一、引言

现有研究在考察公司投资决策问题时，一般只考虑公司自身股票价格和基本面因素，然而市场上经常可以观察到一家公司股票价格异动对其他相关公司投资产生影响的现象，表现为股票价格的“涟漪效应”。例如，2012年特斯拉公司(Tesla)推出一款新能源汽车，上市后销量火爆，其股票价格在随后两年上涨了近9倍，受特斯拉股票价格刺激，国内吉利集团、申沃客车等公司相继投入巨资，建设新能源汽车产业基地；2014年Facebook以20亿美元的高估值收购虚拟现实公司Oculus，国内公司暴风集团也随之进行相关投资，引发上市后股价持续涨停，这刺激多家上市公司投入巨额资金，掀起了国内虚拟现实技术投资热潮。

“涟漪效应”(Ripple Effect)最早由Kounin和Gump(1958)在教育学领域提出，他们将纪律中的“涟漪效应”定义为教师针对犯错误学生采取的教育措施对其他观望学生的影响，并发现学生对于教师纠正其他学生的错误有正面反馈。接着，“涟漪效应”这一概念在其他学科领域得到应用和拓展。在管理学领域中，Barsade(2002)研究了群体中情绪传染的“涟漪效应”，发现正向的情绪传染有助于群体合作与降低冲突。在经济学领域中，“涟漪效应”主要用于分析房地产价格(李永友，2014；王策和周博，2016)、CEO奖项(Shi等, 2017)、股票价格噪音(Dessaint等, 2016)等。其中，王策和周博(2016)指出房地产价格的“涟漪效应”是指某个地区的房价变动会带动周围地区相关经济变量变动；Shi等(2017)发现部分CEO获奖后，未获奖的竞争者CEO会进行更密集的并购活动，以提高其社会知名度，并将此现象称为CEO获奖的“涟漪效应”。综观现有文献，“涟漪效应”的定义因研究问题而异，总体来看，某因素的“涟漪效应”是指主体本身的因素对其他相关主体行为的影响。

关于股票价格影响公司投资决策的研究有很多(Bond等，2012；Edmans等，2012；Warusawitharana和Whited，2015；刘端和陈收，2006；李君平和徐龙炳，2015)，但大多数是基于公司投资决策相互独立的假设，仅考虑公司自身因素对投资的影响。Foucault和Fresard(2014)拓宽了这一假设，研究了美国资本市场上同行公司股票价格对公司投资的影响；Dessaint等(2016)研究了美国资本市场上股票价格噪音的“涟漪效应”，分析本公司股价噪音对其他公司投资决策的影响。但他们缺乏对其影响机制的研究，并忽视了实证方法中的内生性问题。国内尚无学者研究股票价格波动产生的“涟漪效应”，即公司间股票价格与投资决策的交叉影响。事实上，每个上市公司与同行业公司不仅存在竞争关系，也共同受到某些外部因素的影响。而同行公司股票价格中既包含反映同行公司竞争程度的信息，也包含影响整个行业的相关因素的信息(如消费者需求的稳定性、行业发展的健康程度等)。管理层通过学习同行公司股票价格中的有用信息，可以提高本公司的投资效率。本文系统地研究中国资本市场上股票价格波动的“涟漪效应”及其内在机制。

首先，借鉴信号理论，探究股票价格“涟漪效应”的存在性，即公司投资决策是否受同行公司股票价格的影响。研究发现，在控制了公司自身股票价格等因素后，公司投资决策与同行公司股票价格存在显著的正相关关系，即股票价格波动会产生“涟漪效应”。当同行公司股票价格上升时，本公司增加投资。为解决内生性问题，本文选用同行公司股票特质收益率作为同行公司股票价格的工具变量，采用两阶段最小二乘法进行回归，从而拓展了已有研究。此外，当采用不同的公司投资度量指标和行业划分标准时，这一结论均稳健。

其次，借鉴社会学习理论，探究股票价格的“涟漪效应”的作用机制，从信息发出端视角出发，考察信息环境对“涟漪效应”的影响。研究发现，同行公司股票价格的信息含量较高、信息有效性较强，并有更多分析师覆盖时，股价波动产生的“涟漪效应”更为明显，公司投资决策更易受到同行公司股票价格的影响。

最后，从信息接收端视角出发，考察具有什么特性的公司容易受到“涟漪效应”的影响。研究发现，当公司所属行业的资本密集程度较高、所属地区的市场化程度较低以及公司规模较大时，其投资决策受同行公司股票价格的正向影响较为明显。这说明公司管理层通过学习同行公司股票价格中的有用信息来帮助其做出投资决策。

本文对已有研究的贡献在于：第一，首次对我国资本市场中股票价格波动产生的“涟漪效应”进行研究，论证了股票价格异动会影响其他相关公司的投资决策，并从信息发出端和信息接收端两个角度出发，探究其背后的作用机制。第二，拓展了关于公司投资决策影响因素的研究，包括在我国制度背景下探究公司投资决策中影响“涟漪效应”发挥的因素，并采用工具变量方法较好地解决了内生性问题，从而提高了实证结论的可靠性，弥补了现有文献(Foucault和Fresard，2014；石桂峰，2015)的不足。

二、文献回顾与研究假说

已有研究发现，股票价格会影响公司投资决策(Bond等，2012；Edmans等，2012；钟娟等，2013；Warusawitharana和Whited，2015)，并证实了资本市场对实体经济真实效应的存在，其内在机制在于，由于知情交易者(Informed Traders)的存在，股票价格中包含诸多有用的私有信息，有助于管理层优化其投资决策(Subrahmanyam和Titman，1999)。类似地，Chen等(2007)使用托宾Q作为股票价格中包含私人信息的代理变量，发现公司投资决策与托宾Q显著相关。国内学者发现中国上市公司投资决策会受到本公司股票价格(刘端和陈收，2006)、股票价格信息含量(于丽峰等，2014)、股价中非理性因素信息(黄伟彬，2008)以及股票市场错误定价(李君平和徐龙炳，2015)的影响。

然而，以上研究均基于公司投资决策相互独立的假设，仅考虑公司自身的基本面因素、股票价格等对公司投资的影响。近年来，有国外研究指出公司投资会受到同行公司财务报告质量(Beatty等，2013)、公司价值(Foucault和Fresard，2014)的影响。公司投资决策也会通过行业进入、供应链、社会关系等相互影响(Raff和Verwijmeren, 2013; Williams和Xiao，2014；Fracassi，2016)。国内研究(石桂峰，2015)则发现公司投资存在同群效应，即公司当年新增投资会随同地区不同行业公司平均新增投资的增加而增加，但他忽略了同群效应识别中的“反射问题”(Manski，1993)。很少有学者研究股票价格波动可能引发的“涟漪效应”。

特别地，国内尚无学者研究股票价格如何影响其他公司的投资决策，即公司间股票价格与投资决策的交叉影响。在我国资本市场上，公司股票价格波动可能产生“涟漪效应”，进而影响其他公司的投资决策。事实上，每个上市公司不但与同行公司存在竞争关系，也共同受到某些外部因素(如行业政策、行业需求量等)的影响。同行公司股票价格中既包含同行公司竞争程度的相关信息，也包含影响整个行业的相关因素的信息。管理层通过学习同行公司股票价格中所包含的有用信息，能够更有针对性地制订公司投资计划。如前所述，同行公司股票价格的上升可能代表行业未来较好的发展前景或同行公司竞争实力的提升，这都会引发本公司增加投资规模以维持或提高其市场地位。因此，本文提出如下假说：

假说1：股票价格波动会产生“涟漪效应”，进而影响其他公司的投资决策，即公司投资决策会受到同行公司股票价格的影响。

同行公司股票价格影响本公司投资决策的主要机制在于，同行公司股票价格中包含了本公司股票价格中所没有的信息，公司管理层通过学习这些额外信息，了解行业发展机会和潜在的挑战，进而提高其投资决策水平。本文将从两个方面阐述以上影响机制：一方面，从同行公司这一“信息发出者”视角，分析其股票价格信息特征如何影响公司投资决策对同行股价的敏感性；另一方面，从本公司这一“信息接收者”视角，研究管理层对信息依赖程度的不同，导致其投资决策对同行公司股票价格的敏感程度的变化(见图 1)。

从信息发出者视角来看，本文考虑三个股票价格信息特征：股票价格信息含量、有效性与分析师覆盖数量。第一，当同行股票价格中所包含的新信息越多，其对公司管理层投资决策的帮助越大(Foucault和Gehrig，2008)。而股票价格中新信息的主要生产者是股票交易过程中的“知情交易者”(Gelb和Zarowin，2002；Fernandes和Ferreira，2009)。同行公司股价信息含量度量了同行公司股票知情交易的数量以及股票价格所包含的私人信息的多少。同行公司股价信息含量越高，其包含的信息与本公司股票价格中信息的重叠性越小，公司投资决策对同行公司股票价格的敏感性应越强。

第二，本文使用公司的同质性(Homogeneity)来度量股价信息的有效性。公司的同质性反映公司共同受到行业外部经济因素影响的程度，同质性越高，行业内公司越容易面临共同外部经济冲击。因此，行业内同质性越高的公司，其股票价格所包含的信息对其他公司管理层越有参考价值，因为其股票价格中包含较多能够影响其他公司的共同因素。同理，同行公司同质性越高，本公司投资决策对同行公司股票价格的敏感性应越强。

第三，分析师在股票市场中扮演了信息处理和传递者的角色，促进信息更快速、准确地进入股票价格中。Chen等(2007)研究发现，分析师能够使股票价格中包含更多的公司管理层所知道的信息。^①这表明同行公司分析师覆盖数量越多，其股票价格包含同行管理层所知信息越多，对本公司管理层投资决策也就越有参考价值。因此，本文提出如下假说：

① Chen等(2007)研究发现，分析师覆盖程度越高的公司，管理层投资决策对其股票价格的敏感程度越弱。原因在于，分析师能够使股票价格中包含更多管理层已知的信息，此信息对管理层而言并非新信息，因而对管理层投资决策影响较弱；但本公司管理层已知的信息并不被同行公司管理层所知，对于其他公司管理层而言是新信息，因此当同行公司分析师覆盖程度越高时，其信息对同行公司管理层越有用，同行公司管理层投资决策受其股票价格影响也就越强。

假说2：如果同行公司股票价格包含的信息含量较高、信息有效性较强，并有较多分析师覆盖，那么股价波动产生的“涟漪效应”更为明显。

从信息接收者视角来看，经营环境不同的上市公司，其管理层对外部信息的依赖程度也不同。本文根据公司所属行业的资本密集程度、所属地区的市场化程度和公司规模这三个特征来刻画公司经营环境。第一，在资本密集程度较高的行业，投资(资本支出)决策对公司未来的发展具有举足轻重的作用，公司管理层对外部信息的依赖程度会更强，而且公司投资应对同行公司的股票价格所包含的信息做出更迅速和更强的反应。因此，此行业内的公司投资决策对同行公司股票价格的敏感性将会更高。

第二，由于外部市场化环境有助于提高企业的信息披露程度(马宁和孟卫东，2015；李慧云和刘镝，2016)，在市场化程度较低的地区，市场信息环境较差，公司管理层有动力、有需求从同行业公司的股价中推断信息；相反，在市场化程度较高的地区，信息环境较为透明，管理层可获得足够的信息，在做出投资决策时学习其他公司股价中信息的必要性也会减少。

第三，公司规模较大时，面临的融资约束较低(Qiu和Wan, 2015)，从同行公司股票价格中学习到投资机会时，更容易快速实现投资意愿，表现为公司投资决策会受到同行股价的影响；而规模较小的公司面临较严重的融资约束，很难及时实现投资意愿，从而错失投资机会。因此，本文提出如下假说：

假说3：当所属行业的资本密集程度较高、所属地区的市场化程度较低以及公司规模较大时，公司更易受到“涟漪效应”的影响。

三、研究设计

(一) 样本与数据

本文数据来源于国泰安CSMAR数据库，选取沪深两市A股上市公司作为研究样本, 以2007-2014年作为研究区间，并对原始数据进行了如下筛选：(1)剔除金融类上市公司，包括银行、证券、保险和信托类公司；(2)剔除ST和PT的上市公司；(3)剔除存在缺失的样本；(4)剔除行业内公司少于5家的情况；(5)对极端值采取1%缩尾。采取证监会二级行业分类标准进行划分。^①

① 采取二级行业分类标准，既能够避免分类过少导致经营范围不相关的公司被误划分为同行公司，又能够防止分类过多，导致某行业同行公司样本不足的情况。

(二) 基本回归模型

为了研究同行公司股票价格对公司投资决策的影响，本文使用如下基本回归模型：

$\begin{array}{*{20}{c}} {Investmen{t_{ijt}} = {\beta _1}{Q_{ijt - 1}} + {\beta _2} RelativePeer{Q_{ijt - 1}} + {\gamma _1}Controls_{ijt - 1}^{Firm}}\\ { + {\gamma _2}Controls_{ijt - 1}^{Peer} + \delta {u_j} + \varphi {v_t} + {\varepsilon _{ijt}}} \end{array}$

(1)

其中，i、j和t分别表示公司、行业和年度，Investment_ijt变量为j行业i公司在t年的投资水平，Q_ijt-1为j行业i公司在t-1年的托宾Q值，RelativePeerQ_ijt-1表示j行业i公司在t-1年的同行公司相对托宾Q值，Controls_ijt-1^Firm为j行业i公司在t-1年的控制变量，Controls_ijt-1^Peer为j行业i公司的同行公司在t年的控制变量，u_j为行业固定效应，v_t为年度固定效应。本文研究公司投资决策是否受同行公司股票价格的影响，因此主要关注回归系数β₂。首先采用普通最小二乘法进行回归；接着，为解决因果关系导致的内生性问题，采用两阶段最小二乘法进行回归。

(三) 变量定义

1.公司投资。为保证结论的稳健性，被解释变量Investment_ijt分别采取两种方法度量：不包含研发支出的资本支出比率和包含研发支出的资本支出比率。

2.同行公司股票价格的度量。参照Chen等(2007)关于股票价格对公司投资决策影响的研究方法，本文采用托宾Q作为度量公司股票价格的代理变量。为了尽量减少公司自身托宾Q与同行公司托宾Q的共有信息量，本文采用“同行公司平均相对托宾Q”(RelativePeerQ)作为同行公司股票价格的代理变量。具体计算步骤如下：

首先，计算j行业i公司在t年度的托宾Q。本文参考Baker等(2003)和Chen等(2007)的计算方法，公式如下：

${Q_{ijt}} = \frac{{{\rm{公司总市值 + 负债总额}}}}{{\rm{资产总额}}}$

(2)

其次，计算j行业i公司在t年度的相对托宾Q(RelativeQ_ijt)，公式如下：

$ Relative{Q_{ijt}} = {Q_{ijt}} - \frac{1}{N}\sum\limits_{i = 1}^N {{Q_{ijt - 1}}} $

(3)

其中，N表示公司i所属行业内公司数量。最后，计算同行公司平均相对托宾Q值(RelativePeerQ_ijt)：

$ RelativePeer{Q_{ijt}} = \frac{1}{{N - 1}}\left( {\sum\limits_{i = 1}^N {Relative{Q_{ijt}} - Relative{Q_{ijt}}} } \right)$

(4)

同行公司平均相对托宾Q值表示剔除大部分行业共同因素影响后，同行公司的平均托宾Q值。为检验度量指标的有效性，我们测试公司个体托宾Q(Q)、同行公司平均托宾Q(PeerQ)和同行平均相对托宾Q(RelativePeerQ)的相关关系，发现此指标能够较好地度量同行公司股票价格中所包含的特有信息。^①

① 受篇幅所限，检验结果略去。如有需要，可向作者索取。

3.控制变量。控制变量包括公司自身层面影响投资的变量：(1)公司经营现金流。Fazzari等(1988)发现，公司经营现金流对公司投资决策具有显著影响。(2)资产负债率。辛清泉和林斌(2006)发现，我国上市公司投资决策受到其债务杠杆的显著负向影响。(3)公司规模。本文使用上年度公司资产规模的对数值的倒数作为公司规模的代理变量。本文还控制了同行公司的相应变量，包括同行公司经营现金流、同行公司股票收益率和同行公司规模等。

4.其他分组变量。如果从信息发出者视角探究股票价格变动产生“涟漪效应”的作用机制，同行公司股票价格的信息特征可以从以下三个维度度量：

(1) 同行公司平均股票价格信息含量(PeerInfo)。本文使用股票特质收益率的波动性(Idiosyncratic Return Variation，IRV)度量公司股票价格信息含量。^②

② 此指标的构建逻辑在于：股票价格中新信息的主要生产者是股票交易过程中的知情交易者，而知情交易者对公司的股票交易增加时，会使该股票与整个市场的股票价格走势更加不同步，从而增加该股票的特质收益率的波动性(Morck等, 2000；Durnev等, 2003；Durnev等, 2004)。

首先，使用上年度的日交易数据对下式进行回归，得到拟合优度R²：

${r_{ijt}} - r{f_t} = {\alpha _{ijt}} + \beta _{ijt}^MMK{T_t} + \left( {{{\bar r}_{ - ijt}} - r{f_t}} \right) + {\eta _{ijt}}$

(5)

其中，r_ijt表示j行业的i公司在t日的股票收益率，rf_t表示t日的无风险收益率(一年定期存款利率)，MKT_t表示t日市场收益率，r_-ijt表示i公司的同行公司在t日平均股票收益率。据此得到股票特质收益率的波动性(IRV=1-R²)。

其次，将每个公司的IRV减去行业平均IRV得到相对特质收益率的波动性RelaiveIRV。最后，用同行公司平均RelaiveIRV度量同行公司股票价格信息含量(PeerInfo)。

(2) 同行公司平均股价信息有效性(PeerEaringCorr)。本文使用公司同质性度量公司股价信息的有效性。同行公司股价信息有效性的计算方法如下：首先，在t年度计算公司i前2年的季度利润总额与同行公司(除公司i外)季度平均利润总额的相关系数，作为公司i股价信息有效性的度量指标(EaringCorr)。其次，取公司i的同行公司股价信息有效性的平均值作为同行公司股票股价信息有效性。

(3) 同行公司平均分析师关注数量(PeerAnalystCov)。首先，如果当年分析师对某上市公司发布过预测报告，则认为该分析师关注了该公司。在t年度对上市公司i计算对其关注的分析师数量，然后将t年度同行业其他所有公司分析师关注数量的平均值，作为公司i同行公司分析师关注数量。

四、实证研究结果

(一) 公司股票价格的“涟漪效应”存在性研究——对假说1的检验

本节探究公司投资者决策是否受同行公司股票价格的影响。首先，采用普通最小二乘法回归；然后，为解决可能存在的内生性问题，采用工具变量方法进行实证。

1.基本回归结果。基本回归模型(1)的初步回归结果如表 2所示。列(1)表示最简单回归，仅包含解释变量Q和RelativePeerQ，且加入时间和行业固定效应，变量RelativePeerQ的回归系数为0.079，且在1%的统计水平上显著。列(2)在列(1)的基础上加入了可能影响公司投资决策的公司特征作为控制变量，RelativePeerQ的回归系数为0.083，且在1%的统计水平上显著。列(3)在(2)列的基础上加入了可能影响公司投资决策的同行公司特征作为控制变量，RelativePeerQ的回归系数为0.097，且在1%的统计水平上显著。表 2的回归结果表明，公司投资决策不仅受到自身股票价格的影响，还会受到同行公司股票价格的显著正向影响，从而证实了股价变动具有“涟漪效应”，会影响其他公司投资决策。这也从侧面表明，同行公司股票价格确实包含了自身股票价格所没有的信息。

为了保证上述结果的稳健性，我们使用包含研发支出的资本支出比率(CaptialExRD)作为公司投资的代理变量，对基本回归模型(1)重新进行实证检验，回归结果见列(4)，RelativePeerQ的系数为0.137，且在1%的统计水平上显著。此结论与列(3)的结果一致。综上可知，公司管理者会根据同行公司股票价格调整投资水平，当同行公司股票价格平均水平较高时，公司会增加其投资水平；并且公司个体特征的控制变量与已有研究结论一致。

2.采用工具变量方法的回归结果。回归模型(1)存在潜在的内生性问题，本部分采用工具变量方法进行估计。虽然在构建同行相对托宾Q时已经剔除了股票价格中包含的大部分行业层面的能够影响行业内所有公司的信息，但由于无法完全剔除行业共同影响因素，因此仍可能存在内生性问题。为此，本文借鉴Leary和Roberts(2014)的研究方法，使用股票特质收益率作为工具变量进行估计。

股票特质收益率十分适合作为本文研究的工具变量，原因在于：(1)相关性。由于股票收益率包含公司未来成长机会的信息，因此其与托宾Q具有相关性。(2)外生性。从股票收益率中分解出来的股票特质收益率仅含有股票的个体信息，同行公司的股票特质收益率将不包含能够影响整个市场和行业的因素。(3)不易被操纵。公司特质收益率中不直接包含财务信息，公司的股票价格等不易于被公司管理层直接操纵。

本文工具变量的构建方法参考Leary和Roberts(2014)的研究，并在其基础上加入了规模、账面市值比和动量三个因子，以优化工具变量的外生性。工具变量的具体构建步骤如下：

首先，使用如下回归模型构建工具变量：

$\begin{array}{*{20}{c}} {{r_{ijt}} - r{f_t} = {\alpha _{ijt}} + \beta _{ijt}^MMK{T_t} + \beta _{ijt}^{IND}\left( {{{\bar r}_{ - ijt}} - r{f_t}} \right) + \beta _{ijt}^{SMB}SM{B_t}}\\ { + \beta _{ijt}^{HML}HM{L_t} + \beta _{ijt}^{MOM}MO{M_t} + {\eta _{ijt}}} \end{array}$

(6)

其中，MKT_t、SMB_t、HML_t和MOM_t分别表示Carhart四因素模型中的市场、规模、账面市值比和动量四个因子。

在每年的年初，使用前36个月的数据对式(6)进行回归。在年度内的每个月，使用相同的回归系数，计算每只股票每个月超额收益率的期望值$\left( {{{\hat r}_{ijt}} - r{f_t}} \right)$和股票特质收益率${{\hat \eta }_{ijt}}$。

$\begin{array}{l} {{\hat r}_{ijt}} - r{f_t} = {\alpha _{ijt}} + \hat \beta _{ijt}^MMK{T_t} + \hat \beta _{ijt}^{IND}\left( {{{\bar r}_{ - ijt}} - r{f_t}} \right)\\ \quad \quad \quad \quad + \hat \beta _{ijt}^{SMB}SM{B_t} + \hat \beta _{ijt}^{HML}HM{L_t} + \hat \beta _{ijt}^{MOM}MO{M_t} \end{array}$

(7)

${{\hat \eta }_{ijt}} = \left( {{r_{ijt}} - r{f_t}} \right) - \left( {{{\hat r}_{ijt}} - r{f_t}} \right)$

(8)

计算出${{\hat \eta }_{ijt}}$后，再计算同行平均个股特质收益率，并作为同行平均相对托宾Q的工具变量，使用两阶段最小二乘法估计模型(1)，结果见表 3。首先，由第一阶段回归结果可知，同行平均股票特质收益率与同行平均相对托宾Q显著正相关，这表明工具变量满足了相关性的要求。根据Cragg-Donald Wald F统计量的值，变量通过了弱工具变量检验。第二阶段回归结果表明，两种投资度量方法中，RelativePeerQ系数分别为0.624和1.094，且至少在5%水平上显著，这表明在剔除了行业共同影响因素后，公司投资决策确实受到同行公司股票价格的影响。

表 2和表 3均表明，公司投资决策不但会受到本公司股票价格的影响，还会受到同行公司股票价格的影响，当同行公司股价格上升时，本公司会增加资本支出。这一研究结论不受投资代理变量的影响，同时工具变量的使用较好地解决了内生性问题，说明研究结论稳健。

(二) 考察信息环境对“涟漪效应”的影响——对假说2的检验

本部分探究同行公司股票价格中信息特征的不同，是否会导致本公司投资决策受同行公司股票价格影响的敏感程度产生差异。从三个维度度量同行公司股票价格的信息特征：同行公司股票价格信息含量、同行公司股价信息有效性和同行公司分析师覆盖数量。根据这三种指标，分别在每一年将公司排序，排名靠前的50%作为High组，排名靠后的50%作为Low组。每一组按照基础模型(1)进行回归，然后对比变量RelativePeerQ的回归系数。

回归结果见表 4，具体为：(1)列(1)和列(2)为按照同行公司股票价格信息含量进行分组的回归结果。列(1)中变量RelativePeerQ的回归系数为0.064，但统计上不显著，这表明当同行公司股票价格的信息含量较少时，本公司的投资决策不受同行公司股票价格的影响。列(2)中RelativePeerQ的系数为0.127，且在1%的水平上显著，这说明当同行公司股票价格信息含量较高时，本公司的投资决策会受同行公司股价的显著正向影响。(2)列(3)和列(4)为按照同行公司股价信息有效性进行分组的回归结果。列(3)中RelativePeerQ的系数为0.042，但统计上不显著；而列(4)中RelativePeerQ的系数为0.198，且在1%的水平上显著。这说明当同行公司股票价格信息有效性较强时，本公司的投资决策会受同行公司股票价格的正向影响，即公司管理层在进行投资决策时会考虑同行公司股票价格中所包含的信息的有效性。(3)列(5)和列(6)为按照同行公司分析师覆盖数量进行分组的回归结果。列(5)中RelativePeerQ的系数为-0.062，但统计上不显著，这表明当同行公司分析师覆盖较少时，本公司的投资决策不受同行公司股票价格的影响；而列(6)中RelativePeerQ的系数为0.163，且在1%的水平上显著，这说明当同行公司分析师覆盖较多时，本公司的投资决策会受同行公司股票价格的正向影响，即公司管理层在进行投资决策时会考虑同行公司股票价格中所包含的信息。

综上所述，同行公司股票价格中所包含的信息会显著地影响公司投资决策对同行公司股票价格的敏感性。具体而言，当同行公司股票价格所包含的信息含量较高、信息有效性较强，并有较多分析师覆盖时，公司投资更易受到同行公司股票价格的影响，这表明同行公司股票价格中包含的信息对本管理层的价值较高，公司管理层在进行投资决策时更依赖同行公司股票价格中所包含的信息。

(三) 考察具有什么特性的公司更易受“涟漪效应”的影响——对假说3的检验

本部分从信息接收者即公司自身的视角出发，考察当公司经营环境引起管理层对外部信息依赖程度变化时，公司投资决策对同行公司股票价格的敏感程度有何变化。根据公司所属行业的资本密集程度、所属地区的市场化程度和公司规模来刻画公司经营环境。采用表 3的方法，在每一年度分别按照公司经营环境的三种度量指标将公司样本分为High组和Low组。每一组按照基础模型(1)进行回归，然后对比变量RelativePeerQ的回归系数。

回归结果见表 5，具体为：(1)列(1)和列(2)为按照行业资本密集度进行分组的回归结果。列(1)中RelativePeerQ的回归系数为0.002，但统计上不显著；列(2)中的相应系数为0.007，且在1%的水平上显著。Wald检验结果显示，这两组的系数存在显著差异，说明当所处行业的资本密集度较高时，公司的投资决策会受到同行公司股票价格的显著正向影响。(2)列(3)和列(4)为按照地区市场化指数进行分组的回归结果。列(3)中RelativePeerQ的系数为0.007，且在1%的水平上显著，这说明当公司所处地区市场化水平较低时，本公司的投资决策更易受同行公司股票价格的影响；因为市场化程度较低的地区，其信息环境透明度较低，管理层更需要且更有动力学习同行公司股价中包含的信息。而列(4)中的相应系数为0.002，但统计上不显著，这说明当同行公司所处区域地区市场化水平较高时，本公司的投资决策不易受同行公司股票价格的影响。(3)列(5)和列(6)为按照公司规模进行分组的回归结果。列(5)中RelativePeerQ的系数为-0.000，但统计上不显著；而列(6)中的系数为0.01，且在1%的水平上显著。Wald检验结果(p值为0.001)表明，两组回归系数存在显著差异。这说明对于规模较小的公司，其投资决策不受同行公司股票价格的影响；而对于规模较大的公司，其投资决策会受同行公司股票价格的显著影响。这是因为，大规模公司的融资约束较小，从同行公司股票价格中学习到投资机会时，可以快速实现相应投资，而规模较小的公司，融资约束比较严重，很难及时实现投资意愿。

(四) 稳健性检验

首先论证本文的研究结果不受行业分类标准的影响，具体而言，分别使用证监会行业分类、申万行业分类和中信行业分类三种标准分别划分同行公司，对基本回归模型分别进行估计，结论保持不变；其次，检验结果在时间序列维度上的稳健性，为了排除外部冲击的影响，采用2009-2013年上市公司样本考察公司投资是否受同行公司股价的影响，结论不变，这说明不受资本市场剧烈波动的影响；最后，针对本文采用的固定效应类别进行稳健性检验，发现不论是控制公司和年度固定效应，还是控制行业、年度、地区固定效应，结论仍成立。^①

① 限于篇幅，本文没有给出实证结果。如有需要，可向作者索取。

五、结论与建议

本文系统地研究了中国资本市场上股票价格波动的“涟漪效应”及其内在机制，得到如下结论：(1)在控制了公司本身股票价格这一影响因素后，同行公司股票价格对公司投资决策有明显的正向影响，即存在“涟漪效应”；进一步地，使用工具变量方法，较好地消除了内生性问题，研究结论仍稳健，并且这一结论不受公司投资的度量方法和同行公司的划分标准的影响。(2)从信息发出者视角出发，探究影响股票价格“涟漪效应”的因素，发现当同行公司的股票价格信息含量较高、信息有效性较强以及分析师跟踪数量较多时，股价波动产生的“涟漪效应”更为明显。(3)从信息接收者视角出发，探究具有什么特性的公司更易受“涟漪效应”的影响，发现公司所属行业的资本密集程度较高、所属地区的市场化程度较低以及公司规模较大时，其投资决策更易受到“涟漪效应”的影响。

本文的理论意义在于，首次对我国资本市场上股票价格波动产生的“涟漪效应”进行研究，拓展了公司投资决策的影响因素研究。本文发现，公司的投资决策会受到其他同行公司股票价格的影响，并进一步研究了“涟漪效应”的影响因素和作用机制。本文的实践意义在于，对公司管理层而言，在制定投资决策时，可参考同行公司的投资行为和股票价格等因素，提高投资效率；同时，应充分考虑其投资行为对同行其他公司的影响，这可能会进一步作用于公司自身。例如，当本公司股票价格上升，管理层决定增加投资时，不但要考虑投资项目本身的价值，还应考虑同行公司投资水平(受本公司股票价格上升影响)增加所导致的投资回报率的下降。对监管者而言，本文结论说明，资本市场上股票价格对公司投资的影响具有连锁反应，监管者可通过制定政策，如强化信息披露、提高公司透明度、提高资本市场定价效率等来提高市场的资源配置效率。

未来的研究可从以下几个方面来拓展：首先，除了资本支出和研发支出外，公司投资还包含公司并购等多种决策，未来研究可关注股价波动产生的“涟漪效应”对公司其他决策(如高送转、分红等)的影响。其次，本文着重阐述同行公司股票价格是否影响公司投资决策及其内在机制，未来研究可关注这种“涟漪效应”的经济后果。最后，股价异动影响同行其他公司的投资水平，会对公司股价有反馈作用，进一步放大股价异动和投资波动，这种“放大”机制也值得进一步研究。