Customer Concentration, Financial Constraints and Stock Price Crash Risk
-
摘要: 以2008—2017年A股制造业上市企业为样本, 考察了客户集中度对股价崩盘风险的影响。研究发现:(1)客户集中度与股价崩盘风险呈U型关系。客户集中度初始上升产生的整合效应能优化供应商商业信用配置, 提高资金回笼能力、缓解融资约束, 从而导致供应商为降低信贷摩擦而隐藏负面信息的动机弱化, 股价崩盘风险下降; 然而, 客户集中度过度上升会产生侵占效应, 大客户凭借其买方市场强势地位强制供应商实施商业信用供给, 这将恶化供应商的流动性水平及融资约束水平, 并导致供应商为降低信贷摩擦而隐藏负面信息的动机上升, 股价崩盘风险攀升。(2)供应商议价能力的提高能够降低侵占效应引发的崩盘风险。这一发现拓展了股价崩盘风险的影响因素研究, 也为解读供应链关系非线性冲击资本市场风险提供了逻辑依据, 且有关议价能力对U型拐点位置的调节作用研究为构建风险预警机制提供了临界值参考。Abstract: By taking Chinese A-share listed companies of manufacturing industry from 2008-2017 as samples, this paper examines the impact of customer concentration on collapse risk in stock price. It is found that there is a U-shaped relationship between customer concentration and stock price crash risk. The initial increase in customer concentration will generate the "integration"effect, which optimizes the supplier's commercial credit allocation, improves its ability to recoup funds, and eases financing constraints, resulting in a decline in incentives for suppliers to hide"negative information"and lower stock price crash risk. However, the excessive increase in customer concentration will generate an "encroachment"effect-powerful customers could use their buyer market power to exploit suppliers' surplus through trade credits, thereby worsening supplier liquidity and strengthening financing constraints, increasing incentives for suppliers to hide negative information which makes them easier to access bank credit and increasing the stock price crash risk. This paper expands the research on determinant factors of the stock price crash risk, and sheds a light on the nonlinear relationship between customer concentration and crash risk. The group comparative analysis of the nonlinear inflection point also provides a way to identify the encroachment effect and construct the risk warning mechanism.
-
一、 引言
股价崩盘作为一种极端状态下的资本市场表现,其驱动因素研究近年来引起了学术界的关注。学者们主要从两个方面解释股价崩盘:一是“非特质性”层面,如宏观政策(张晓宇和徐龙炳,2017)[1]、行业周期(遥远和周爱民,2018)[2]、市场波动率(徐飞和唐建新,2017)[3]、融资融券机制(钟碧兰和申韬,2016)[4]、投资者情绪(赵汝为等,2019)[5]、分析师认知偏差(许年行等,2013)[6]、机构投资者持股(吴晓晖等,2019)[7]等;二是公司“特质性”层面①,如财务报告透明度(Hutton等, 2009)[8]、社会责任信息披露(权小锋等,2015)[9]、会计稳健性(Kim和Zhang,2016)[10]、过度投资(江轩宇和许年行,2015)[11]、内部资本市场(郑姗姗,2019)[12]、高管特征(李小荣和刘行,2012)[13]、高管减持(孙淑伟等,2017)[14]、股权质押(谢德仁等,2016)[15]、股权激励(何孝星和叶展,2017)[16]等。
① 特质性层面的分析通常认为,由于资本市场存在信息不对称,所以,当管理者存在某种道德风险或大股东存在寻求私利行为时,公司的负面消息将会在更大程度上被隐藏。如果公司成功隐藏负面信息,那么,伴随负面消息的不断累积,在超过一个临界点后,必将因“隐藏成本”过高而全部释放到市场,进而导致股价崩盘风险。
与上述研究不同,本文尝试从客户集中度视角考察股价崩盘风险的演变特征。拓展这一领域研究的主要动因在于:客户是与供应商经营过程有着密切联系的利益相关者,客户关系很可能通过冲击生产经营过程来加剧或缓解股价崩盘风险。褚剑和方军雄(2016)[17]以2008—2014年为观察期,研究发现客户集中度越高、崩盘风险越低,说明集中度上升导致的供应链整合效应会强化客户对供应商的治理能力,进而抑制负面信息隐藏、弱化崩盘风险。然而,近年来随着宏观去杠杆以及中美贸易战等经济不确定性因素的增加,中国经济增速加速下行、实体经济流动性紧缺局面进一步呈现。在此背景下,集中度上升是否会导致整合效应向侵占效应演变?如果强势客户存在借助自身地位优势而过多占用供应商商业信用的情况(侵占效应),那么,这是否会加剧供应商对流动性的担忧、进而导致其为了稳定银行信贷而隐藏负面信息的意愿?换言之,亟需结合当前新的经济形势重新识别供应链关系的演变以及由此衍生的崩盘风险。
本文的研究发现及潜在贡献包括:(1)经济下行期(2011—2017年),客户集中度与供应商股价崩盘风险之间呈现U型关系,集中度初始上升会产生供应链整合效应、弱化崩盘风险;但过度上升则会产生强势客户对供应商的侵占效应,加剧供应商资金压力,从而提高供应商崩盘风险。这一发现从非线性影响视角拓展了现有的研究结论,从“时期异质性”角度提升了客户集中度与崩盘风险之间关系研究的效度。(2)以侵占效应导致供应商融资约束水平恶化为媒介,对“集中度过度上升→强势客户侵占供应商流动性→供应商融资约束水平上升→因担忧银行收缩信贷而隐藏负面信息的意愿上升→崩盘风险上升”这一传导机制进行了逻辑论述与实证检验。这种以供应商对融资约束的担忧为逻辑来解释U型关系形成机理的思想,是本文区别于其他文献的关键。(3)证明了议价能力在对冲供应链侵占方面具有积极意义。议价能力越强、越有助于推迟侵占效应的出现,从而弱化供应商崩盘风险。这与现有研究以“治理效应”为传导机制,认为崩盘风险的高低只受供应链整合水平的调节而不受议价能力调节的结论不同,重新强调了议价能力对资本市场风险的调节作用。这对于理解当前时期的供应链风险特征以及由此衍生的资本市场风险具有重要意义。有关议价能力对U型拐点位置的调节作用研究,也为风险预警提供了临界值参考。
二、 文献综述、逻辑分析与研究假设
(一) 文献综述
1. 股价崩盘风险的影响因素分析
就“特质性”成因而言,股价崩盘风险主要源于以下原因:
一是信息不对称引发的代理问题。现有研究从代理成本视角分析了股价崩盘的成因,认为当管理层或大股东有寻求私利的动机时,会更加倾向于隐藏负面消息,而这将提升股价崩盘的风险。例如,大股东套现以及掏空之前,或是高管晋升之前,通常会产生隐瞒企业坏消息的动机,随着坏消息的积累,最终会产生集中释放效应,从而造成股价崩盘。例如,王化成等(2015)[18]探讨了大股东对股价崩盘的影响,发现随着第一大股东所占比例的提高,股价崩盘风险会显著下降;姜永宏(2018)[19]认为大股东减持会显著提高股价暴跌风险;谢德仁等(2016)[15]认为在控股股东进行股权质押后,其利益相关方会主动采取措施防范股权质押爆仓风险,而这一行为显著降低了股价崩盘风险;此外,孙淑伟等(2017)[14]研究发现,高管减持股票的金额越大、动机越强,股价崩盘风险越高;曾爱民和魏志华(2017)[20]探讨了宗教如何通过管理自律抑制股价崩盘风险。
二是信息不对称导致的定价偏误问题。当上市公司与企业之间的信息不对称程度较高时,企业投资决策很可能被投资者错误解读,并由此导致非理性投资行为,甚至不排除高管存在“迎合”动机,即故意通过过度投资、并购等行为向市场传递更多的不确定性,从而推高价格泡沫,但泡沫最终会破灭,股价崩盘也由此产生。许行年等(2012)[21]从分析师预测的角度对股价崩盘进行研究,发现分析师的乐观偏差与股价崩盘之间存在显著的正相关关系;孙健等(2016)[22]、何孝星和叶展(2017)[16]均认为公司通过股权激励等战略可以有效降低股价崩盘风险;蒋红芸和王雄元(2018)[23]发现在信息透明度低的企业环境中,随着内部信息披露水平的提高,股价崩盘风险会显著下降;基于企业社会责任披露视角,权小锋等(2015)[9]指出企业社会责任与股价崩盘风险之间显著正相关。
2. 客户集中度与企业财务行为决策的关系分析
现有研究广泛探讨了客户集中度对企业财务行为决策与财务风险的影响,可归纳为三个方面:
一是客户集中度与企业绩效及经营风险的关系。李欢等(2018)[24]采用杜邦分析法研究大客户与公司业绩之间的关系,指出客户集中度越高的企业,毛利率和应收账款周转率越低,故业绩(ROA)也越低;许江波和卿小权(2019)[25]认为,下游僵尸客户会将经营风险通过供应链传递给供应商,且供应商资产专用性投资越多,其受僵尸客户风险溢出影响的程度越高。
二是客户集中度与企业成本特征的关系。江伟等(2017a)[26]研究发现客户集中度上升对企业成本粘性存在U型影响;陈良华等(2019)[27]发现供应商集中度对供应链企业的成本粘性存在倒U型影响,供应链地理距离越远,企业成本粘性越大。
三是客户集中度与供应商融资能力的关系。从股权融资看,陈峻等(2015)[28]研究发现,在环境不确定性时,大客户的存在有利于降低企业的权益融资成本。从债券市场(公司债)看,王雄元和高开娟(2017)[29]认为,客户集中度的上升提供了供应商发行债券的信用利差。从信贷市场看,李欢等(2018)[24]发现对民营企业而言,客户集中度越高,其信贷获取能力越强;江伟等(2017b)[30]则认为客户集中度的上升会对供应商长期贷款存在倒U型影响。
综上,集中度上升既有收益效应也有风险效应。这与本文认为客户集中度的适度上升会产生“整合”,但过度上升则会导致“侵占”的预期具有逻辑一致性。
(二) 逻辑分析与研究假设
就客户集中度与崩盘风险的关系而言,本文认为二者之间呈现U型冲击特征,逻辑在于:一方面,客户集中度水平的适度提升会产生供应链整合效应(褚剑和方军雄,2016)[17]①,甚至会增加客户体恤供应商的概率(吴娜和于博,2017)[31]、优化供应商流动性(如缩短“账期”或降低应付账款),而流动性水平(净值)的提高又将缓解供应商融资约束、降低供应商因担心融资摩擦而隐藏负面信息的概率,进而降低股价崩盘风险;另一方面,客户集中度的过度提升会引发买方市场效应,当强势买方面临宏观需求冲击和货币紧缩时,将会利用自身市场势力优势来“侵占”供应商流动性(如延长“账期”或恶意拖欠应付账款),而流动性(净值)短缺会加剧供应商融资约束,从而增加供应商因担心融资摩擦而隐藏负面信息的概率,进而提升股价崩盘风险。上述U型拐点的形成涉及三个传导步骤:(1)商业信用传导,客户集中度的上升会导致供应商商业信用供给首先出现“从下降(整合效应)到上升(侵占效应)的U型演变特征”;(2)融资约束传导,商业信用供给的U型演变意味着供应商流动性(净值)会伴随客户集中度的上升由强转弱,这将传导到供应商“融资约束”,使融资约束也出现“从下降到上升的U型演变特征”;(3)崩盘风险传导,融资约束的U型转变会使得企业因担心融资摩擦而进行负面信息隐藏的动机由弱转强,从而导致股价崩盘风险呈现出“先下降后上升的U型演变特征”。
① 褚剑和方军雄(2016)[17]的研究结论包括:(1)客户集中度“线性”(负向)冲击崩盘风险;(2)客户集中度上升会引发来自客户的治理监督效应,强化供应商信息披露、弱化负面信息隐藏从而降低崩盘风险,即“治理效应”是二者存在线性影响关系的“传导路径”;(3)治理效应的高低受供应链整合水平的驱动而非议价能力的驱动,故议价能力对线性负相关不具有显著调节作用。本文认为,由于该文研究周期较早,当时中国经济增速虽出现放缓特征,但整体宏观环境和货币环境依然较为乐观。因此,供应链关系以“整合”为主符合当时的时期特征,由于并未出现客户过度集中导致的客户侵占供应商利益问题,故线性关系得以成立是正常的。同时,由于侵占效应不明显而整合效应突出,故,由“整合”引发“治理效应”,进而导致崩盘风险下降的结论也与当时的现实相符。最后,由于侵占效应不明显,所以供应商议价能力对侵占效应难以产生调节作用。上述三方面结论均与本文存在差异,但这种差异主要由研究时期不同而导致,这也暗示着应随周期变化动态跟踪和评估供应链风险。
1. 商业信用传导
本文预期客户集中度与商业信用供给之间存在U型传导关系。原因在于:客户集中度的初始上升会提高供应链上下游企业的整合水平,从而减少客户因对供应商声誉和产品质量的担忧进行赊销的概率,同时,整合效应还会提高供应商创新能力(李庭燎等,2016)[32]及产品竞争力,进而从多方面优化供应商流动性。但是,客户的过度集中往往意味着供应商的客户转移成本上升,于是大客户会利用其地位优势“侵占”供应商清算价值(Fabbri和Menichini,2010)[33],如要求供应商提供更多的商业信用或提供更长的账期,而这会影响供应商的资金回笼能力、强化供应商融资约束、诱发供应商出现流动性危机,进而严重影响供应商的经营及财务状况。Fabbri和Klapper(2016)[34]研究发现,规模小、声誉低的企业由于承受了更高的买方市场压力,而不得不为客户提供更长的商业信用账期;于博和植率(2017)[35]也发现供应商向客户提供商业信用既非源于经营性动机也非逐利动机,其本质是买方市场侵占而形成的一种被动性供给。
2. 融资约束传导
尽管现有文献并未直接证明客户集中度对供应商融资约束存在U型冲击,但现有文献既支持负相关关系,也支持正相关关系,因此一定程度上支持了非线性预期。例如,陈峻等(2015)[28]指出,大客户的存在有利于促进供应链的整合, 降低企业风险,改善企业经营状况, 并向市场传递积极信号, 从而降低企业的融资成本。李欢等(2018)[24]发现,大客户(尤其是优质客户)可以通过自身的声誉为企业提供收入保障,其对企业的正向作用大于利益侵占带来的负向作用,客户集中度越高的企业越容易获得规模大、期限长的贷款,这将有助于缓解企业的融资约束。王迪等(2016)[36]的研究也证实客户集中度越强,供应商信贷融资能力越强,现金流越充分。但是,Campello和Gao(2016)[37]的研究则认为“侵占”效应会降低供应商流动性,弱化其获得银行信贷的能力,从而导致供应商不得不承担更高的贷款利率、更多的限制条款、更低的贷款期限以及与银行间更低的关系持久性。本文认为,现有文献分歧的背后恰恰表现出二者之间存在潜在的非线性关系①:一方面,当供应链关系适度集中时,可以向市场传递有利的信号(王雄元等,2014)[38],因为大客户的存在意味着销售具有某种程度的稳定性,这对供应商而言如同一种隐性背书,能够增加供应商短期借款和长期借款的可得性(王迪等,2016)[36],进而缓解其融资约束(李欢等,2018)[24]。另一方面,当客户集中度过高时,强势买方由于具有极强的议价能力,其往往会借助自身的市场势力迫使供应商加大商业信用投放(张敏等,2012)[39],即形成“侵占”效应,而侵占导致的流动性水平下降会加剧供应商融资约束。与此同时,债券市场的信用利差、信贷市场避险情绪、客户流失风险都会随客户集中度的上升而上升(王雄元和高开娟,2017;江伟等,2017b;赵秀云和鲍群,2014)[29-30, 40],这些因素的叠加进一步恶化供应商的融资约束水平。此外,客户集中度的上升意味着企业与大客户之间更有可能通过私有信息交流来代替公开信息披露(包晓岚等,2018)[41],这将导致管理层信息披露意愿下降,进而加剧供应商信贷约束。
① 江伟等(2017b)[30]发现,客户集中度与长期银行贷款间存在倒U型关系,随着客户集中度的上升,企业的长期银行贷款先增加后降低,这为本文非线性关系的成立提供了间接支持。
3. 崩盘风险传导
当融资约束随客户集中度上升而发生非线性演变之后,又是如何进一步传导到崩盘风险的呢?
融资约束越高的企业,其获得银行信贷的难度越大,因此,其争取获得银行授信的意愿更强、对银行授信规模的变动也更为敏感。此类企业有更强的动机进行选择性信息披露,在披露负面信息方面也更为谨慎,因为任何负面信息导致的银行避险情绪上升对其信贷可得性的影响很可能导致企业陷入流动性危机,加剧财务风险, 最终使公司陷入财务困境(连玉君和苏治,2008)[42]。即,融资约束越强的企业,为了获得持续稳定的现金流,越会谨慎披露负面信息。如果债权人未能发现公司隐瞒的负面消息并采取相应措施,便会加剧因信息不对称导致的违约风险,股价崩盘风险随之上升。换言之,融资约束越高的企业,迫于更强的融资压力,负面消息隐藏水平会更高,这种负面信息的累积最终会加剧股价崩盘风险。有关融资约束水平与企业信息披露、企业创新、内部控制强度等方面的文献均证明,融资约束越高,信息披露水平越低,内部控制越弱,而这都将推升股价崩盘风险。
综合上述三方面分析,本文认为:客户集中度的上升以及由此导致供应链关系从整合到侵占的转变过程,会沿着融资约束的传导路径最终对崩盘风险构成U型冲击——当供应商融资约束水平因“整合效应”而下降时,供应商因担忧融资摩擦上升而隐藏负面信息的动机降低,于是,负面信息隐藏程度也相应降低,股价崩盘风险下降;当集中度过度上升而产生“侵占”效应时,由于会加剧供应商融资约束,当供应商因负面信息披露导致外部融资摩擦上升时,其流动性风险将进一步恶化,甚至会对供应商构成一定程度的破产威胁。此时,供应商有更强的动机隐藏负面信息,从而提升股价崩盘风险。基于此,本文提出如下假设:
假设1:客户集中度“正U型”冲击供应商股价崩盘风险。
三、 模型设计
(一) 样本选取
本文以中国A股制造业上市企业2008—2017年财务数据为基础考察客户集中度对股价崩盘风险的影响。参考现有研究,并为确保指标估算的可靠性及避免系统性偏差,剔除每年交易周数小于30的样本、特殊处理类(ST、*ST)上市公司、样本期内出现重大资产重组事件而导致主营业务变更的上市公司、当年上市的公司以及财务数据缺失或异常的公司样本。最终得到由1098家企业、9380个“公司-年度”样本构成的非平衡面板数据集。
(二) 模型设定
参考许行年等(2013)[6]、王化成等(2015)[18]的研究,设置检验客户集中度对崩盘风险U型冲击效应的模型如下:
$$ CrashRis{k_t} = \alpha + \beta \_1Top{5_{t - 1}} + {\beta _2}Top{5^2}_{t - 1} + \sum\limits_{p = 3}^{11} {{\beta _p}(\sum ControlVariabl{e_{t - 1}}) + \sum Year + {\varepsilon _{i, t}}} $$ 其中,CrashRiskt为第t期的两个股价崩盘风险指标NCSKEW和DUVOL;Top5t-1及Top5t-12为第t-1期客户集中度及其平方项;∑ControlVariablest-1为第t-1期的一系列控制变量,Year为各年度虚拟变量。若假设1成立,Top5系数应显著为负,Top52的系数应显著为正。
上述模型中,核心变量(股价崩盘风险和客户集中度)的具体测算方式如下:
1. 股价崩盘风险的度量
借鉴已有研究,本文选取NCSKEW和DUVOL来衡量企业股价崩盘风险,具体算法如下:
(1) 负收益偏态系数(NCSKEW)
$$ NCSKE{W_{i, t}} = - [n{\left( {n - 1} \right)^{3/2}}\sum {W^3}_{i, t}\left] / \right[\left( {n - 1} \right)\left( {n - 2} \right){(\sum {W^2}_{i, t})^{3/2}}] $$ 其中,n为每年股票i的交易周数。NCSKEW的数值越大,表示股票收益率偏态系数负向偏移程度越高,崩盘风险越大。Wi, t为股票i在第t周的特有收益。
(2) 收益波动比率(DUVOL)
$$ DUVO{L_{i, t}} = log\{ [({n_u} - 1)\sum\limits_{DOWN} {{W^2}_{i, t}} \left] / \right[({n_d} - 1)\sum\limits_{UP} {{W^2}_{i, t}} ]\} $$ 其中,Wi, t为股票i在第t周的特有收益,nit(nd)为股票i的周特有收益Wi, t大于(小于)当年平均收益的周数。DUVOL越大,表示收益率分布左偏的概率越大,股价崩盘风险越高。
上述定义中,无论是NCSKEW还是DUVOL的计算均涉及Wi, t。Wi, t的计算过程如下:
首先,用每年股票i的周收益率进行下列回归:
$$ {R_{i, t}} = {\alpha _i} + {\beta _1}{R_{m, t - 2}} + {\beta _2}{R_{m, t - 1}} + {\beta _3}{R_{m, t}} + {\beta _4}{R_{m, t + 1}} + {\beta _5}{R_{m, t + 2}} + {\varepsilon _{i, t}} $$ 其中,Ri, t为股票i第t周的收益率,Rm, t为市场在第t周净流通市值加权的平均收益率。
其次,计算模拟拟合后得到的残差εi, t。εi, t表示个股收益率中不能被市场收益率波动所解释的部分。
最后,利用εi, t计算股票i在第t周的特有收益为Wi, t=ln(1+εi, t)。
2. 客户集中度的度量
参考现有文献,本文手工查阅了1077家上市公司2007—2017年将近1万份年报,最终搜集得到各公司在样本期内前五大客户销售收入的比例数据Top5,以衡量公司的客户集中度。
3. 其他控制变量的设定
参考现有文献,控制如下变量:信息透明度(ABACC)、月平均超额换收益(MTURNOVER)、公司年度周收益率的标准差(SIGMA)、股票年度平均周收益率(RET)、总资产报酬率(ROA)、资产负债率(LEV)、公司规模(SIZE)、市账比(MB);以及机构投资者高持股哑变量(INSHOLD)。此外,还控制了年份与行业固定效应。上述变量的具体定义及计量口径参见表 1。
表 1 符号及变量定义变量 符号 变量名称与度量方法 因变量 NCSKEW 负收益偏态系数,表示崩盘风险大小,具体公式参见上文 DUVOL 收益上下波动比率,表示崩盘风险大小,具体公式参见上文 TCAR 商业信用供给水平,以“应收账款/营业收入”度量 FC 融资约束水平,通过LEV、ICR、SA等多种方式度量,具体口径参见正文介绍 解释变量 TOP5 客户集中度,前五大客户销售收入的比例之和。TOP5越大,客户集中度越高 TOP52 客户集中度TOP5的平方项 控制变量 ABACC 公司信息透明度,以可操纵应计利润的绝对值来衡量,参考Jones模型残差的绝对值 MTURNOVER 月平均超额换手率,为第t年股票i的月平均换手率与第t-1年股票i的月平均换手率之差 SIGMA 收益波动,股票i在第t年周收益率的标准差 RET 平均周收益率,股票i在第t年中的平均周收益率 ROA 总资产报酬率,股票i在第t年的净利润/总资产 LEV 资产负债率,股票i在第t年的总资产/总负债 SIZE 公司规模,股票i在第t年的总资产的自然对数 MB 市账比MB=(年末股票价格*流通股股数+每股净资产*非流通股股数)/账面权益价值 INSHOLD 机构投资者高持股哑变量,当机构投资者持股比例大于中位数时取值为1,否则取0 四、 实证结果与分析
(一) 描述性统计
表 2表明,NCSKEW的均值和标准差分别为-0.633和1.008,DUVOL的平均值和标准差分别为-2.90和0.643;Top5的均值和标准差分别为0.292和0.197,说明上市公司的销售额中平均有29.2%来自前五大客户,但集中度在不同企业间差异较大,上述统计特征与现有文献基本一致。此外,ROA、LEV及INSHOLD的各项统计特征也与现有文献的观察水平相吻合。
表 2 描述性统计变量名 样本数 平均值 P25 中值 P75 最大值 最小值 标准差 NCSKEW 9 380 -0.633 -1.272 -0.791 -0.172 3.549 -4.289 1.008 DUVOL 9 380 -0.290 -0.711 -0.302 0.124 2.190 -3.125 0.643 Top5 9 380 0.292 0.147 0.238 0.388 1 0.003 10 0.197 Top52 9 380 0.124 0.021 0.057 0.151 1 9.61e-06 0.170 MB 9 380 4.422 1.668 2.481 3.875 2, 012 -406.5 32.64 RET 9 380 0.155 -0.488 0.030 0.712 5.692 -3.800 0.944 ABACC 9 380 0.067 2 0.021 0.045 0.086 1.973 2.51e-06 0.086 6 INSHOLD 9 380 0.544 0 1 1 1 0 0.498 SIZE 9 380 21.99 21.159 21.854 22.674 27.31 17.05 1.207 ROA 9 380 0.058 0.027 0.052 0.088 1.044 -1.121 0.078 MTRUNOVER 9 380 -0.078 7 -0.244 -0.046 0.110 1.921 -3.284 0.357 SIGMA 9 380 0.067 1 0.048 0.060 0.081 0.223 0.018 8 0.026 8 LEV 9 380 0.454 0.283 0.445 0.601 13.40 0.007 10 0.328 (二) 实证检验
表 3报告了客户集中度与股价崩盘风险的回归结果,其中:列(1)使用NCSKEWt作为股价崩盘风险指标,Top5t-1及Top5t-12的系数均在1%的水平上显著为负,表明客户集中度与股价崩盘风险的关系并非线性关系,而是正U型关系。列(2)使用DUVOLt得到同样的结果。这意味着影响效应存在拐点,即客户集中度在拐点以前,集中度水平每增加10%,公司的股价收益负偏态水平降低0.665个单位,股价收益上下波动的差异性降低0.648个单位。而临界点后,前五大客户销售收入占比每增加10%,股价收益负偏态程度和上下波动差异性都会相应增加。上述实证结果表明本文假设预期成立。
表 3 客户集中度对供应商股价崩盘风险的正U型冲击变量 双重聚类 Driscoll-Kraay 固定效应 随机效应 (1) (2) (3) (4) (5) (6) (7) (8) NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt Top5t-1 -0.482*** -0.223*** -0.482** -0.223*** -0.762** -0.339 -0.482** -0.223* (-4.94) (-2.83) (-2.92) (-3.91) (-1.83) (-1.36) (-2.34) (-1.74) Top5t-12 0.641*** 0.289*** 0.641** 0.289** 0.889** 0.506 0.641*** 0.289* (6.44) (3.51) (3.02) (3.21) (1.94) (1.84) (2.69) (1.95) MBt-1 -0.000 -0.000** -0.000 -0.000** -0.000 -0.000*** -0.000 -0.000 (-1.11) (-2.49) (-0.78) (-2.70) (-1.65) (-1.65) (-1.00) (-1.24) Rett-1 0.049 0.051 0.049 0.051 0.063 0.063 0.049*** 0.051*** (0.64) (0.54) (0.93) (0.67) (4.27) (7.06) (3.60) (5.91) ABACCt-1 0.201 -0.175 0.201 -0.175 0.109 -0.145 0.201 -0.175** (0.48) (-1.23) (0.78) (-1.34) (0.67) (-1.47) (1.41) (-1.99) ROAt-1 0.045 -0.203 0.045 -0.203 -0.047 -0.438** 0.045 -0.203* (0.12) (-0.87) (0.25) (-1.79) (-0.18) (-2.87) (0.26) (-1.90) MTurnovert-1 0.054 0.241*** 0.054 0.241** 0.057 0.232** 0.054 0.241*** (0.14) (2.84) (0.21) (3.31) (1.54) (10.33) (1.56) (11.17) Levt-1 -0.005 -0.127* -0.005 -0.127** 0.021 0.020 -0.005 -0.127*** (-0.04) (-1.86) (-0.03) (-2.61) (0.18) (0.28) (-0.10) (-4.44) Sizet-1 -0.079 -0.001 -0.079 -0.001 -0.183 0.069 -0.079*** -0.001 (-1.46) (-0.02) (-1.13) (-0.03) (-6.40) (4.00) (-7.21) (-0.16) InsHoldt-1 0.075*** 0.010 0.075** 0.010 0.121 0.047** 0.075*** 0.010 (2.83) (0.56) (3.22) (0.41) (3.24) (2.08) (3.03) (0.65) Cons 1.135 -0.140 1.135 -0.140 3.436 -1.739 1.135*** -0.140 (0.97) (-0.12) (0.80) (-0.18) (5.44) (-4.58) (4.68) (-0.93) Adj-R2 0.012 0.034 0.012 0.034 0.013 0.044 0.011 0.039 N 7 891 7 891 7 891 7 891 7 891 7 891 7 891 7 891 注:括号内的数值是经稳健标准误调整后的T值;***、**、*分别表示在1%、5%、10%水平上显著(以下各表同); 为保证回归稳健性,同时报告了固定效应、随机效应、Driscoll-Kraay(xtscc)多重稳健标准误及双重聚类(Cluster2)稳健标准误下的估计结果, 其中,D-K标准误与双重聚类稳健标准误结果均表明存在显著的U型关系。 (三) 传导机制检验
以下内容检验客户集中度对商业信用的影响(商业信用传导)、对融资约束的影响(融资约束传导)以及融资约束对崩盘风险的影响(崩盘风险传导),即对传导路径展开实证检验。
有关客户集中度影响商业信用及融资约束的实证检验模型如下所示:
$$ TCAR{\rm{ }}|{\rm{ }}FC{\rm{ }} = {\beta _0} + {\beta _1}TOP5 + {\beta _2}TOP{5^2} + {\beta _3}OCF + {\beta _4}INV + {\beta _5}AP + {\beta _6}SG + {\beta _7}LEV + {\beta _8}ROS + {u_i} + {v_t} + {\varepsilon _{it}} $$ 式中,因变量TCAR代表企业商业信用供给水平,通过“应收账款/营业收入”进行计量。因变量FC为企业融资约束水平的代理变量,分别通过LEV、ICR、SA等多种方式来测算。其中,LEV为企业杠杆率,即LEV=总负债/总资产,LEV越高,融资约束越高;ICR为利息覆盖率的倒数,即ICR=利息支出/营业收入,ICR越高,融资约束越高;SA为SA指数,即SA=0.737*SIZE+0.043*SIZE2-0.04*AGE,SA越低,企业融资约束越高。
模型控制变量包括:销售利润率(ROS)=净利润/营业收入;销售增长率(SG)=营业收入的年度增长率;应付账款(AP)=应付账款/主营业务成本;存货(INV)=存货/营业收入;经营性现金流(OCF)=经营性现金流净额/营业收入;杠杆率(LEV)=总负债/总资产。
1. 商业信用传导:客户集中度对商业信用供给的U型影响分析
从表 4可以看出:(1)客户集中度对供应商商业信用供给(TCAR)具有先减少占用、后增加占用的正U型影响效应,说明商业信用传导路径成立;(2)考虑到模型潜在的内生性问题,列(2)进一步结合动态面板系统GMM估计重新考察了这一非线性关系是否依然成立。由于列(2)将静态商业信用最优供给模型内生于动态模型,因此,可以在利用系统GMM优化内生性的基础上借助调整速度估计过程得到静态最优方程,这将为识别非线性关系提供内生性优化机制。结果表明,优化内生处理后,集中度对商业信用的U型传导路径依然成立。
表 4 客户集中度对供应商商业信用供给的正U型冲击因变量:商业信用供给 静态分析(固定效应) 动态分析(系统GMM) TCAR-1 0.672 6***(8.11) Top5 -0.054 9**(-2.68) -0.147 7**(-2.21) Top52 0.067 9**(2.82) 0.144 6**(2.04) OCF -0.079 5***(-3.78) -0.204 9***(-4.02) INV 0.029 8(1.99) -0.075 9(-0.50) AP 0.306 3***(21.77) 0.556 4***(2.86) SG -0.016 3***(-5.74) -0.186 3***(-3.84) LEV -0.080 6***(-10.34) -0.782 8***(-4.43) ROS -0.035 0**(-2.96) -0.127 7(-0.67) Cons 0.217 5***(46.64) 0.385 4***(4.15) Firm-Level Fixed Effect 控制 控制 Within R2/Waldχ2(9) 0.164 2 1 130.97*** N 6 398 6 398 注:由于动态面板回归涉及多个滞后期,为保证N一致,表 4样本期间为2012—2017年;列(1)为固定效应回归结果,括号内是经“异方差-序列相关-截面相关”稳健标准误调整后的T值;列(2)为使用系统GMM(two-step)法得到的估计结果,GMM-type工具变量为TCAR-1的滞后1期与滞后2期,Hansen J检验在5%的置信度下拒绝过度识别。 值得注意的是,表 4证明了客户集中度的过度上升会导致供应链关系从整合转变为侵占。以静态回归为例,当集中度超过39.2%(涉及将近25%的样本)之后,侵占效应出现。褚剑和方军雄(2016)[17]以2008—2014年为考察期进行分析时并未发现存在侵占效应,但是当我们以2012—2017年为考察期时,发现侵占效应转为显著成立,这相当于对当前供应链风险结构以及由此衍生的资本市场风险结构进行了重新识别,因此,对于风险预警(参考拐点数值)和风险防范具有重要的参考意义。
2. 融资约束传导:客户集中度对供应商融资约束的U型影响分析
下面首先从数据特征层面对客户集中度与融资约束之间的U型预期进行方差检验。若存在U型关系,则意味着客户集中度最高和最低的样本,其融资约束程度及信息透明度应明显大于客户集中度处于中等区间的样本。
表 5表明:(1)客户集中度对融资约束(ICR/LEV)具有U型影响。集中度较高或较低(位于两端)的样本,融资约束水平显著大于集中度相对适中(位于中间)的样本;(2)客户集中度对信息透明度具有U型影响。集中度处于两端的样本,由于融资约束更高,所以,为避免外部融资摩擦而减少负面信息披露的动机更强(ABACC更高),于是此类样本的崩盘风险也更高。
表 5 客户集中度对供应商融资约束的正U型冲击:方差检验融资约束水平 ICR
(1)ICR
(2)LEV
(1)LEV
(2)ABACC
(1)ABACC
(2)客户集中度位于两端的样本 0.033 0 0.036 1 0.475 5 0.490 8 0.076 1 0.074 9 客户集中度位于中间的样本 0.022 4 0.022 4 0.446 5 0.444 9 0.065 0 0.064 6 DIFF(P-value) 0.010 6*** 0.013 6*** 0.029 0*** 0.045 9*** 0.011 0*** 0.010 3*** (0.000) (0.000) (0.001) (0.000) (0.000) (0.000) 注:(1)变量定义与口径:ICR为利息覆盖率的倒数,ICR越高、融资约束越高;LEV为企业杠杆率,LEV越高、融资约束越高;ABACC为可操纵应计利润(通过估计得到的修正琼斯模型的残差值),代表信息透明度。ABACC值越大,信息透明度越低。(2)分组标准:所有(1)列以上、下10%为分组边界,大于P90和小于P10的样本为两端样本,剩余80%为中间样本;所有(2)列以均值上、下浮动1个标准差为分组边界,大于上浮标准差和小于下浮标准差的为两端样本,其余为中间样本。 表 6表明:客户集中度对供应商融资约束(ICR/SA)确实存在“先缓解、后增加”的U型影响特征,这意味着客户集中度的过度上升会借助商业信用“侵占效应”来强化供应商融资约束。于是,以融资约束为路径,而非以治理水平为路径(褚剑和方军雄,2016)[17]来分析客户集中度对崩盘风险的影响,对于解读当前条件下,供应链关系如何冲击资本市场风险具有补充意义。
表 6 客户集中度对供应商融资约束的正U型冲击检验因变量:融资约束水平 ICR
(固定效应)ICR
(随机效应)SA
(固定效应)SA
(随机效应)Top5 -0.054 4* -0.144 5*** 0.073 4*** 0.072 1*** (-1.69) (-6.00) (4.88) (4.83) Top52 0.148 2*** 0.237 7*** -0.042 1*** -0.041 3*** (4.31) (8.91) (-2.61) (-2.58) OCF 0.025 3*** 0.010 4*** -0.000 7 -0.000 7 (9.51) (4.08) (-0.53) (-0.58) INV 0.039 9*** 0.031 9*** -0.002 3 -0.002 3 (4.67) (5.21) (-0.57) (-0.58) AP 0.144 0*** 0.121 1*** -0.002 3 0.000 2 (12.26) (13.38) (-0.42) (0.04) ROS 0.029 0*** 0.020 0*** -0.003 6*** -0.003 7*** (12.38) (8.71) (-3.29) (-3.39) SG -0.023 2*** -0.022 3*** -0.016 6*** -0.016 3*** (-7.28) (-7.15) (-11.12) (-10.87) LEV 0.133 5*** 0.103 1*** -0.027 6*** -0.031 2*** (12.21) (13.98) (-5.40) (-6.18) Cons -0.075 1*** -0.039 3*** -3.929 9*** -3.928 9*** (-9.75) (-6.56) (-109.02) (-8.74) Firm-Level Fixed Effect 控制 控制 控制 控制 Year-Level Fixed Effect 控制 控制 控制 控制 Within R2 0.090 0 0.084 9 0.056 1 0.056 0 N 8 561 8 561 8 561 8 561 注:为剔除金融危机及2008—2009年间中央“4万亿”经济刺激的影响,以2010—2017年为样本期间。 3. 融资约束对崩盘风险的传导
客户集中度对融资约束的U型冲击能以U型方式传递到崩盘风险的条件,是融资约束对崩盘风险应具有线性的正向传导关系。本文进一步考察了这一正向传导预期是否成立,即以融资约束作为自变量,以股价崩盘风险作为因变量,对二者间的关系进行检验,相关检验结果见表 7。
表 7 融资约束对崩盘风险的传导变量 双重聚类 Driscoll-Kraay 固定效应 随机效应 NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt SAt-1 -0.056*** -0.065* -1.267* -1.025** -1.267*** -1.025*** -0.043 -0.065* (-3.11) (-1.70) (-2.14) (-2.91) (-6.09) (-6.01) (-1.02) (-1.88) ∑Controlst-1 控制 控制 控制 控制 控制 控制 控制 控制 ∑Year 控制 控制 控制 控制 控制 控制 控制 控制 Cons 0.831 -0.761 -4.119*** -3.182*** -4.119*** -3.182*** 0.970*** -0.136 (0.61) (-0.62) (-3.73) (-3.54) (-5.00) (-4.72) (4.00) (-0.69) Adj-R2 0.007 0.004 0.586 0.255 0.586 0.255 0.583 0.251 N 7 891 7 891 7 891 7 891 7 891 7 891 7 891 7 891 表 7结果显示,融资约束与股价崩盘风险之间确实呈线性正相关。这表明“客户集中度→商业信用→融资约束”的U型传导关系能够借助“融资约束→崩盘风险”的线性正传导关系传递到崩盘风险,即存在“客户集中度→商业信用供给→融资约束→崩盘风险”的非线性传导路径。
(四) 调节因素分析:议价能力对U型冲击的调节作用
企业议价能力的强弱决定了其在与客户谈判过程中所处的地位。议价能力越强,企业被客户侵占的可能性越低,融资约束上升程度越弱,隐藏负面信息以减少融资摩擦的动机相对更小,崩盘风险也更低。基于此,本文从以下三个维度进行分组以考察议价能力如何调节客户集中度对崩盘风险的影响:(1)所有制分组。若企业为国有企业,则取值为1。(2)创新能力分组(R & D)。若企业研发支出占营业收入比重高于全行业均值,则取值为1,代表企业属于高创新能力组。(3)资产专用性分组(Unique)。参考Chang等(2014)[43]的定义,将“化学原料及化学制品制造业、计算机、通信和电子”定义为资产专用性强的行业(Unique=1);剩余制造业子行业取值为0。
表 8列示了议价能力对非线性冲击的调节作用。从表中可以看出,议价能力弱的分组,其U型拐点更靠近0轴,说明在客户集中度上升时,该组在更低的集中度水平上更易累积崩盘风险。具体而言,民企议价能力比国企低,所以,国有企业客户集中度在超过45.86%后,崩盘风险才会伴随集中度上升出现正向累积,而民营企业的拐点则相对靠前(33.49%)。同理,资产专用性强的供应商议价能力通常更低,企业拐点在33.95%附近,而弱的企业在38.63%,即前者在更低的集中度水平上开始累积崩盘风险。高创新企业由于产品升级换代更快,在市场上的竞争力更强,其议价能力也更强,所以,低创新企业的U型拐点明显更靠近0轴(33.67% < 43.54%),即创新能力低的企业会在更低的集中度水平上累积崩盘风险。上述三个分组的比较结果均证明,议价能力能够调节客户集中度对崩盘风险的影响结构,即高议价能力的企业在同等客户集中度水平下,崩盘风险的累积程度更小。
表 8 议价能力对U型冲击拐点的调节作用检验因变量:NCSKEWt 国企 民企 专用性强 专用性弱 创新性高 创新性低 TOP5t-1 -0.587** -0.485*** -0.478* -0.520** -0.647** -0.538*** (-2.33) (-3.56) (-1.40) (-3.00) (-2.30) (-4.61) TOP5 t-12 0.640** 0.724*** 0.704*** 0.673** 0.743** 0.799*** (2.42) (3.95) (1.87) (3.31) (2.47) (4.60) ∑Controlst-1 控制 控制 控制 控制 控制 控制 拐点 45.86% 33.49% 33.95% 38.63% 43.54% 33.67% Adj-R2 0.013 0.011 0.017 0.011 0.018 0.013 N 2 796 5 095 1 473 6 418 4 344 3 547 五、 稳健性检验
(一) 稳健性检验Ⅰ:内生性处理
为避免客户集中度与崩盘风险的关系检验结果(表 3)因存在潜在的内生性问题而导致估计偏误,本文进一步借助Ⅳ/GMM和Ⅳ/LIML对模型进行重新估计。估计过程假设客户集中度及其平方项均存在内生性,因此,通过以下工具变量来优化估计过程:滞后一期的TOP5和TOP52、滞后一期的研发支出(即R & Dt-1)、是否属于高资产专用性投资行业(Unique)。其中,R & D以“研发费用/营业收入”计量;关于哪些行业属高资产专用性行业(Unique),本文参考Chang等(2014)[43]的定义,若样本所在行业属于高资产专用性行业,则Unique=1,否则为0。选择R & Dt-1和Unique作为工具变量的依据是:(1)研发创新是保持产品多样性从而实现多元化销售的重要基础,而产品多样性程度越高,越容易受到客户的青睐,从而影响供应商的客户集中度水平;(2)资产专用性投资是连接供应商和大客户的重要机制,供应商通常只会向大客户进行资产专用性投资,所以,专用性程度高的行业,客户集中度水平通常也更高。
表 9表明:无论是Ⅳ/GMM估计还是Ⅳ/LIML估计,在使用负偏态收益水平(NCSKEWt)或使用股价波动率水平(DUVOLt)来度量崩盘风险时,Top5t-1以及Top5t-12的系数均在5%的显著水平上为负。这表明,在控制内生性因素的影响后,本文研究结论依然具有稳健性——客户集中度对股价崩盘风险确实存在U型影响关系。假设1进一步得证。
表 9 基于面板工具变量的估计因变量 GMM估计 LIML估计 NCSKEWt NCSKEWt DUVOLt DUVOLt Top5t -3.257 2** -3.267 7** -1.671 3* -1.703 2* (-2.20) (-2.20) (-1.88) (-1.90) Top5t2 3.829 7** 3.851 7** 1.859 5** 1.892 4** (2.36) (2.36) (1.96) (1.98) ∑CONTROLS 控制 控制 控制 控制 F 104.08*** 104.08*** 22.67*** 22.67*** Hansen J
(P-value)2.611
(0.271 1)2.611
(0.271 1)13.720***
(0.010 0)13.736***
(0.010 0)N 6 455 6 455 6 455 6 455 注:括号内为T值, 样本回归周期为2011—2017年;无论是GMM估计还是有限信息极大似然LIML估计,TOP5和TOP52的工具变量为:资产专用特征(Unique)、TOP5t-1、TOP5t-12及滞后一期的研发支出(R & Dt-1)。 (二) 稳健性检验Ⅱ:变更崩盘风险的计量口径
根据Hutton等(2009)[8]的研究,我们将t周Wi, t与年度均值的3.09个标准差进行比较,当其小于3.09个标准差时定义为股价暴跌,表示个股经历了一次股价崩盘周;当其大于3.09个标准差时定义为股价暴涨,表示个股经历了一次股价暴涨周。原因在于,在正态分布中,3.09个标准差已经处于整个分布的0.1%边缘,而当股票收益率出现如此极端的状况时,可视为发生了异常收益风险。在此基础上使用股票在一年中的暴涨频数(JUMP_NUM)来度量暴涨风险(Jump Risk)、股票在一年中的暴跌频数(CRASH_NUM)来度量暴跌风险(Crash Risk)。相关回归结果见表 10。
表 10 客户集中度与股价崩盘风险稳健性检验变量 CRASH_NUM JUMP_NUM Top5 -0.925***(-2.66) 1.024**(2.51) Top52 1.213***(3.23) -1.214**(-2.52) ∑Controls 控制 控制 ∑Year 控制 控制 Cons 0.775*(1.67) -4.833***(-9.07) N 9 380 9 380 注:两个被解释变量的均值和方差的数值较为接近,且方差均小于均值,故采用泊松回归而非负二项式回归。 表 10表明:伴随客户集中度的上升,供应商股价崩盘次数呈现先降后升特征、股价暴涨次数呈现先升后降特征。这与本文预期客户集中度上升会导致供应商更倾向于隐藏负面消息的预期一致,说明负面信息的累积不仅会减少股价出现暴涨的频率,还会增加股价崩盘的频率。
六、 结论与贡献
本文从客户集中度视角研究了大客户的存在如何冲击供应商股价崩盘风险以及这一冲击的传导逻辑及调节机制。研究结果表明:(1)客户集中度的增加会在供应链关系方面先产生整合效应,后产生侵占效应,由此导致集中度的上升对供应商股价崩盘风险存在U型冲击作用。在整合主导阶段,供应商商业信用优化、流动性改善,因此,对信贷摩擦的敏感性更弱,管理层减少负面信息披露以避免增加信贷约束的动机较弱。然而,当客户集中度进一步上升之后,强势买方会依仗其市场地位,要求供应商提供更多的融资便利,以实现侵占供应商清算价值的目的,这会导致供应商流动性紧缩,此时,供应商更加担忧披露负面消息所引发的信贷约束上升,从而更加倾向于隐藏负面信息,进而提升未来股价崩盘风险。(2)议价能力对上述U型冲击具有调节作用,即议价能力能够调节客户集中度对崩盘风险的影响结构(拐点位置),表现为高议价能力的企业在同等客户集中度水平下,崩盘风险的累积程度更小。
本文的潜在贡献包括:(1)通过供应链资金管理与资本市场交易特征之间的关系研究,从客户集中度视角探讨了其对股价崩盘风险的影响,从而拓展了股价崩盘风险影响因素的相关研究,也为供应链管理的经济后果提供了新的研究视角,将供应链管理研究从如何影响企业生产、创新及财务决策拓展至如何影响企业资本市场风险特征这一全新领域。(2)通过证实客户集中度与股价崩盘风险间存在U型关系,拓展了现有研究对供应链管理与崩盘风险之间的认知,这种从线性关系分析过度到以非线性关系分析的思路为今后的实证研究提供了新的参考。(3)本文的研究结论对监管层也有一定的现实意义,不仅揭示出跟踪供应商的客户集中度信息有利于从供应链视角识别潜在的流动性风险,同时,有关议价能力对U型“拐点”位置的调节作用研究也为管理层构建风险预警机制提供了临界值参考。
-
表 1 符号及变量定义
变量 符号 变量名称与度量方法 因变量 NCSKEW 负收益偏态系数,表示崩盘风险大小,具体公式参见上文 DUVOL 收益上下波动比率,表示崩盘风险大小,具体公式参见上文 TCAR 商业信用供给水平,以“应收账款/营业收入”度量 FC 融资约束水平,通过LEV、ICR、SA等多种方式度量,具体口径参见正文介绍 解释变量 TOP5 客户集中度,前五大客户销售收入的比例之和。TOP5越大,客户集中度越高 TOP52 客户集中度TOP5的平方项 控制变量 ABACC 公司信息透明度,以可操纵应计利润的绝对值来衡量,参考Jones模型残差的绝对值 MTURNOVER 月平均超额换手率,为第t年股票i的月平均换手率与第t-1年股票i的月平均换手率之差 SIGMA 收益波动,股票i在第t年周收益率的标准差 RET 平均周收益率,股票i在第t年中的平均周收益率 ROA 总资产报酬率,股票i在第t年的净利润/总资产 LEV 资产负债率,股票i在第t年的总资产/总负债 SIZE 公司规模,股票i在第t年的总资产的自然对数 MB 市账比MB=(年末股票价格*流通股股数+每股净资产*非流通股股数)/账面权益价值 INSHOLD 机构投资者高持股哑变量,当机构投资者持股比例大于中位数时取值为1,否则取0 表 2 描述性统计
变量名 样本数 平均值 P25 中值 P75 最大值 最小值 标准差 NCSKEW 9 380 -0.633 -1.272 -0.791 -0.172 3.549 -4.289 1.008 DUVOL 9 380 -0.290 -0.711 -0.302 0.124 2.190 -3.125 0.643 Top5 9 380 0.292 0.147 0.238 0.388 1 0.003 10 0.197 Top52 9 380 0.124 0.021 0.057 0.151 1 9.61e-06 0.170 MB 9 380 4.422 1.668 2.481 3.875 2, 012 -406.5 32.64 RET 9 380 0.155 -0.488 0.030 0.712 5.692 -3.800 0.944 ABACC 9 380 0.067 2 0.021 0.045 0.086 1.973 2.51e-06 0.086 6 INSHOLD 9 380 0.544 0 1 1 1 0 0.498 SIZE 9 380 21.99 21.159 21.854 22.674 27.31 17.05 1.207 ROA 9 380 0.058 0.027 0.052 0.088 1.044 -1.121 0.078 MTRUNOVER 9 380 -0.078 7 -0.244 -0.046 0.110 1.921 -3.284 0.357 SIGMA 9 380 0.067 1 0.048 0.060 0.081 0.223 0.018 8 0.026 8 LEV 9 380 0.454 0.283 0.445 0.601 13.40 0.007 10 0.328 表 3 客户集中度对供应商股价崩盘风险的正U型冲击
变量 双重聚类 Driscoll-Kraay 固定效应 随机效应 (1) (2) (3) (4) (5) (6) (7) (8) NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt Top5t-1 -0.482*** -0.223*** -0.482** -0.223*** -0.762** -0.339 -0.482** -0.223* (-4.94) (-2.83) (-2.92) (-3.91) (-1.83) (-1.36) (-2.34) (-1.74) Top5t-12 0.641*** 0.289*** 0.641** 0.289** 0.889** 0.506 0.641*** 0.289* (6.44) (3.51) (3.02) (3.21) (1.94) (1.84) (2.69) (1.95) MBt-1 -0.000 -0.000** -0.000 -0.000** -0.000 -0.000*** -0.000 -0.000 (-1.11) (-2.49) (-0.78) (-2.70) (-1.65) (-1.65) (-1.00) (-1.24) Rett-1 0.049 0.051 0.049 0.051 0.063 0.063 0.049*** 0.051*** (0.64) (0.54) (0.93) (0.67) (4.27) (7.06) (3.60) (5.91) ABACCt-1 0.201 -0.175 0.201 -0.175 0.109 -0.145 0.201 -0.175** (0.48) (-1.23) (0.78) (-1.34) (0.67) (-1.47) (1.41) (-1.99) ROAt-1 0.045 -0.203 0.045 -0.203 -0.047 -0.438** 0.045 -0.203* (0.12) (-0.87) (0.25) (-1.79) (-0.18) (-2.87) (0.26) (-1.90) MTurnovert-1 0.054 0.241*** 0.054 0.241** 0.057 0.232** 0.054 0.241*** (0.14) (2.84) (0.21) (3.31) (1.54) (10.33) (1.56) (11.17) Levt-1 -0.005 -0.127* -0.005 -0.127** 0.021 0.020 -0.005 -0.127*** (-0.04) (-1.86) (-0.03) (-2.61) (0.18) (0.28) (-0.10) (-4.44) Sizet-1 -0.079 -0.001 -0.079 -0.001 -0.183 0.069 -0.079*** -0.001 (-1.46) (-0.02) (-1.13) (-0.03) (-6.40) (4.00) (-7.21) (-0.16) InsHoldt-1 0.075*** 0.010 0.075** 0.010 0.121 0.047** 0.075*** 0.010 (2.83) (0.56) (3.22) (0.41) (3.24) (2.08) (3.03) (0.65) Cons 1.135 -0.140 1.135 -0.140 3.436 -1.739 1.135*** -0.140 (0.97) (-0.12) (0.80) (-0.18) (5.44) (-4.58) (4.68) (-0.93) Adj-R2 0.012 0.034 0.012 0.034 0.013 0.044 0.011 0.039 N 7 891 7 891 7 891 7 891 7 891 7 891 7 891 7 891 注:括号内的数值是经稳健标准误调整后的T值;***、**、*分别表示在1%、5%、10%水平上显著(以下各表同); 为保证回归稳健性,同时报告了固定效应、随机效应、Driscoll-Kraay(xtscc)多重稳健标准误及双重聚类(Cluster2)稳健标准误下的估计结果, 其中,D-K标准误与双重聚类稳健标准误结果均表明存在显著的U型关系。 表 4 客户集中度对供应商商业信用供给的正U型冲击
因变量:商业信用供给 静态分析(固定效应) 动态分析(系统GMM) TCAR-1 0.672 6***(8.11) Top5 -0.054 9**(-2.68) -0.147 7**(-2.21) Top52 0.067 9**(2.82) 0.144 6**(2.04) OCF -0.079 5***(-3.78) -0.204 9***(-4.02) INV 0.029 8(1.99) -0.075 9(-0.50) AP 0.306 3***(21.77) 0.556 4***(2.86) SG -0.016 3***(-5.74) -0.186 3***(-3.84) LEV -0.080 6***(-10.34) -0.782 8***(-4.43) ROS -0.035 0**(-2.96) -0.127 7(-0.67) Cons 0.217 5***(46.64) 0.385 4***(4.15) Firm-Level Fixed Effect 控制 控制 Within R2/Waldχ2(9) 0.164 2 1 130.97*** N 6 398 6 398 注:由于动态面板回归涉及多个滞后期,为保证N一致,表 4样本期间为2012—2017年;列(1)为固定效应回归结果,括号内是经“异方差-序列相关-截面相关”稳健标准误调整后的T值;列(2)为使用系统GMM(two-step)法得到的估计结果,GMM-type工具变量为TCAR-1的滞后1期与滞后2期,Hansen J检验在5%的置信度下拒绝过度识别。 表 5 客户集中度对供应商融资约束的正U型冲击:方差检验
融资约束水平 ICR
(1)ICR
(2)LEV
(1)LEV
(2)ABACC
(1)ABACC
(2)客户集中度位于两端的样本 0.033 0 0.036 1 0.475 5 0.490 8 0.076 1 0.074 9 客户集中度位于中间的样本 0.022 4 0.022 4 0.446 5 0.444 9 0.065 0 0.064 6 DIFF(P-value) 0.010 6*** 0.013 6*** 0.029 0*** 0.045 9*** 0.011 0*** 0.010 3*** (0.000) (0.000) (0.001) (0.000) (0.000) (0.000) 注:(1)变量定义与口径:ICR为利息覆盖率的倒数,ICR越高、融资约束越高;LEV为企业杠杆率,LEV越高、融资约束越高;ABACC为可操纵应计利润(通过估计得到的修正琼斯模型的残差值),代表信息透明度。ABACC值越大,信息透明度越低。(2)分组标准:所有(1)列以上、下10%为分组边界,大于P90和小于P10的样本为两端样本,剩余80%为中间样本;所有(2)列以均值上、下浮动1个标准差为分组边界,大于上浮标准差和小于下浮标准差的为两端样本,其余为中间样本。 表 6 客户集中度对供应商融资约束的正U型冲击检验
因变量:融资约束水平 ICR
(固定效应)ICR
(随机效应)SA
(固定效应)SA
(随机效应)Top5 -0.054 4* -0.144 5*** 0.073 4*** 0.072 1*** (-1.69) (-6.00) (4.88) (4.83) Top52 0.148 2*** 0.237 7*** -0.042 1*** -0.041 3*** (4.31) (8.91) (-2.61) (-2.58) OCF 0.025 3*** 0.010 4*** -0.000 7 -0.000 7 (9.51) (4.08) (-0.53) (-0.58) INV 0.039 9*** 0.031 9*** -0.002 3 -0.002 3 (4.67) (5.21) (-0.57) (-0.58) AP 0.144 0*** 0.121 1*** -0.002 3 0.000 2 (12.26) (13.38) (-0.42) (0.04) ROS 0.029 0*** 0.020 0*** -0.003 6*** -0.003 7*** (12.38) (8.71) (-3.29) (-3.39) SG -0.023 2*** -0.022 3*** -0.016 6*** -0.016 3*** (-7.28) (-7.15) (-11.12) (-10.87) LEV 0.133 5*** 0.103 1*** -0.027 6*** -0.031 2*** (12.21) (13.98) (-5.40) (-6.18) Cons -0.075 1*** -0.039 3*** -3.929 9*** -3.928 9*** (-9.75) (-6.56) (-109.02) (-8.74) Firm-Level Fixed Effect 控制 控制 控制 控制 Year-Level Fixed Effect 控制 控制 控制 控制 Within R2 0.090 0 0.084 9 0.056 1 0.056 0 N 8 561 8 561 8 561 8 561 注:为剔除金融危机及2008—2009年间中央“4万亿”经济刺激的影响,以2010—2017年为样本期间。 表 7 融资约束对崩盘风险的传导
变量 双重聚类 Driscoll-Kraay 固定效应 随机效应 NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt NCSKEWt DUVOLt SAt-1 -0.056*** -0.065* -1.267* -1.025** -1.267*** -1.025*** -0.043 -0.065* (-3.11) (-1.70) (-2.14) (-2.91) (-6.09) (-6.01) (-1.02) (-1.88) ∑Controlst-1 控制 控制 控制 控制 控制 控制 控制 控制 ∑Year 控制 控制 控制 控制 控制 控制 控制 控制 Cons 0.831 -0.761 -4.119*** -3.182*** -4.119*** -3.182*** 0.970*** -0.136 (0.61) (-0.62) (-3.73) (-3.54) (-5.00) (-4.72) (4.00) (-0.69) Adj-R2 0.007 0.004 0.586 0.255 0.586 0.255 0.583 0.251 N 7 891 7 891 7 891 7 891 7 891 7 891 7 891 7 891 表 8 议价能力对U型冲击拐点的调节作用检验
因变量:NCSKEWt 国企 民企 专用性强 专用性弱 创新性高 创新性低 TOP5t-1 -0.587** -0.485*** -0.478* -0.520** -0.647** -0.538*** (-2.33) (-3.56) (-1.40) (-3.00) (-2.30) (-4.61) TOP5 t-12 0.640** 0.724*** 0.704*** 0.673** 0.743** 0.799*** (2.42) (3.95) (1.87) (3.31) (2.47) (4.60) ∑Controlst-1 控制 控制 控制 控制 控制 控制 拐点 45.86% 33.49% 33.95% 38.63% 43.54% 33.67% Adj-R2 0.013 0.011 0.017 0.011 0.018 0.013 N 2 796 5 095 1 473 6 418 4 344 3 547 表 9 基于面板工具变量的估计
因变量 GMM估计 LIML估计 NCSKEWt NCSKEWt DUVOLt DUVOLt Top5t -3.257 2** -3.267 7** -1.671 3* -1.703 2* (-2.20) (-2.20) (-1.88) (-1.90) Top5t2 3.829 7** 3.851 7** 1.859 5** 1.892 4** (2.36) (2.36) (1.96) (1.98) ∑CONTROLS 控制 控制 控制 控制 F 104.08*** 104.08*** 22.67*** 22.67*** Hansen J
(P-value)2.611
(0.271 1)2.611
(0.271 1)13.720***
(0.010 0)13.736***
(0.010 0)N 6 455 6 455 6 455 6 455 注:括号内为T值, 样本回归周期为2011—2017年;无论是GMM估计还是有限信息极大似然LIML估计,TOP5和TOP52的工具变量为:资产专用特征(Unique)、TOP5t-1、TOP5t-12及滞后一期的研发支出(R & Dt-1)。 表 10 客户集中度与股价崩盘风险稳健性检验
变量 CRASH_NUM JUMP_NUM Top5 -0.925***(-2.66) 1.024**(2.51) Top52 1.213***(3.23) -1.214**(-2.52) ∑Controls 控制 控制 ∑Year 控制 控制 Cons 0.775*(1.67) -4.833***(-9.07) N 9 380 9 380 注:两个被解释变量的均值和方差的数值较为接近,且方差均小于均值,故采用泊松回归而非负二项式回归。 -
[1] 张晓宇, 徐龙炳.限售股解禁、资本运作与股价崩盘风险[J].金融研究, 2017(11): 158-174. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201711011.htm [2] 遥远, 周爱民.企业生命周期与股价崩盘风险[J].中南财经政法大学学报, 2018(2): 97-105. doi: 10.3969/j.issn.1003-5230.2018.02.011 [3] 徐飞, 唐建新.股指波动率、市场流动性与全球股市崩盘传染[J].金融论坛, 2017(8): 58-69. https://www.cnki.com.cn/Article/CJFDTOTAL-CSJR201708009.htm [4] 钟碧兰, 申韬.国内外融资融券制度与股价波动性关系的文献综述[J].金融教育研究, 2016(3): 15-19. [5] 赵汝为, 熊熊, 沈德华.投资者情绪与股价崩盘风险:来自中国市场的经验证据[J].管理评论, 2019(3): 50-60. https://www.cnki.com.cn/Article/CJFDTOTAL-ZWGD201903022.htm [6] 许年行, 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. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201307006.htm [7] 吴晓晖, 郭晓冬, 乔政.机构投资者抱团与股价崩盘风险[J].中国工业经济, 2019(2): 117-135. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201902008.htm [8] HUTTON A P, MARCUS A J, TEHRANIAN H. Opaque financial reports, r2, and crash risk[J]. Journal of financial economics, 2009, 94(1): 67-86. doi: 10.1016/j.jfineco.2008.10.003 [9] 权小锋, 吴世农, 尹洪英.企业社会责任与股价崩盘风险: "价值利器"或"自利工具"?[J].经济研究, 2015(11): 49-64. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201511005.htm [10] KIM J, ZHANG L. Accounting and conservatism and stock price crash risk: firm-level evidence[J]. Contemporary accounting research, 2016, 33(1): 412-441. doi: 10.1111/1911-3846.12112 [11] 江轩宇, 许年行.企业过度投资与股价崩盘风险[J].金融研究, 2015(8): 141-158. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201508010.htm [12] 郑姗姗.管理层权力强度、内外部监督与股价崩盘风险[J].广东财经大学学报, 2019(4): 72-86. https://www.cnki.com.cn/Article/CJFDTOTAL-SONG201904006.htm [13] 李小荣, 刘行. CEO vs CFO:性别与股价崩盘风险[J].世界经济, 2012(12): 102-129. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ201212009.htm [14] 孙淑伟, 梁上坤, 阮刚铭, 等.高管减持、信息压制与股价崩盘风险[J].金融研究, 2017(11): 175-190. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201711012.htm [15] 谢德仁, 郑登津, 崔宸瑜.控股股东股权质押是潜在的"地雷"吗?---基于股价崩盘风险视角的研究[J].管理世界, 2016(5): 128-140, 188. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201605014.htm [16] 何孝星, 叶展.股权激励、代理冲突与股价崩盘风险---基于中国资本市场的经验证据[J].吉林大学社会科学学报, 2017(5): 15-25, 202. https://www.cnki.com.cn/Article/CJFDTOTAL-JLDB201705002.htm [17] 褚剑, 方军雄.客户集中度与股价崩盘风险:火上浇油还是扬汤止沸[J].经济理论与经济管理, 2016(7): 44-57. doi: 10.3969/j.issn.1000-596X.2016.07.004 [18] 王化成, 曹丰, 叶康涛.监督还是掏空:大股东持股比例与股价崩盘风险[J].管理世界, 2015(2): 45-57, 187. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201502008.htm [19] 姜永宏, 穆金旗, 赵婷婷.大股东交易与中国A股市场股价暴涨暴跌风险[J].南方金融, 2019(2): 3-11. https://www.cnki.com.cn/Article/CJFDTOTAL-GDJR201902001.htm [20] 曾爱民, 魏志华.宗教传统影响股价崩盘风险吗?---基于"信息披露"和"管理自律"的双重视角[J].经济管理, 2017(11): 134-148. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201711010.htm [21] 许年行, 江轩宇, 伊志宏, 等.分析师利益冲突、乐观偏差与股价崩盘风险[J].经济研究, 2012(7): 127-140. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201207011.htm [22] 孙健, 王百强, 曹丰.公司战略影响股价崩盘风险吗?[J].经济管理, 2016(12): 47-61. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201612007.htm [23] 蒋红芸, 王雄元.内部控制信息披露与股价崩盘风险[J].中南财经政法大学学报, 2018(3): 23-32, 158-159. doi: 10.3969/j.issn.1003-5230.2018.03.003 [24] 李欢, 李丹, 王丹.客户效应与上市公司债务融资能力---来自我国供应链客户关系的证据[J].金融研究, 2018(6): 138-154. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201806010.htm [25] 许江波, 卿小权.僵尸企业对供应商的溢出效应及其影响因素[J].经济管理, 2019(2): 56-72. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201903005.htm [26] 江伟, 底璐璐, 姚文韬.客户集中度与企业成本粘性---来自中国制造业上市公司的经验证据[J].金融研究, 2017(9): 192-206. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201709014.htm [27] 陈良华, 胡宇菲, 迟颖颖.基于供应链视角的供应商关系对企业成本粘性影响研究---来自中国制造业上市公司的经验证据[J].河海大学学报:哲学社会科学版, 2019(3): 37-45. https://www.cnki.com.cn/Article/CJFDTOTAL-HHZX201903007.htm [28] 陈峻, 王雄元, 彭旋.环境不确定性、客户集中度与权益资本成本[J].会计研究, 2015(11): 76-82. doi: 10.3969/j.issn.1003-2886.2015.11.011 [29] 王雄元, 高开娟.客户集中度与公司债二级市场信用利差[J].金融研究, 2017(1): 130-144. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201701010.htm [30] 江伟, 底璐璐, 彭晨.客户集中度影响银行长期贷款吗---来自中国上市公司的经验证据[J].南开管理评论, 2017(2): 71-80. doi: 10.3969/j.issn.1008-3448.2017.02.007 [31] 吴娜, 于博.客户集中度、体恤效应与商业信用供给[J].云南财经大学学报, 2017(4): 141-152. https://www.cnki.com.cn/Article/CJFDTOTAL-YNCM201704014.htm [32] 李庭燎, 陈良华, 盛金鑫.供应链中企业地位与企业自主创新能力关系[J].河海大学学报:哲学社会科学版, 2016(2): 61-68. https://www.cnki.com.cn/Article/CJFDTOTAL-HHZX201602014.htm [33] FABBRI D, A M C MENICHINI. Trade credit, collateral liquidation, and borrowing constraints[J]. Journal of financial economics, 2010, 96: 413-432. doi: 10.1016/j.jfineco.2010.02.010 [34] FABBRI D, KLAPPER L F. Bargaining power and trade credit[J]. Journal of corporate finance, 2016, 41: 66-80. doi: 10.1016/j.jcorpfin.2016.07.001 [35] 于博, 植率.我国商业信用再配置的动机检验及其治理效应分析---来自上市公司信贷漏损的证据[J].广东财经大学学报, 2017(4): 58-69. https://www.cnki.com.cn/Article/CJFDTOTAL-SONG201704006.htm [36] 王迪, 刘祖基, 赵泽朋.供应链关系与银行借款---基于供应商/客户集中度的分析[J].会计研究, 2016(10): 42-49, 96. doi: 10.3969/j.issn.1003-2886.2016.10.006 [37] CAMPELLO M, J GAO. Customer concentration and loan contract terms[J]. Journal of financial economics, 2017, 123(1): 108-136. doi: 10.1016/j.jfineco.2016.03.010 [38] 王雄元, 王鹏, 张金萍.客户集中度与审计费用:客户风险抑或供应链整合[J].审计研究, 2014(6): 72-82. https://www.cnki.com.cn/Article/CJFDTOTAL-SJYZ201406012.htm [39] 张敏, 马黎珺, 张胜.供应商-客户关系与审计师选择[J].会计研究, 2012(12): 81-86. https://www.cnki.com.cn/Article/CJFDTOTAL-KJYJ201212013.htm [40] 赵秀云, 鲍群.供应商与客户关系是否影响企业现金持有水平---基于制造业上市公司面板数据的实证分析[J].江西财经大学学报, 2014(5): 41-48. https://www.cnki.com.cn/Article/CJFDTOTAL-JXCZ201405005.htm [41] 杜剑, 天肇, 刘晓燕.企业社会责任信息披露充分性研究[J].贵州财经大学学报, 2017(3): 60-69. https://www.cnki.com.cn/Article/CJFDTOTAL-GZCB201703007.htm [42] 连玉君, 苏治.上市公司现金持有:静态权衡还是动态权衡[J].世界经济, 2008(10): 84-96. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ200810010.htm [43] CHANG CHUN, XIN CHEN, GUANMIN LIAO. What are the reliably important determinants of capital structure in China?[J]. Pacificbasin finance journal, 2014, 30: 87-113. http://www.sciencedirect.com/science/article/pii/s0927538x14000602 期刊类型引用(19)
1. 李晓波. 商业信用融资、客户集中度与企业创新投资——基于A股制造业企业的实证研究. 河北企业. 2025(02): 86-90 . 百度学术
2. 王冠男,田存志. CEO变更是降低股价崩盘风险的“灵药”吗?——基于财务困境公司的实证研究. 财经论丛. 2024(01): 48-58 . 百度学术
3. 杨志强,张雨婷. 诉讼事件披露、企业风险与商业信用融资——基于信号传递理论的分析. 财贸研究. 2024(07): 80-97 . 百度学术
4. 刘博,骆雅娜,孙国萍. 客户集中度对企业债务违约风险的影响效应. 中州大学学报. 2024(06): 16-25 . 百度学术
5. 曹海敏,乔毓文. 双碳经济下环境信息披露与商业信用融资——基于供应链集中度视角的研究. 会计之友. 2023(06): 95-103 . 百度学术
6. 王垒,张晓昕,于文成. 居安思危:供应链关系稳定度对企业股价崩盘风险的非线性效应研究. 安徽师范大学学报(人文社会科学版). 2023(03): 97-113 . 百度学术
7. 于博,赵越. 客户集中度与供应商赊销账款的动态收敛特征——倒U型调节效应及调节机制分析. 中国经济问题. 2023(04): 181-196 . 百度学术
8. 车德欣,杜卉,汤子隆. 利率市场化改革的上市公司股价稳定效应——基于股价崩盘风险视角. 金融经济学研究. 2023(06): 128-142 . 百度学术
9. 周晨松. 商业信用扭曲与股价崩盘风险——基于大客户拖欠中小企业货款的证据. 当代财经. 2022(06): 89-99 . 百度学术
10. 孙穗,朱顺和. 客户集中度、财务报告质量与企业融资约束——基于企业生命周期的视角. 技术经济与管理研究. 2022(11): 85-90 . 百度学术
11. 李岩,赵卓. 融资费用对商贸流通企业经营风险的影响. 商业经济研究. 2021(02): 160-162 . 百度学术
12. 李高波,于博. 企业战略差异与商业信用模式. 财经问题研究. 2021(06): 100-109 . 百度学术
13. 周子熙,李良. 供应商集中度对股价崩盘风险的影响研究. 现代管理科学. 2021(05): 78-89 . 百度学术
14. 于博,杨洁. 技术创新对金融资产超配的非线性治理效应——基于异质性动机视角. 经济纵横. 2021(06): 111-122 . 百度学术
15. 易露霞,吴非,常曦. 企业数字化转型进程与主业绩效——来自中国上市企业年报文本识别的经验证据. 现代财经(天津财经大学学报). 2021(10): 24-38 . 百度学术
16. 任晓怡,向海凌,吴非. 地方经济增长目标如何影响金融市场稳定——基于股价崩盘风险的视角. 经济学报. 2020(02): 1-34 . 百度学术
17. 高锦涛. 客户集中度、产权性质和企业零杠杆行为. 天津商务职业学院学报. 2020(03): 39-44 . 百度学术
18. 郑煜. 论债券信用研究方法演变及信用研究体系构建. 中外企业文化. 2020(07): 37-38 . 百度学术
19. 祝小溪. 股价崩盘风险文献述评与展望. 财会研究. 2020(10): 71-77 . 百度学术
其他类型引用(68)
-