析

本文将进一步探讨国有企业与其他非国有企业在数字化转型过程中，如何影响投资者情绪对股价崩盘风险的影响。国有企业方面，由于其背后通常有政府的支持，投资者情绪可能对其股价影响较小，数字化转型的进程往往更加稳健，并且较非国有企业拥有更多资金支持与资源获取渠道。而对于其他企业，特别是民营和中小企业，数字化转型虽然是一種积极的市场策略，但数字化通常需要较大的初始投资，包括购买硬件、软件，以及培训员工。对于许多中小企业和民营企业来说，这样的成本难以承受。

回归结果表7列（1）、（3）、（5）、（7）中，表明对国有企业而言，投资者情绪（ISI）不显著，交互项（IDT）系数为负，并在1%的水平下显著，与预期结果相符。由于国有企业的长期稳定性、结构性优势以及政策支持等特性，国有企业的股价在很大程度上受到稳定的市场预期引导，从而在一定程度上抵消了投资者情绪的波动性影响。而表7列（2）、（4）、（6）、（8）表明，对非国有企业而言，投资者情绪（ISI）系数为正，并且在1%的水平下显著，但交互项（IDT）并不显著，与预期结果相符。对非国有企业而言，投资者情绪对其股价崩盘风险具有显著影响。然而，非国有企业的数字化转型程度（DTotal）与投资者情绪（ISI）的交互项（IDT）并不显著，反映了非国有企业的市场环境敏感性和运营灵活性等特点，使其股价更易受市场情绪的影响。

6 结语

本文研究企业数字化转型调节在投资者情绪对企业股价崩盘风险这一路径上的影响机制。研究结果表明：（1）投资者情绪对股价崩盘风险造成正向影响。（2）企业数字化转型可以有效调节投资者情绪对股价崩盘的影响，抑制投资者情绪高涨后对股价崩盘风险带来的不良影响。（3）异质性检验发现，数字化转型对于国有企业有显著的负调节作用，而对非国有企业的调节作用不显著。在多项稳健性以及内生性检验后，本文的研究结论依旧稳健。

本文提出以下建议：

第一，促进企业数字化转型以规避股价崩盘风险。加快完善数据中心建设，降低云计算平台使用成本，联合多企业共同建设数字金融服务平台，同步推进企业管理模式与数字化双转型，针对性培养企业内部数字化人才，实现“易转型”局面，削弱投资者情绪对股价带来的影响，促进市场稳定。

第二，分类施策降低企业数字化转型风险。提供人才与关键技术培训、降低数字化融资难度、打造数字化样板等方式，鼓励企业数字化转型，打造“易转型”的外部大环境，并遵循差异化原则，引导不同的企业根据自身情况发展具有特色的数字化转型道路，以提高其市场适应性和运营效率。针对因数字化基础薄弱、资金及人才匮乏等困难导致数字化转型风险高，数字化转型抑制股价崩盘风险作用小的非国有企业，尤其是中小企业，则深化改革财税、财政补贴等政策缓解其面临的体制、资金困局，以进一步释放企业数字化转型后抑制股价崩盘风险的潜力。

参考文献

李平，简泽，江飞涛，等.中国经济新常态下全要素生产率支撑型模式转变[J].数量经济技术经济研究，2019（12）：3-20.

赵涛，张智，梁上坤.数字经济、创业活跃度与高质量发展：来自中国城市的经验证据[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，耿春晓，等.数字化转型与企业分工：专业化还是纵向一体化[J].中国工业经济，2021（9）：137-155.

丁志帆.数字经济驱动经济高质量发展的机制研究：一个理论分析框架[J].现代经济探讨，2020（1）：85-92.

沈国兵，袁征宇.企业互联网化对中国企业创新及出口的影响[J].经济研究，2020（1）：33-48.

杜传忠，张远.数字经济发展对企业生产率增长的影响机制研究[J].证券市场导报，2021（2）：41-51.

黄大禹，谢获宝，孟祥瑜，等.数字化转型与企业价值：基于文本分析方法的经验证据[J].经济学家，2021（12）：41-51.

杨德明，刘泳文.“互联网+”为什么加出了业绩[J].中国工业经济，2018（5）：80-98.

石喜爱，李廉水，程中华，等.“互联网+”对中国制造业价值链攀升的影响分析[J].科学学研究，2018，36（8）：1384-1394.

黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验[J].中国工业经济，2019（8）：5-23.

韩先锋，宋文飞，李勃昕.互联网能成为中国区域创新效率提升的新动能吗[J].中国工业经济，2019（7）：119-136.

许宪春，任雪，常子豪.大数据与绿色发展[J].中国工业经济，2019（4）：5-22.

吴非，胡慧芷，林慧妍，等.企业数字化转型与资本市场表现：来自股票流动性的经验证据[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.

张宗新，王海亮.投资者情绪、主观信念调整与市场波动[J].金融研究，2013（4）：142-155.

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

Galindo-Martín， M.A.， Castaño-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，于上尧，伊志宏.机构投资者羊群行为与股价崩盘风险[J].管理世界，2013（7）：31-43.

魏星集，夏维力，孙彤彤.基于BW模型的A股市场投资者情绪测度研究[J].管理观察，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.