公司违规是否影响地区声誉?——基于地区内上市公司市场反应的研究

Do Corporate Violations Affect Regional Reputation? Based on the Market Reaction in the Same Region

何雁 1,孟庆玺 2,常语萱 3

1广东外语外贸大学 会计学院, 广东 广州 510006
2厦门大学 会计发展研究中心/管理学院,福建 厦门 361005
3上海财经大学 会计学院, 上海 200433
摘要:

地缘是理解我国企业行为的重要因素,当投资者缺少公司特质信息时,同地区其他公司的信息会被用于预测该公司行为,产生信息溢出效应。信息溢出为投资者提供了增量信息,有助于判断公司真实价值,但也可能导致错误定价。本文以2001—2018年证监会立案调查的上市公司及其同地区(城市)其他上市公司为样本,发现当地区首次发生上市公司重大违规被证监会立案调查的事件后,不仅违规公司股价显著下跌,同地区其他上市公司的股票收益表现也显著变差。进一步检验发现,地区制度环境越差或公司信息环境越差,违规信息的地区溢出效应越强。然而,没有证据表明受到负面影响的公司在未来更可能违规。同时,受影响公司会组织更多的投资者调研来加强与投资者的沟通。公司违规行为会损害地区声誉,而加强地区制度建设和增强公司信息披露能够缓解对当地经济活动的负外部性影响。

关键词:违规立案,地区溢出效应,地区声誉,制度环境,信息透明度

基金项目:国家自然科学基金项目(72202194)

引 言

我国地区发展差异和不平衡问题由来已久,统一的国内市场建设工作尚未完成。以资本市场为例,虽然证券法律法规和监管环境是全国统一的,但是每个地区营商环境、商业文化、社会习俗等都存在差异,这导致地缘成为影响企业经济活动的重要因素。从“投资不过山海关”“买债不入云贵川”等业界流传的说法就可见一斑。与此同时,由于存在不确定性、公共治理机制不完善和政府对经济的较大影响力等因素,企业通过市场化合约进行交易的成本高昂,因而使用私下沟通的方式来治理特定交易(李增泉,2017),使得相关信息很难被外部投资者获取、核实和理解(Li等,2020)。随之而来的问题是,面临信息不对称的外部投资者在对公司股票进行估值时,是否会考虑地区层面的信息?如果考虑,这是一种有效的投资策略,还是因刻板印象引致的次优选择?若为后者,则表明市场分割不仅会阻碍企业的生产活动,还可能损害资本市场的配置效率,为同地区公司带来额外融资成本。在这种情况下,公司又会采取何种措施予以应对?本文将尝试回答这些问题。

在理论上,投资者在投资决策时依赖于充分的公司特质信息。然而在现实中,有关公司的特质信息要么无法得到,要么获取成本极高(Li等,2020)。因此,投资者很可能会将公司所属“群体”的平均情况作为额外的信息来源。地区是划分“群体”时的一个常用标准(叶迪和朱林可,2017)。自然环境、文化习俗、社会结构、经济发展、地方政府治理水平等多个维度的特征,共同构成了外部人对一个地区的整体认知。尤其是,我国企业利益相关者具有明显的地域性。这些投入要素的高度重合导致同地区企业行为具有相似性,因此地区信息会成为投资者决策时的一个重要参考。虽然投资者会受到地区因素的影响,但其经济后果尚不清晰。一方面,同地区公司间更容易相互学习和彼此模仿,经济活动表现出高度的相似性(Kedia等,2015;陆蓉和常维,2018;李志生等,2018),因此使用地区信息判断特定公司价值可以节约大量的信息成本。另一方面,地区信息能在多大程度上代替公司特质信息还很难说。比如,Lee等(2015)发现个别中概股公司违规曝光导致其他中概股公司也遭受了媒体和做空机构的负面评价,但其长期表现却好于可比的美国公司。这说明,投资者在利用地区信息进行投资决策时,可能误判了地区内公司的价值。综上,地区信息溢出会产生怎样的经济后果,仍是一个有待检验的问题。

本文以2001—2018年我国各地区(城市)首次曝光上市公司重大违规事件为切入点,实证检验当地区内有公司出现重大违规被立案调查时,外部投资者会如何看待同地区其他公司。进一步地,通过观测该地区其他公司在未来是否真的违规,可以判断投资者根据地区信息进行投资决策的效率。研究发现,当某一地区首次发生上市公司重大违规被证监会立案调查事件时,不仅因重大违规被立案调查的公司(以下简称违规公司)的市场反应显著为负,同地区其他公司的股票收益率也明显降低。也就是说,公司违规损害了地区声誉,一家公司的负面信息会溢出到同地区其他公司。而且在事件发生后较长一段时间内,受影响公司(指同地区其他公司)的股价没有反弹。但是,却没有证据显示,这些公司在未来违规的概率会更高。进一步研究发现,地区制度环境和公司信息环境影响公司违规信息的地区溢出效应,地区制度环境越不完善(地区市场化程度较低、地区社会信任程度较低)或者公司信息环境越差(供应链集中度较高、非“四大”审计、分析师跟踪人数较少),公司受到地区负面信息的影响越严重。与此同时,受影响公司也会采取积极的应对措施,比如组织更多的投资者调研活动,以尽可能降低溢出效应带来的额外成本。综上,公司违规行为给同地区其他公司带来了显著的负外部性,导致资本配置扭曲。

本文的创新点及贡献体现在以下几个方面:第一,本文研究了我国企业的地区相似性以及外部人如何看待这种相似性的重要问题。地缘一直都是学界关注的热点话题。特别是在我国,不同地区代表了区域社会网络、地方治理水平等根本性的差异。不过,这些文献关注的是地区间差异以及该差异如何影响整个地区的企业行为。近来,一些文献发现,同地区企业会相互学习和模仿,表现出相似的行为特征(陆蓉和常维,2018;李志生等,2018)。与之不同,本文讨论的是外部投资者怎样看待同地区企业的相似性以及如何进行投资决策的问题。事实上,本文研究发现,即使公司没有不当行为,投资者也容易受到对地区印象的影响而“误判”公司价值。

第二,本文丰富了地区信息如何影响资本市场的相关研究。由于信息不对称普遍存在,地区信息对投资者而言是很重要的替代性信息。Jia和Zhao(2020)使用在美国上市的公司样本,发现当某国一家公司发生财务报告重述时,来自该国的其他所有上市公司股价都会下跌。由于他们使用的是跨国公司样本,很难厘清这一现象是法律体系、监管环境、会计准则还是地缘政治问题导致的。本文则以我国各地区为分析对象,不仅提供了来自新兴市场的经验证据,而且在同一法律体系和监管环境下可以排除诸多正式制度因素,聚焦于地区非正式制度的影响。此外,已有文献也没有讨论受地区负外部性影响的公司会如何应对,本文基于投资者调研进行了拓展。

第三,本文巧妙地借助资本市场中的重大违规事件,在因果识别上具有一定的突破。一方面,投资者对地区信息的获取源于对地区文化习俗、经济发展、政府治理等多个维度的认知,很难加以度量和验证。但是资本市场提供了一个可检验的场景。股价能够吸收各类信息,公司股价的变化反映了信息的流动,因此利用违规事件带来的市场反应能够度量地区信息的变化。另一方面,即使能够准确度量地区信息,也无法先验区分地区内的好公司和差公司并进行后验验证。在本文的研究设计中,当地区首次曝光一家上市公司的重大违规事件时,同地区其他公司此时是正常的,这时观察投资者对这些公司的反应,就可以识别地区信息的增量效应。

第四,本文还具有明显的政策含义。在构建“国内大循环、国内国际双循环”新发展格局的背景下,全国统一大市场作为其中的重要一环,再次引起关注。虽然所有上市公司面临相同的资本市场法律制度和监管环境,但由于地缘对企业经济活动产生的重要影响,加之一些地区制度环境相对薄弱或者上市公司信息披露较差,这种地区间差异和市场分割会造成资本配置的扭曲,使企业承担额外成本。可见,国内统一市场建设工作很难毕其功于一役,不仅需要党中央的总体部署和推动,也需要地方政府积极响应,加强地方制度建设,还要上市公司共同参与,提高公司信息透明度。

本文余下部分结构安排如下:第二节为基于我国制度背景的理论分析和假说提出;第三节为实证研究设计;第四节为实证结果分析;第五节为进一步研究;最后为结论与启示。

理论分析与假说发展

地缘是理解我国商业实践的重要因素。由于不同地区的社会文化、经济政策、行政体制等方面大不相同,因此企业的交易模式和行为特征也具有明显的地区差异。而在同地区内,同一地理缘由又会形成相似的企业经济活动。地区制度环境能够在很大程度上影响我国企业行为(Wong,2016)。一方面,政府在资源配置中具有较大影响。大量的政府资源或者行政因素决定了投入要素的非市场化配置。出于本地保护的动机,政府配置资源有很强的地域性,企业主要从本地政府中获得投入要素(白重恩等,2004;陆铭和陈钊,2009)。另一方面,我国正处于经济转型阶段,整体环境的不确定性很高。关系型交易在应对不确定性,进而降低交易成本中能够起到重要作用(Williamson,1979)。对于处于同一地区的企业与利益相关者来说,他们对于投入的资源有更强的控制和监督能力,也更容易获取相关信息,所以企业更愿意构建这种相对稳固的长期关系来降低交易的不确定性(Poncet,2005)。随着利益相关者的地域性特征变得更加广泛,同地区企业更可能拥有相同的利益相关者,比如,公司的股东均是当地政府,拥有共同的客户或供应商,互相融资担保等。投入要素的高度重合导致同地区企业行为具有很高的相似性。

由于同地区内公司行为特征的相似性,一家公司的信息很容易溢出到同地区的其他公司。Jennings等(2017)发现地区内信息溢出会提高分析师预测准确性。Engelberg等(2018)发现位于行业聚集程度较高地区的公司股票价格效率更高。虽然信息溢出有助于改善地区信息环境,但是也可能产生负外部性。当一家公司释放出负面信息时,这一信息也会溢出到其他公司,使得这些公司承担了额外的成本。Darrough等(2015)发现个别中概股公司的财务舞弊消息导致其他中概股公司股票收益也受到负面影响,即使这些公司没有任何财务问题,即这些公司因为“少数人的罪过”而蒙受损失。并且这一负面信息对其他国家公司没有影响。Lee等(2015)也发现了这一溢出效应。产生国家溢出效应是因为投资者普遍认为中国公司治理以及投资者保护程度相对薄弱。在同一国家制度环境中,所有公司面临相似的商业文化、审计、监管等,投资者认为这些公司的财务信息质量也大抵相当。所以,一家公司出现负面信息,这会成为一个表示国家或地区特征的信号,投资者会利用这一新的信息来重新评估其他公司的价值。

Darrough等(2015)和Lee等(2015)是以国家作为一个整体来研究信息的溢出效应。而聚焦于我国资本市场上,不仅统一的证券法律法规和监管环境会影响企业行为,不同地区的制度环境也会对企业产生差异化影响,并导致企业行为在同一地区内更加相似,信息更容易在同地区内溢出。外部信息使用者很容易将同一地区内的公司视为一个整体,给予大致相同的评价(游家兴等,2018),正如古语所云,“近朱者赤,近墨者黑”。与此同时,任何一家公司的已知信息都很容易成为外部人评价该公司所在地区的信号,投资者会根据市场中新出现的信息不断调整自己对该地区的整体认知。比如,陈冬华等(2008)发现,如果某一地区发生过财务丑闻,证券监管机构会在随后减少该地区的IPO配额。一旦某个地区出现影响较大的负面消息,特别是该地区从未出现过类似情况时,地区声誉就会明显受损(叶迪和朱林可,2017)。随着信息在地区内溢出,一家公司的负面消息会对整个地区产生不利影响,进而会损害该地区公司价值。

基于以上分析,我们预期,当地区首次出现上市公司因重大违规被证监会立案调查时会产生信息溢出效应。一旦某个公司发生违规,投资者可能认为这是由于地区监管不严或营商环境较差,或者由于同一地区内有大量的关系型交易,其他公司可能与违规事件直接或间接有关。投资者预期同地区其他公司被证监会立案调查的概率更高。尤其是,公司的违规行为往往具有很高的隐蔽性,投资者想要获取信息来判断公司是否违规的成本很高。对于投资者来说,在评估其他公司价值时,如果缺少公司特质信息,那么以地区信息来判断公司违规概率的成本是更低的,这是投资者面临信息约束的理性选择。因此,投资者会“通过价格机制来保护自己”,对发生违规的地区内的公司给予一定的折价。综上,提出本文的第一个研究假说:

H1:公司违规信息具有地区溢出效应,即当地区首次发生上市公司重大违规被证监会立案调查的事件时,该地区内其他公司的股票收益率降低。

投资者之所以利用地区信息来对公司定价,一方面,因为地区的制度环境会影响该地区企业的交易模式以及外部投资者对该地区的评价;另一方面,因为公司的信息环境会影响企业特质信息含量以及投资者面临的信息成本。

虽然我国各地区具有统一的法律和司法体系,但是不同地区的市场化程度以及累积的社会资本有明显差异。制度环境的市场化程度是影响企业交易模式选择的一个重要因素。地区市场化程度较低,意味着该地区产权保护和法治程度相对不完善,政府参与经济活动的程度更高,企业的经营环境和社会网络更加复杂。在这种环境下,企业使用市场化合约的成本十分高昂,因而在这些地区以关系型交易为主(李增泉,2017)。同地区企业的相似性很大程度上取决于地区内企业在本地经济活动的嵌入程度。由于社会关系或者政府行为局限于以行政地区为边界的物理空间中,所以企业有更多的本地利益相关者,企业的投入要素也都集中于本地,在本地有更多交易。这时,一个企业的声誉很容易影响地区内其他企业的声誉。而在制度环境较好的地区,企业经济活动在本地的嵌入程度降低,同一地区内的企业相似性下降。即使某一企业发生违规,投资者也不会联想到地区内其他企业上。所以,地方市场化程度越高,公司违规对其他公司股票收益的影响越小。

地区制度环境还会影响外部人对该地区的信任程度。这也会影响外部投资者对该地区的评价,进而影响负面信息在地区内的溢出程度。张维迎和柯荣住(2002)在解释信任时提到,信任产生于人们之间的重复博弈。地区制度环境越好,人们与该地区之间发生重复博弈的可能性更高,该地区越容易建立社会资本,获得外部人的信任。此外,地区声誉会对该地区内的企业产生系统性影响,这是因为个体所处的“组织”是外部利益相关者判断个体声誉的重要来源,对组织声誉的印象会影响对组织内所有个体的信任程度(张维迎,2001)。比如刘凤委等(2009)发现地区信任程度会影响企业的交易成本。投资者对某一地区的信任程度越高,意味着地区能够提供越多的社会资本作为抵押,所以投资者越可能相信企业违规是独立事件,不会增加对同地区其他企业违规概率的预期。而当投资者对地区的信任程度较低时,一家企业的违规行为会损害整个地区声誉,增强信息溢出效应产生的负面影响。基于以上分析,本文提出第二个研究假说:

H2:地区制度环境越差,公司违规信息对同地区其他公司的负面溢出效应越强。

公司信息环境也会影响信息溢出。当企业投入要素主要来源于本地时,交易往往是在一个封闭的地域圈子中进行,沟通方式也主要是私下渠道,因而企业缺少公开披露公司特质信息的动机。再加上关系型交易带来的信息披露困难,尤其是企业违规行为具有很强的隐蔽性,企业很难证明自己没有违规,这进一步增加了公司与外部投资者之间的信息不对称程度。于是,投资者在进行投资决策时能够使用的公司特质信息有限,不得不将地区的平均风险作为参考(唐松等,2011)。因此,公司自身的信息透明度会影响投资者在多大程度上使用同地区信息。具体来说,当企业信息透明度较高时,投资者掌握较多的公司特质信息,比如公司是否与违规事件有关,是否存在相同的利益相关者等。这时投资者能够对地区内的公司进行区分,比较容易地根据公开信息识别出该地区内的好公司和坏公司,在此基础上给予不同公司差异化估值。相反,公司信息透明度越低,地区发生违规事件后,投资者越难以判断哪些公司可能违规。出于保护自身利益的动机,投资者越会对同地区内所有公司给予一定的折价。基于以上分析,本文提出第三个研究假说:

H3:公司信息环境越差,公司违规信息对同地区其他公司的负面溢出效应越强。

研究设计

(一)数据来源

在现实中,一旦某个地区出现影响较大的负面信息,特别是该地区从未出现过类似情况时,该地区的声誉就会明显受损。考虑到资本市场的涉及范围广,社会关注度高,且股价变动能够被直接观察得到,本文选取各个城市的上市公司首次被证监会立案调查,作为各地区公司违规的代表性事件。首先,吴溪和张俊生(2014)发现,证监会立案调查会带来十分强烈的负面市场反应,要远高于行政处罚等公告;其次,由于立案调查公告内容一般比较简单,市场此时很难明确涉嫌违规公司的具体违规行为和波及对象,外部投资者此时特别需要了解当地其他公司是否也存在类似问题。立案公告前后其他公司的市场反应可以很好地捕获投资者行为,因此选用这一场景展开研究。

具体而言:(1)本文将锐思数据库、万得数据库、色诺芬数据库和同花顺数据库信息进行交叉比对,得到截至2020年6月30日的所有证监会立案调查公告;(2)保留所有上市公司发布证监会立案调查公告日(即事件日)前后10天累计超额收益小于-10%的事件;(3)以城市为单位,如果一个城市存在多个事件(有多家上市公司被立案调查,或一家公司被立案调查多次),则保留公告时间最早的一次。得到每一个地区的首次重大违规立案调查事件,共计103个;(4)由于本文研究的是立案公告对同地区公司的影响,进一步剔除被立案调查公司没有同地区公司的样本,最终得到89个城市首次被证监会立案调查的重大违规事件。本文定义注册地与被立案调查公司在同一城市的样本为同地区公司(后文中我们使用办公地判断同地区公司,以进行稳健性检验),在剔除缺失值后共得到1317个同地区公司样本,样本区间涵盖2001—2018年 1 。其他数据未经特殊说明均来源于CSMAR数据库。

(二)变量定义

1.股票收益率

本文采用事件研究法来检验公司对所在地区首次发生上市公司违规调查事件的市场反应。将每个城市首次发生上市公司重大违规的立案调查公告日定义为事件日,通过检验事件日前后股票短期累计超额收益率来考察违规信息的地区溢出效应。具体计算方式如下:

\begin{document}$ CAR[T1,T2]= {\sum\nolimits_{t=T1}^{T2}} {AR}_{t} $ \end{document}

其中,CAR[T1,T2]为公司在事件窗口期[T1,T2]的累计超额异常收益率,为了保证实证分析结果的稳健性,本文选取[−3,+3]、[−5,+5]、[−10,+10]三个时间窗口; \begin{document}$ {AR}_{t} $\end{document}为公司在第t日的超额收益率,使用“考虑现金红利再投资的日个股回报率”减去“考虑现金红利再投资的日市场回报率(总市值加权平均法)”计算得到。后文还采用市场回归法计算超额收益率进行稳健性检验。

参考Gleason等(2008)、Jia和Zhao(2020)的方法,对违规公司和同地区公司的CAR[T1,T2]均值进行T检验,若同地区没有被立案调查的正常公司在窗口期的累计超额收益显著小于0,则表明上市公司的违规立案公告会影响到投资者对当地其他公司的定价,即公司违规信息会产生地区溢出效应。

2.地区制度环境

本文使用两个指标来表示地区制度环境。第一个指标是市场化程度MI。本文采用《中国分省份市场化指数报告(2016)》的市场化指数年度排名度量地区市场化程度,排名越靠后(取值越大),表示地区市场化程度越低。第二个指标是地区社会信任SocialTrust。本文使用张维迎和柯荣住(2002)的研究中全国受访者对各个省份的信任度调查排名度量地区社会信任度,排名越靠后(取值越大),则表明受访者越不信任该地区。

3.公司信息环境

本文使用三个指标刻画公司信息环境。第一,公司的供应链集中度。公司的客户供应商集中度越高,意味着公司可能存在大量需要依靠长期合约或关系治理的专有投资,此时公司更依赖于声誉和私下沟通,对高质量公开信息需求较少,因而信息透明度较低(李增泉,2017)。具体定义当公司的客户或供应商集中度高于行业中位数时,虚拟变量SCC取值为1,否则取值为0。第二,以公司聘请的会计师事务所是否为国际“四大”度量公司信息环境。当公司聘请“四大”来审计,则表明公司的公开信息质量有更强的保证,信息透明度更高(Fan和Wong,2005)。当上一年度审计该公司的事务所非“四大”时,虚拟变量NonBig4取值为1,否则取值为0。第三,使用跟踪该公司的分析师人数Analysts。分析师的信息搜寻活动能够为市场提供更多公司相关信息,降低公司与外部人之间的信息不对称程度,当分析师跟踪数量越少,公司的信息透明度也越低。

(三)模型设定

为了检验不同地区制度环境或公司信息环境对公司违规信息的地区溢出效应的影响,本文参考Gleason等(2008)、Jia和Zhao(2020)以及何顶和罗炜(2019)等的研究设计,设定以下回归模型对H2和H3进行检验:

\begin{document}$\begin{aligned} CAR={\beta }_{0}+{\beta }_{1}Institutional/Information+{\beta }_{2}EventCAR+{\beta }_{3}Blockshare+{\beta }_{4}Size\\ +{\beta }_{5}Leverage+{\beta }_{6}ROA+{\beta }_{7}Loss+{\beta }_{8}SOE+YearFE+IndustryFE+\varepsilon \quad\; \end{aligned} $ \end{document}

其中,被解释变量CAR为样本公司各窗口期的累计超额收益率,包括CAR[–3,+3]、CAR[–5,+5]和CAR[–10,+10](下文分别表示为CAR3、CAR5、CAR10)。解释变量中,Institutional为公司所在地区制度环境指标,Information为公司信息环境指标,具体定义见上文。若模型(1)中的回归系数 \begin{document}$ {\beta }_{1} $\end{document}显著为负(若以分析师跟踪人数度量公司信息环境,预期 \begin{document}$ {\beta }_{1} $\end{document}显著为正),则表明公司所在地区制度环境(公司信息环境)越差,公司违规信息的地区溢出效应越强。

参考已有文献(吴溪和张俊生,2014;何顶和罗炜,2019;张雪莹和刘茵伟,2021),本文在回归分析中的控制变量包括:被立案调查事件的严重程度EventCAR,具体采用被立案调查公司事件日前后10天的累计超额收益率来度量,这也是本文用来挑选被立案调查事件的标准。同时,我们还控制了受影响公司的特征,包括其第一大股东持股比例Blockshare,资产规模Size,资产负债率Leverage,总资产报酬率ROA,上一年度是否亏损Loss,产权性质SOE。所有控制变量均滞后一期。为避免异常值影响,对所有连续变量进行上下1%缩尾处理。为避免年度和行业的异质性影响,本文还控制了年度(Year)和行业(Industry)固定效应。其中,行业分类根据2001年证监会颁布的分类方法,制造业按二级行业分类,其他行业按一级行业分类。

实证结果分析

(一)违规公司与同地区其他公司的市场反应

图1展示了事件日前后,违规公司和同地区其他公司的市场反应,其中实线为违规公司在立案调查公告日前后的累计超额收益,虚线为同地区其他公司的累计超额收益。可以看出,违规公司的股价均从事件日前约20天(t=–20)起开始缓慢走低,公司累计超额收益在事件日之前10天(t=–10)起大幅下降,这一下降趋势一直持续到事件日后第10天(t=10)。值得关注的是,与违规公司同地区的其他公司,虽然没有因违规被立案调查,但事件日前后的累计超额收益率的变化趋势与违规公司几乎相同,初步印证了公司违规信息的地区溢出效应。

1
违规公司与同地区其他公司在事件日前后的市场反应(%)

表1列示了违规公司和同地区公司在[–3,+3]、[–5,+5]和[–10,+10]三个时间窗口的累计超额收益,其中,Panel A为违规公司的市场反应,Panel B为同地区其他公司的市场反应。结果表明,违规公司和同地区其他公司在事件窗口期内的累计超额收益率均显著为负,其中违规公司在[–3,+3]窗口的累计超额收益为–15.19%,[–5,+5]窗口的累计超额收益为–20.13%,[–10,+10]窗口的累计超额收益为–28.62%;相应地,同地区其他公司在[–3, +3]窗口的累计超额收益为–0.43%,[–5,+5]窗口的累计超额收益为–0.52%,[–10,+10]窗口的累计超额收益为–1.3%。从中位数来看,超过半数同地区公司在[–3,+3]、[–5,+5]和[–10,+10]三个时间窗口的累计超额收益低于–0.695%、–1.09%和–1.696%,甚至有同地区公司在事件日前后20天内股价几近腰斩。由此可见,当地区首次出现上市公司重大违规被证监会立案时,投资者会对同地区其他公司予以折价,导致这些公司股票收益率降低,本文假说1得到验证。

1
违规公司与同地区公司的短期收益表现
Panel A: 违规公司
N Mean SD Min Median Max Test of Mean=0 (t value)
CAR3 89−15.18712.013−55.506−13.0459.133−11.93***
CAR5 89−20.12815.287−72.840−15.9892.565−12.42***
CAR10 89−28.61921.029−108.681−20.585−10.214−12.84***
Panel B: 同地区其他公司
N Mean SD Min Median Max Test of Mean=0 (t value)
CAR3 1317−0.4337.924−30.300−0.69535.244−1.99**
CAR5 1317−0.5179.917−38.546−1.09044.879−1.89*
CAR10 1317−1.29012.381−48.738−1.69644.007−3.78***

为了进一步检验上文中发现的结果是否源于投资者给违规公司所在地区的集体折价,本文还用事件窗口期后的长期收益检验受影响公司的股价是否会反弹,即溢出效应是否长期存在。若股价下跌是源于违规事件损害了地区声誉,导致投资者给该地区的公司集体折价,并且由于声誉在短时间内难以修复,应当发现受影响公司的股价在事件日后维持在“被折价”水平。由于在事件发生后的较长时间段内,投资者可以买卖股票,我们使用事件日之后第11天(t=11)起20天、50天和80天的买入持有收益,即BHR[+11,+30]、BHR[+11,+60]和BHR[+11,+90](下文分别表示为BHR30、BHR60、BHR90),检验同地区其他公司的长期收益是否显著大于0。若长期收益显著大于0,则表明其股价在事件后逐步恢复到违规事件发生之前的水平,我们所发现的事件日前后同地区公司股价下跌可能是市场短期波动所致;若同地区公司的长期收益不显著(即与t=10的股价相比没有显著差异),甚至显著小于0,则表明其股价长期维持在了被折价后的水平。表2的实证结果表明,BHR30、BHR60和BHR90均值都没有显著大于0,说明在同地区公司股票受到违规公司的影响后,其股价在较长时间内都维持在“被折价”的状态,没有恢复到事件前水平。这表明同地区公司股价下跌并不是市场短期波动导致的。另外,声誉一旦受损,其在短期内很难修复。这也印证了公司违规会对地区声誉产生不利影响,从而导致该地区内所有公司股价出现系统性下跌。

2
同地区公司的长期收益表现
N Mean SD Min Median Max Test of Mean=0 (t value)
BHR30 1317−0.29410.934−25.392−1.16838.069−0.98
BHR60 13110.25516.417−35.392−1.97762.4530.56
BHR90 13090.11418.920−41.397−2.39766.8490.22

(二)地区制度环境的影响

表3列示了在不同地区制度环境下,当某地区有上市公司出现重大违规被立案调查时,同地区其他公司的股票收益表现。其中,第(1)至(3)列为使用市场化程度排名MI的回归结果,第(4)至(6)列为使用社会信任排名SocialTrust的回归结果。结果表明,地区制度环境对不同事件窗口的累计超额收益的回归系数均在1%或5%水平下显著为负,说明当地区制度环境越差,公司违规信息的地区溢出效应越强,即在违规事件立案调查公告后,这些公司股票收益率明显下降 2 。也就是说,在制度环境较差的地区,同地区公司更可能受到违规公司的牵连,使得这些公司承担了额外成本。本文的假说2得到验证。

3
基于地区制度环境的横截面分析
(1)(2)(3)(4)(5)(6)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
MI −0.095**−0.106**−0.218***
(−2.24)(−2.00)(−3.39)
SocialTrust −0.103**−0.104**−0.142**
(−2.57)(−2.03)(−2.38)
EventCAR −0.010−0.031−0.029−0.005−0.025−0.018
(−0.62)(−1.52)(−1.11)(−0.29)(−1.26)(−0.71)
Blockshare 2.3012.1870.5402.2492.1720.778
(1.36)(1.01)(0.21)(1.33)(1.00)(0.30)
Size 0.3960.2780.5020.3870.2720.519
(1.52)(0.81)(1.17)(1.49)(0.80)(1.20)
Leverage −1.999−2.463−3.765−1.863−2.360−3.869
(−1.37)(−1.27)(−1.56)(−1.27)(−1.21)(−1.59)
ROA −10.941−10.497−6.550−10.942−10.506−6.622
(−1.54)(−1.18)(−0.64)(−1.54)(−1.18)(−0.64)
Loss −2.489**−3.338**−3.681*−2.562**−3.424**−3.883**
(−2.15)(−2.30)(−1.91)(−2.20)(−2.35)(−2.02)
SOE −0.7860.1070.627−0.866−0.0080.227
(−1.39)(0.16)(0.73)(−1.54)(−0.01)(0.27)
Intercept −3.3890.1700.347−3.2020.128−1.345
(−0.58)(0.02)(0.04)(−0.55)(0.02)(−0.14)
Year&Industry YesYesYesYesYesYes
N 110611061106110611061106
Adj_R20.0610.0530.0740.0620.0530.067

(三)公司信息环境的影响

表4汇报了在不同公司信息环境下,当地区有上市公司出现重大违规被立案调查时,同地区其他公司的股票收益表现。其中,第(1)至(3)列为使用供应链集中度SCC的回归结果,第(4)至(6)列为使用是否“四大”审计NonBig4的回归结果,第(7)至(9)列为使用分析师跟踪人数Analysts的回归结果。实证结果显示,公司信息环境对不同事件窗口的累计超额收益的回归系数均显著,说明当公司信息环境越差时,即客户或供应商越集中、聘请的会计师事务所不是“四大”、分析师跟踪人数越少时,公司违规信息的地区溢出效应越强,违规行为对同地区公司股票收益率的负面影响越大。当信息不对称程度较高时,投资者缺少公司特质信息,因而更可能将个别公司的违规行为视为地区声誉,并利用表示地区特征的信息对公司定价。本文的假说3得到验证。

4
基于公司信息环境的横截面分析
(1)(2)(3)(4)(5)(6)(7)(8)(9)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
SCC −1.129**−1.694**−1.380*
(−2.04)(−2.44)(−1.65)
NonBig4 −1.872**−2.356**−4.777***
(−2.04)(−1.98)(−3.19)
Analysts 0.082**0.095**0.149***
(2.49)(2.18)(2.89)
EventCAR −0.008−0.029−0.023−0.007−0.027−0.021−0.008−0.029−0.023
(−0.51)(−1.45)(−0.88)(−0.42)(−1.36)(−0.80)(−0.51)(−1.45)(−0.88)
Blockshare 2.6722.6181.3572.5582.4661.1132.6722.6181.357
(1.59)(1.22)(0.53)(1.52)(1.14)(0.43)(1.59)(1.22)(0.53)
Size 0.3550.2030.4860.3230.1810.3060.3550.2030.486
(1.34)(0.58)(1.12)(1.18)(0.51)(0.68)(1.34)(0.58)(1.12)
Leverage −2.414−2.965−4.615*−2.212−2.687−4.227*−2.414−2.965−4.615*
(−1.64)(−1.53)(−1.89)(−1.50)(−1.38)(−1.73)(−1.64)(−1.53)(−1.89)
ROA −10.738−10.162−6.385−10.989−10.546−6.653−10.738−10.162−6.385
(−1.53)(−1.15)(−0.62)(−1.56)(−1.19)(−0.65)(−1.53)(−1.15)(−0.62)
Loss −2.605**−3.470**−3.942**−2.656**−3.534**−4.081**−2.605**−3.470**−3.942**
(−2.26)(−2.41)(−2.05)(−2.29)(−2.44)(−2.14)(−2.26)(−2.41)(−2.05)
SOE −1.078**−0.212−0.071−1.047*−0.1780.040−1.078**−0.212−0.071
(−1.97)(−0.31)(−0.08)(−1.89)(−0.26)(0.05)(−1.97)(−0.31)(−0.08)
Intercept −2.3331.244−7.314−0.6062.8550.181−2.3331.244−7.314
(−0.42)(0.17)(−0.82)(−0.10)(0.37)(0.02)(−0.42)(0.17)(−0.82)
Year&Industry YesYesYesYesYesYesYesYesYes
N 110611061106110611061106110611061106
Adj_R20.0590.0540.0640.0570.0510.0670.0590.0540.064

进一步分析

前文研究已经表明,地区首次重大违规立案事件发生后,投资者会对该地所有公司予以折价,并且在地区制度环境较差或者公司信息环境较差时,这一影响更明显。那么,被投资者给予折价的同地区公司是否的确存在问题,还是被投资者“误判”了呢?如果是后者,公司会有何应对措施?本小节试图回答这些问题。

(一)未来违规概率

为了进一步探究投资者根据地区信息对公司定价的准确性,本文参考Gleason等(2008)、Jia和Zhao(2020)的做法,使用受影响公司的累计超额收益与未来发生违规或处罚之间的相关性对此进行探究,具体地,本文检验事件日前后受到负面影响越严重(股票收益率越低)的公司,在未来违规的概率是否越高。回归模型如下所示:

\begin{document}$ \begin{aligned} Logit(Punish=1/Violation=1)=&{\beta }_{0}+{\beta }_{1}CAR+{\beta }_{2}EventCAR+{\beta }_{3}Blockshare\\ &+{\beta }_{4}Size+{\beta }_{5}Leverage+{\beta }_{6}ROA+{\beta }_{7}Loss\\& +{\beta }_{8}SOE +YearFE+IndustryFE+\varepsilon \quad\quad\quad\quad\quad\quad\quad\quad\quad\quad \end{aligned} $ \end{document}

模型(3)中被解释变量为公司未来的违规行为,本文利用Punish和Violation两个指标度量同地区公司未来的违规行为。本文从两个方面进行度量:若公司在未来两年内被监管机构处罚,则虚拟变量Punish取值为1,否则取值为0;若公司在未来两年内出现违规(处罚时间不作限制),则虚拟变量Violation取值为1,否则取值为0。由于公司的违规行为被发现需要一定时间,因此变量Punish考察公司在事件日之前可能存在的违规行为,而变量Violation则考察公司在事件日之后是否更可能发生违规行为。解释变量为事件日前后累计超额收益CAR。若投资者将个别企业的违规行为理解为地区声誉,并利用地区信息进行投资决策的策略是准确的,那么同地区公司在事件日前后的CAR值越小,其未来出现违规或处罚的概率越高,即预期模型(3)中的回归系数 \begin{document}$ {\beta }_{1} $\end{document}显著为负。

控制变量包括被立案调查事件严重程度EventCAR,以及受影响公司第一大股东持股比例Blockshare,资产规模Size,资产负债率Leverage,总资产报酬率ROA,上一年度是否亏损Loss,产权性质SOE。所有控制变量均滞后一期,所有连续变量进行上下1%缩尾处理。为避免年度和行业的异质性影响,控制年度(Year)和行业(Industry)固定效应。

表5展示了同地区公司在事件日前后的股票收益表现与公司未来是否违规的回归结果,其中第(1)至(3)列的被解释变量为是否被处罚Punish,第(4)至(6)列的被解释变量为是否出现违规行为Violation。实证结果表明,同地区公司在事件日前后的股票收益率与该公司未来是否违规之间并不存在显著的关系。换言之,对于投资者给予了较高折价的同地区公司,这些公司并没有更可能发生违规。这一结果意味着,同地区公司并非都是“坏公司”,而是由于投资者面临的信息成本较高,当投资者缺少公司特质信息时,他们就更可能将地区内所有公司视为整体,认为这些公司违规概率相当,因而误判了公司价值。

5
同地区公司未来违规概率
(1)(2)(3)(4)(5)(6)
Punish Punish Punish Violation Violation Violation
CAR3 −0.012−0.006
(−1.24)(−0.64)
CAR5 −0.009−0.010
(−1.17)(−1.42)
CAR10 −0.008−0.008
(−1.18)(−1.35)
EventCAR 0.0000.0000.000−0.001−0.002−0.001
(0.03)(0.01)(0.02)(−0.27)(−0.34)(−0.30)
Blockshare −1.656***−1.657***−1.674***−1.157**−1.137**−1.150**
(−2.71)(−2.71)(−2.74)(−2.27)(−2.23)(−2.26)
Size −0.060−0.063−0.062−0.094−0.093−0.092
(−0.77)(−0.80)(−0.79)(−1.26)(−1.24)(−1.24)
Leverage 1.657***1.664***1.655***0.806*0.787*0.779*
(3.48)(3.51)(3.50)(1.84)(1.80)(1.77)
ROA −3.051−3.000−2.951−3.067*−3.166*−3.091*
(−1.52)(−1.51)(−1.50)(−1.81)(−1.87)(−1.83)
Loss −0.049−0.049−0.049−0.172−0.199−0.194
(−0.12)(−0.12)(−0.13)(−0.48)(−0.56)(−0.54)
SOE −0.069−0.056−0.056−0.325*−0.320*−0.320*
(−0.37)(−0.30)(−0.30)(−1.88)(−1.85)(−1.85)
Intercept 1.9041.9321.8973.510**3.504**3.468**
(1.08)(1.10)(1.08)(2.04)(2.04)(2.02)
Year&Industry YesYesYesYesYesYes
N 110611061106110611061106
Pseudo R20.1370.1370.1370.1110.1120.112

(二)公司应对:基于投资者调研的证据

如前所示,当出现一起公司重大违规事件被立案调查时,投资者误判了同地区其他公司的价值。那么对这些公司而言,管理层是否会采取一些补救措施,以降低与投资者间的信息不对称,修复在投资者心中的印象呢?公司与投资者交流的方式多种多样(比如,定期报告、临时公告、管理层业绩预测等),但在本文的研究场景中,组织投资者调研在时间上更加及时,形式和交流内容也比较灵活,不仅是公司加强与投资者沟通的重要方式,也是投资者了解公司进而向市场传递信息的重要渠道(Cheng等,2016;Han等,2018;Yoon,2021)。尽管投资者调研可能源于投资者的主动申请,但公司有接受或拒绝的权利,而且也可以决定参与调研的具体机构、人数和时间,以及接待人员的级别,因此,投资者调研可以被视为是公司具有信息传递的意愿。

为此,本文比较违规立案事件发生日前后,受影响公司组织投资者调研的情况。具体模型设定如下:

\begin{document}$ \begin{aligned} Researcher/Institution=&{\beta }_{0}+{\beta }_{1}Post+{\beta }_{2}EventCAR+{\beta }_{3}Size+{\beta }_{4}Lev \\ &+{\beta }_{5}ROA+{\beta }_{6}Mret+YearFE+IndustryFE+\varepsilon \end{aligned} $ \end{document}

模型(4)中,被解释变量为投资者现场调研人数Researcher或机构数Institution。具体而言,本文剔除违规立案事件日前10天内的样本(这些样本处于事件正在发生期间,噪音较大),然后分别汇总事件日前(后)360天内和180天内的投资者调研情况 3 ,由于实际中的调研次数变化幅度较小,且本文的观测区间较短,因此,使用平均单次参加调研的人数和机构数量更能度量公司披露信息的意愿强弱。其中,定义Researcher360(Researcher180)为违规立案事件日前或后360天(180天)平均参与调研的人数,Institution360(Institution180)为违规立案事件日前或后360天(180天)平均参与调研的机构数。Post为虚拟变量,调研发生在事件日后取1,否则取0。若模型(4)中的回归系数 \begin{document}$ {\beta }_{1} $\end{document}显著为正,则表明在事件日后,同地区公司组织了更多的投资者调研活动。控制变量为事件的严重程度EventCAR,受影响公司季度层面的公司规模Size,资产负债率Lev,盈利能力ROA,月度的股票回报率Mret。所有控制变量均滞后一期,所有连续变量进行了上下1%的winsorize处理,并且控制年度(Year)和行业(Industry)固定效应。

结果如表6所示,无论是单变量分析,还是回归分析,事件日后投资者调研的数量均显著增加。这说明,面对市场对公司的错误估值,公司会努力降低信息不对称,以尽可能避免不必要的损失。

6
投资者调研的检验结果
Panel A: 单变量检验
Post=0 Post=1 MeanDiff (t value)
N Mean N Mean
Researcher360 7251.4637252.048−0.585***
Institution360 7251.1317251.461−0.330**
Researcher180 7251.2537251.691−0.438**
Institution180 7250.9367251.188−0.251*
Panel B: 回归分析
(1)(2)(3)(4)
Researcher360 Institution360 Researcher180 Institution180
Post 0.630***0.374**0.441**0.266*
(2.88)(2.41)(1.97)(1.72)
EventCAR −0.004−0.003−0.011−0.009*
(−0.51)(−0.51)(−1.35)(−1.73)
Size −0.007−0.008−0.024−0.011
(−0.06)(−0.10)(−0.19)(−0.13)
Lev −1.240*−0.637−0.496−0.130
(−1.82)(−1.27)(−0.77)(−0.30)
ROA 18.185***14.346***19.607***15.016***
(4.06)(4.41)(3.95)(4.26)
Mret 1.7651.2751.6361.004
(1.54)(1.59)(1.39)(1.36)
Intercept 0.026−0.045−0.253−0.447
(0.01)(−0.03)(−0.11)(−0.26)
Year&Industry YesYesYesYes
N 1305130513051305
Adj_R20.0680.0670.0540.055

(三)稳健性检验

1.使用办公地界定同一地区

由于上市公司的注册地和实际办公地可能存在差异 4 ,因此本文改变同地区的界定方式,将办公地与违规公司在同一城市的公司视为同地区公司。表7的Panel A结果表明,办公地与被立案调查公司在同地区的上市公司在[−3,+3]、[−5,+5]和[−10,+10]三个窗口期的累计超额收益均在1%或5%水平下显著为负,支持了假说1。表7的Panel B和Panel C列示了以办公地界定同地区公司时地区制度环境和公司信息环境的横截面分析结果。可以看到,以办公地来界定同地区公司的回归结果与前文的结果基本一致,假说2和3得到进一步支持。

7
使用办公地的稳健性检验结果
Panel A: 短期收益表现
N Mean SD Min Median Max Test of Mean=0 (t value)
CAR3 1231−0.5607.757−29.635−0.68832.704−2.53**
CAR5 1231−0.7879.623−38.688−1.26943.062−2.87***
CAR10 1231−0.98111.968−46.689−1.43342.620−2.87***
Panel B: 地区制度环境的横截面分析
(1)(2)(3)(4)(5)(6)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
MI −0.177***−0.211***−0.194***
(−4.20)(−3.97)(−2.82)
SocialTrust −0.159***−0.128**−0.101
(−3.95)(−2.47)(−1.50)
Intercept 0.7057.56210.0870.4075.7518.032
(0.12)(0.95)(1.06)(0.07)(0.73)(0.85)
Controls YesYesYesYesYesYes
Year&Industry YesYesYesYesYesYes
N 101710171017101710171017
Adj_R20.0990.0830.0750.0960.0730.069
Panel C 公司信息环境的横截面分析
(1)(2)(3)(4)(5)(6)(7)(8)(9)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
SCC −0.952*−1.115−0.858
(−1.67)(−1.55)(−1.01)
NonBig4 −1.743*−1.267−2.852**
(−1.95)(−1.08)(−2.12)
Analysts 0.113***0.119**0.143**
(3.23)(2.52)(2.50)
Intercept −2.1543.3412.834−0.3443.8807.0862.1327.6908.947
(−0.37)(0.45)(0.31)(−0.06)(0.50)(0.73)(0.35)(0.99)(0.93)
Controls YesYesYesYesYesYesYesYesYes
Year&Industry YesYesYesYesYesYesYesYesYes
N 101710171017101710171017101710171017
Adj_R20.0850.0690.0670.0840.0670.0680.0900.0730.072

2.改变股票收益率的计算方式

接下来,本文改变CAR计算方式,使用市场回归模型法度量各窗口期累计超额收益进行稳健性检验。具体而言,本文以事件日前150个交易日至事件日前30个交易日为估计窗口,且要求至少有30个交易日数据,计算正常的股票回报率,然后进一步计算累计超额回报CAR3、CAR5和CAR10。表8的Panel A列示了短期收益表现的描述性统计,Panel B和Panel C分别列示了改变CAR计算方式后地区制度环境和公司信息环境的横截面分析结果。由结果可知,改变CAR计算方式后的结果与前文基本一致,本文结论是稳健的。

8
改变CAR计算方式的稳健性检验结果
Panel A: 短期收益表现
N Mean SD Min Median Max Test of Mean=0 (t value)
CAR3 1316−0.7808.152−31.679−0.66231.696−3.47***
CAR5 1316−1.03810.563−40.907−1.07843.204−3.56***
CAR10 1316−2.22213.940−56.069−1.4842.956−5.78***
Panel B: 地区制度环境的横截面分析
(1)(2)(3)(4)(5)(6)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
MI −0.074*−0.086−0.193***
(−1.68)(−1.52)(−2.64)
SocialTrust −0.082**−0.083−0.102
(−1.97)(−1.51)(−1.50)
Intercept −5.394−1.850−13.078−4.418−1.154−14.535
(−0.95)(−0.24)(−1.26)(−0.77)(−0.15)(−1.39)
Controls YesYesYesYesYesYes
Year&Industry YesYesYesYesYesYes
N 110311031103110311031103
Adj_R20.0560.0360.0380.0570.0360.033
Panel C: 公司信息环境的横截面分析
(1)(2)(3)(4)(5)(6)(7)(8)(9)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
SCC −0.978*−1.539**−1.188
(−1.71)(−2.05)(−1.21)
NonBig4 −1.933**−2.413*−4.460***
(−2.05)(−1.94)(−2.75)
Analysts 0.067*0.084*0.123**
(1.95)(1.72)(2.00)
Intercept −5.409−1.084−15.839−3.2640.963−8.765−3.7300.374−11.577
(−0.93)(−0.14)(−1.52)(−0.53)(0.11)(−0.77)(−0.62)(0.05)(−1.08)
Controls YesYesYesYesYesYesYesYesYes
Year&Industry YesYesYesYesYesYesYesYesYes
N 110311031103110311031103110311031103
Adj_R20.0550.0370.0320.0550.0350.0340.0560.0360.034

3.其他稳健性检验

上市公司披露负面信息还存在行业溢出效应(Gleason等,2008),对由同一家会计师事务所审计的上市公司也会给予负面评价(Chaney和Philipich,2002)。为了保证本文发现的结果是稳健可靠的,本文增加控制两个虚拟变量,以排除其他因素带来的溢出效应:(1)是否同一行业SameIndustry,若受影响公司与违规公司属于同一行业则取值为1,否则为0;(2)是否同一会计师事务所SameAudit,若受影响公司与违规公司当年财务报告均由同一会计师事务所审计则取值为1,否则为0。其次,为了排除不同城市间上市公司数量差异较大对回归结果带来的干扰,本文还增加控制所在地区上市公司数量的自然对数LnCityN,以进行稳健性检验。

由表9可知,在考虑了受影响公司与违规公司是否同一行业、是否存在审计联结以及不同城市间企业数量差异的情况后,回归结果与主结果基本一致,表明本文结论是稳健的。

9
其他稳健性检验结果
Panel A: 地区制度环境的横截面分析
(1)(2)(3)(4)(5)(6)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
MI −0.082*−0.080−0.183***
(−1.86)(−1.45)(−2.72)
SocialTrust −0.091**−0.079−0.103*
(−2.25)(−1.55)(−1.70)
SameAudit −0.710−0.2020.132−0.670−0.1610.246
(−1.08)(−0.25)(0.14)(−1.02)(−0.20)(0.26)
SameIndustry 0.2630.007−0.2630.231−0.024−0.325
(0.30)(0.01)(−0.20)(0.26)(−0.02)(−0.24)
LnCityN 0.4410.834*1.069*0.4180.838*1.302**
(1.06)(1.67)(1.69)(1.03)(1.72)(2.11)
Intercept −3.187−1.668−7.153−2.133−1.023−9.015
(−0.59)(−0.24)(−0.79)(−0.39)(−0.14)(−1.00)
Controls YesYesYesYesYesYes
Year&Industry YesYesYesYesYesYes
N 110611061106110611061106
Adj_R20.0600.0530.0750.0620.0540.069
Panel B: 公司信息环境的横截面分析
(1)(2)(3)(4)(5)(6)(7)(8)(9)
CAR3 CAR5 CAR10 CAR3 CAR5 CAR10 CAR3 CAR5 CAR10
SCC −1.113**−1.663**−1.326
(−2.01)(−2.40)(−1.59)
NonBig4 −1.612*−2.069*−4.432***
(−1.72)(−1.74)(−2.96)
Analysts 0.083**0.095**0.149***
(2.53)(2.17)(2.85)
SameAudit −0.643−0.1350.278−0.575−0.0490.469−0.695−0.1970.186
(−0.99)(−0.17)(0.29)(−0.87)(−0.06)(0.49)(−1.07)(−0.24)(0.19)
SameIndustry 0.3070.084−0.2360.2590.009−0.2620.2980.050−0.211
(0.34)(0.08)(−0.18)(0.29)(0.01)(−0.20)(0.33)(0.05)(−0.16)
LnCityN 0.664*1.044**1.581***0.6441.021**1.503**0.679*1.066**1.599***
(1.68)(2.16)(2.62)(1.61)(2.09)(2.48)(1.71)(2.20)(2.66)
Intercept −3.687−0.943−10.648−2.4510.159−3.645−1.5150.739−5.378
(−0.67)(−0.13)(−1.19)(−0.42)(0.02)(−0.37)(−0.26)(0.10)(−0.58)
Controls YesYesYesYesYesYesYesYesYes
Year&Industry YesYesYesYesYesYesYesYesYes
N 110611061106110611061106110611061106
Adj_R20.0600.0560.0690.0580.0530.0710.0620.0550.073

结论与启示

(一)研究结论

在推进建立全国统一大市场的背景下,理解企业行为的地域性特征以及可能产生的经济后果显得尤为必要。尤其从资本市场角度来看,外部投资者如何看待同一地区内公司的关系以及如何利用地区内的信息,是很重要的问题。

本文研究发现,当某一地区首次曝光上市公司重大违规事件时,同地区其他上市公司的股票收益表现明显变差。地区制度环境和公司信息透明度会影响公司违规信息的地区溢出效应。进一步研究发现,受影响公司未来发生违规的概率并没有更高。同时,公司组织了更多的投资者调研活动,以尽可能缓解投资者对自身股票的折价。总之,上市公司的违规行为损害了地区声誉,投资者会利用一家公司违规信息来对同地区其他公司股票进行定价。但实际上,投资者“误判”了受影响公司的价值,这导致这些公司承担了因地区制度环境不完善或者自身信息披露不足造成的额外成本。总之,虽然本地化交易有助于公司降低交易成本,但是由于投资者缺少充分的信息来了解同一地区内公司的差异,这反而降低了资本市场资源配置效率。

(二)贡献与启示

本文具有一定的理论贡献和政策启示。首先,加强地区制度建设有助于促进企业健康发展和维持地方经济稳定。虽然大量研究提出了制度环境对于经济增长的积极作用,但本文是从信息的角度,对改善地区营商环境提供一些思考。随着地区制度环境改善,这会在根本上影响企业的交易模式,鼓励企业采用更多的市场化交易,降低企业经济活动在本地的嵌入程度。这时,公司会较少地受到同地区其他公司行为的影响,避免承担了额外的折价成本。而且,对于地区整体来说,这也避免了同地区内公司股价“同涨同跌”产生的系统性风险,对于维持地方经济稳定起到积极作用。

其次,鼓励企业采用多样化的信息沟通方式,提高企业信息透明度。违规信息的地区溢出效应很大程度上源于投资者不了解公司的真实情况,因而使用地区信息。较高的信息不对称程度让公司承担了更多的损失。这时公司要权衡披露更多信息所发生的成本和能弥补的损失。如果信息比较隐蔽,难以公开披露,那么公司可能更多采用私下沟通的方式,比如投资者调研。总之,规范企业信息披露行为,鼓励公司与投资者或中介的互动,发挥媒体信息挖掘的作用等,是应对溢出效应的有效方式。

最后,加快建设全国统一大市场,促进要素资源自由流动。无论是源于地方政府对本地经济保护的外生影响,还是企业最小化交易成本的内生选择,企业都具有大量的本地交易,这加剧了地区市场分割。由于投入要素的利益相关者大多位于本地,企业很难在地区内分散风险,因而承担了由于其他公司行为不当而产生的成本。随着全国统一大市场的建立,企业投入要素能够在不同地区间自由流动。这时企业之间的交易行为更加独立、市场化,一家企业的行为也就很难影响到地区声誉。同时,投资者也会更注重挖掘企业特质信息,减少地区信息对投资者价值判断的干扰,从而改善资本市场资源配置效率。

(三)不足与未来展望

企业行为的地域特征是本文理论推导的一个重要前提,也是本文结论成立的重要约束条件。这也意味着,本文的发现可能无法推广到所有的经济环境中。未来,随着全国统一大市场建立,信息溢出效应还是否存在,投资者是否给予公司一个更合理的估值,这些问题仍待进一步研究。另外,本文选择市场化程度和社会信任两个角度来分析地区制度环境对溢出效应的影响。接下来,可以围绕更具体的、旨在改善地区营商环境的相关政策,为解决资源配置扭曲提供更具体的应对方案。


参考文献

1 地方保护主义及产业地区集中度的决定因素和变动趋势. 经济研究,2004,39(4):29-40.
2 法律环境、政府管制与隐性契约. 经济研究,2008,43(3):60-72.
3 中国各地区市场化相对进程报告. 经济研究,2003,(3):9-18.
4 风险投资声誉和股价“传染”效应——来自中国上市公司立案公告的证据. 金融研究,2019,(9):169-187.
5 关系型交易的会计治理——关于中国会计研究国际化的范式探析. 财经研究,2017,43(2):4-33. DOI:10.16538/j.cnki.jfe.2017.02.001.
6 企业过度负债的地区同群效应. 金融研究,2018,(9):74-90.
7 信任、交易成本与商业信用模式. 经济研究,2009,44(8):60-72.
8 分割市场的经济增长——为什么经济开放可能加剧地方保护?. 经济研究,2009,44(3):42-52.
9 近墨者黑: 上市公司违规行为的“同群效应”. 金融研究,2018,(8):172-189.
10 政治关系、制度环境与股票价格的信息含量——来自我国民营上市公司股价同步性的经验证据. 金融研究,2011,(7):182-195.
11 上市公司立案公告的市场反应及其含义. 会计研究,2014,(4):10-18.
12 地区质量声誉与企业出口表现. 经济研究,2017,52(6):105-119.
13 财经媒体地域偏见实证研究. 经济研究,2018,53(4):167-182.
15 信任及其解释: 来自中国的跨省调查分析. 经济研究,2002,(10):59-70.
16 资本市场开放、流动性与债券利差——基于陆港通的实证检验. 国际金融研究,2021,(7):76-85. DOI:10.16475/j.cnki.1006-1029.2021.07.008.
17 Seeing is believing: Analysts' corporate site visits. Review of Accounting Studies,2016,21(4):1245-1286. DOI:10.1007/s11142-016-9368-9.
18 Know thy neighbor: Industry clusters, information spillovers, and market efficiency. Journal of Financial and Quantitative Analysis,2018,53(5):1937-1961. DOI:10.1017/S0022109018000261.
19 Do analysts gain an informational advantage by visiting listed companies?. Contemporary Accounting Research,2018,35(4):1843-1867. DOI:10.1111/1911-3846.12363.
20 The effect of industry co-location on analysts’ information acquisition costs. The Accounting Review,2017,92(6):103-127. DOI:10.2308/accr-51727.
21 Does the market punish the many for the sins of the few? The contagion effect of accounting restatements for foreign firms listed in the United States. Journal of Accounting, Auditing & Finance,2020,35(1):196-228.
22 Evidence on contagion in earnings management. The Accounting Review,2015,90(6):2337-2373. DOI:10.2308/accr-51062.
23 Shell games: The long-term performance of Chinese reverse-merger firms. The Accounting Review,2015,90(4):1547-1589. DOI:10.2308/accr-50960.
24 Information dissemination through embedded financial analysts: Evidence from China. The Accounting Review,2020,95(2):257-281. DOI:10.2308/accr-52521.
25 A fragmented China: Measure and determinants of Chinese domestic market disintegration. Review of International Economics,2005,13(3):409-430. DOI:10.1111/j.1467-9396.2005.00514.x.
26 Corporate governance research on listed firms in China: Institutions, governance and accountability. Foundations and Trends® in Accounting,2016,9(4):259-326.
27 The role of private disclosures in markets with weak institutions: Evidence from market liberalization in China. The Accounting Review,2021,96(4):433-455. DOI:10.2308/TAR-2018-0606.