楊 洋，孫維峰

（運(yùn)城學(xué)院經(jīng)濟(jì)管理系，山西 運(yùn)城 044000）

隨著科技的發(fā)展，互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能在經(jīng)濟(jì)發(fā)展中的地位越來越重要。黨的十九屆四中全會進(jìn)一步將數(shù)據(jù)確認(rèn)為勞動力、資本、土地、技術(shù)、經(jīng)濟(jì)信息和經(jīng)濟(jì)管理之后的第七種生產(chǎn)要素，凸顯了數(shù)字化轉(zhuǎn)型在經(jīng)濟(jì)發(fā)展中所扮演的重要角色。企業(yè)作為經(jīng)濟(jì)活動的重要載體，探究其數(shù)字化轉(zhuǎn)型的經(jīng)濟(jì)后果和作用機(jī)制，具有重要的理論和現(xiàn)實意義。

基于此，本文以股價崩盤風(fēng)險為切入點，在企業(yè)金融風(fēng)險視角下實證檢驗數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險之間的因果關(guān)系。股價崩盤通常指在沒有先兆情況下，股票價格大幅度下降的一種市場現(xiàn)象?！靶畔㈦[藏假說”理論認(rèn)為企業(yè)內(nèi)外部存在信息不對稱問題，管理層有動機(jī)隱瞞負(fù)面消息即降低企業(yè)的信息透明度，隨著企業(yè)的持續(xù)經(jīng)營負(fù)面消息不斷積累，當(dāng)負(fù)面消息積累到一個閾值時，負(fù)面消息將被投資者獲悉，傳導(dǎo)到金融市場表現(xiàn)為企業(yè)股價大幅崩盤（Hutton et al.，2009）［6］?，F(xiàn)有研究證實了企業(yè)信息不對稱對股價崩盤風(fēng)險的影響（Kim et al.，2016；Chen et al.，2017）［7-8］?；谝延醒芯?，本研究認(rèn)為企業(yè)財務(wù)報告的透明度正向調(diào)節(jié)了數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險的負(fù)向關(guān)系。

為對上述預(yù)測進(jìn)行檢驗，本文以2008～2020 年中國A 股上市公司為研究樣本，實證檢驗企業(yè)數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響和作用機(jī)制，并進(jìn)行一系列穩(wěn)健性檢驗。本文預(yù)期的研究貢獻(xiàn)擬體現(xiàn)在以下三個方面：第一，不同于探究企業(yè)數(shù)字化轉(zhuǎn)型帶來的企業(yè)績效增長、全要素生產(chǎn)率提高等經(jīng)濟(jì)后果，本文將企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險納入統(tǒng)一的分析框架，豐富了企業(yè)數(shù)字化轉(zhuǎn)型的相關(guān)研究；第二，本文基于Python 爬蟲文本識別功能，以2008～2020 年上市公司年報為基礎(chǔ)，使用文本分析技術(shù)刻畫企業(yè)數(shù)字化轉(zhuǎn)型程度，有利于科學(xué)識別企業(yè)數(shù)字化轉(zhuǎn)型，提高本文因果關(guān)系研究的準(zhǔn)確性；第三，本文識別數(shù)字化轉(zhuǎn)型影響股價崩盤風(fēng)險的作用機(jī)制為數(shù)字化轉(zhuǎn)型緩解了企業(yè)委托代理問題，研究結(jié)論能為企業(yè)提供行之有效的建議，也能為政府提供相關(guān)政策啟示。

一、理論機(jī)制與假說提出

（一）數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險

現(xiàn)有研究中，學(xué)者們對企業(yè)數(shù)字化轉(zhuǎn)型的研究主要集中在影響因素和經(jīng)濟(jì)后果方面。學(xué)者分別從產(chǎn)業(yè)數(shù)字化（陳玉嬌等，2021）、財政科技支出（吳非等，2021）、地方經(jīng)濟(jì)增長目標(biāo)（楊賢宏等，2021）等角度探究了影響企業(yè)開展數(shù)字化轉(zhuǎn)型的因素［9-11］；就數(shù)字化轉(zhuǎn)型的經(jīng)濟(jì)后果而言大多是積極正向的，主要體現(xiàn)在對企業(yè)績效（戚聿東和肖旭，2020）、股票流動性（吳非等，2021）、全要素生產(chǎn)率（趙宸宇等，2021）［3-5］等方面。企業(yè)進(jìn)行數(shù)字化轉(zhuǎn)型本質(zhì)是借助“大智移云”的數(shù)字經(jīng)濟(jì)重塑企業(yè)的生產(chǎn)、組織、管理等模式，驅(qū)動企業(yè)的全方位創(chuàng)新和高質(zhì)量發(fā)展。產(chǎn)業(yè)數(shù)字化、財政科技支出解決了企業(yè)的技術(shù)瓶頸和轉(zhuǎn)型成本難題，而地方經(jīng)濟(jì)增長目標(biāo)則對企業(yè)數(shù)字化轉(zhuǎn)型提出了新的挑戰(zhàn)。數(shù)字化轉(zhuǎn)型的優(yōu)勢顯而易見，有助于提升企業(yè)的運(yùn)轉(zhuǎn)效率和整體價值。

自Jin and Myers（2006）提出引起股價崩盤的壞消息窖藏理論后，學(xué)者們從管理者動機(jī)如管理者期權(quán)（Kim et al.，2011）、限售股解禁（張曉宇和徐龍炳，2017）、高管減持（孫淑偉等，2017）和約束方式如內(nèi)部控制（葉康濤等，2015）、賣空機(jī)制（褚劍和方軍雄，2016）等方面進(jìn)行了探究［12-17］。通過對股價崩盤風(fēng)險相關(guān)文獻(xiàn)的回顧，我們可以發(fā)現(xiàn)委托代理問題和信息不對稱程度是引發(fā)股價崩盤的重要影響因素。馬勇等（2019）研究發(fā)現(xiàn)，參與影子銀行業(yè)務(wù)的公司會增加管理層掩蓋此類高風(fēng)險金融業(yè)務(wù)的行為，從而增加了股價崩盤風(fēng)險［18］。王翌秋和王新悅（2022）證實了企業(yè)金融化與股價崩盤風(fēng)險之間呈正相關(guān)關(guān)系，并且這種關(guān)系在委托代理問題嚴(yán)重、信息不對稱程度高的企業(yè)中更顯著［19］。魯桂華和潘柳蕓（2021）發(fā)現(xiàn)高管學(xué)術(shù)經(jīng)歷能顯著降低公司股價崩盤風(fēng)險，作用機(jī)制為高管學(xué)術(shù)經(jīng)歷通過信息質(zhì)量和委托代理對股價崩盤風(fēng)險產(chǎn)生顯著影響［20］。

大轉(zhuǎn)型和變革需要過渡期和適應(yīng)期，企業(yè)數(shù)字化轉(zhuǎn)型的結(jié)果傳導(dǎo)至金融市場表現(xiàn)為企業(yè)個股的漲跌，一旦突然曝出極端負(fù)面消息，勢必帶來股價的暴跌。數(shù)字化轉(zhuǎn)型如何影響股價暴跌風(fēng)險？一方面，數(shù)字化轉(zhuǎn)型具有治理效應(yīng)，大數(shù)據(jù)、云計算、區(qū)塊鏈等新興技術(shù)利用信息共享不僅拉近了企業(yè)和利益相關(guān)者的距離，同時融合了企業(yè)內(nèi)部各部門，降低了信息的傳遞門檻，破除了企業(yè)內(nèi)部管理層隱匿壞消息的方式，企業(yè)的真實狀況被股東、供應(yīng)商、政府、市場、員工等獲知，從而降低了突然暴跌的風(fēng)險；另一方面，數(shù)字化轉(zhuǎn)型具有創(chuàng)新效應(yīng)，數(shù)字化制造對產(chǎn)品生產(chǎn)、研發(fā)、工藝流程等活動實現(xiàn)全過程監(jiān)測，有利于企業(yè)內(nèi)部活動的優(yōu)化和重組，提升在外部市場的核心競爭力，降低股價的下跌風(fēng)險。基于此，提出假設(shè)1：

H1：數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險負(fù)相關(guān)，且數(shù)字化程度越高，股價崩盤風(fēng)險越低。

（二）財務(wù)報告透明度、數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險

完美的資本市場認(rèn)為假如不存在摩擦、企業(yè)真實價值能通過股價準(zhǔn)確反映出來，就不會形成股價“暴跌暴漲”的現(xiàn)象。然而現(xiàn)實企業(yè)需要面臨一定的非系統(tǒng)性風(fēng)險，容易造成企業(yè)個股股價暴跌的風(fēng)險。追溯原因可能是：管理層有動機(jī)和能力進(jìn)行盈余管理來隱匿“壞消息”，并通過粉飾財務(wù)報告這一重要渠道向外界傳遞虛假“好消息”（江婕等，2021）；機(jī)構(gòu)投資者存在“羊群效應(yīng)”和短視行為，在資本市場上追漲殺跌，一旦嗅出股價具有下跌的潛在風(fēng)險，立即拋售（許年行等，2013）［21-22］。在信息不對稱的情況下，管理層為追求私人收益而選擇不利于公司價值的項目，并通過相應(yīng)會計政策和規(guī)定的彈性區(qū)間來進(jìn)行盈余管理（Hutton et al.，2009），公司的負(fù)面消息不斷積累，當(dāng)管理層無法再隱藏負(fù)面消息時，負(fù)面消息大量釋放引起個股股票價格下跌和機(jī)構(gòu)投資者拋售，進(jìn)而引起股價崩盤，因而財務(wù)報告透明度對數(shù)字化轉(zhuǎn)型和股價崩盤風(fēng)險具有一定影響。通過觀察企業(yè)的生產(chǎn)流程，可以發(fā)現(xiàn)在傳統(tǒng)的經(jīng)營方式下，產(chǎn)品從設(shè)計到最后銷售過程產(chǎn)生的大量信息都被低效保存和使用。企業(yè)數(shù)字化轉(zhuǎn)型后，通過科技手段將海量信息、非結(jié)構(gòu)化信息轉(zhuǎn)化成標(biāo)準(zhǔn)化的信息，提升了信息透明度。此時，企業(yè)的信息需求者可以根據(jù)財務(wù)報告對企業(yè)的生產(chǎn)經(jīng)營情況進(jìn)行分析，從而降低了內(nèi)外部利益相關(guān)者的信息不對稱程度。財務(wù)報告越透明，信息需求者越能準(zhǔn)確掌握企業(yè)的真實情況?；诖?，提出假設(shè)2：

H2：財務(wù)報告透明度正向調(diào)節(jié)了數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險的關(guān)系。

代理人是基于權(quán)利人的委任而管理他人事務(wù)的人。1.一名代理人，或是就全部財產(chǎn)或是就單項事務(wù)，可以在出席者之間，也可以信使或者信件來設(shè)立。

（三）數(shù)字化轉(zhuǎn)型、代理成本與股價崩盤風(fēng)險

代理理論認(rèn)為，由于公司所有者和管理層兩者追求的目標(biāo)不同，效用函數(shù)也不一致，管理層有動機(jī)利用職權(quán)開展在職消費(fèi)或者帝國構(gòu)建等自利行為，損害公司價值（Jensen，1986）［23］。企業(yè)開展數(shù)字化轉(zhuǎn)型，企業(yè)生產(chǎn)過程、物料移動、現(xiàn)金流動等業(yè)務(wù)流程產(chǎn)生的信息都被數(shù)據(jù)化，企業(yè)各個組織部門產(chǎn)生的數(shù)據(jù)被信息系統(tǒng)加工生成新的信息，以供信息需求者使用（譚志東等，2022）［24］。企業(yè)數(shù)字化轉(zhuǎn)型后管理層的信息優(yōu)勢被削弱，代理問題能有效緩解。羅進(jìn)輝和巫奕龍（2021）以真實盈余管理活動為切入點，檢驗了企業(yè)數(shù)字化運(yùn)營水平與真實盈余管理之間的負(fù)相關(guān)關(guān)系，研究結(jié)果表明，數(shù)字化運(yùn)營有助于抑制管理者實施真實盈余管理的動機(jī)和運(yùn)用真實活動操控盈余的能力［25］。戚聿東和肖旭（2020）研究發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型以去中心、去中介的網(wǎng)絡(luò)化和扁平化的組織結(jié)構(gòu)取代了傳統(tǒng)自上而下的信息溝通方式，管理層對生產(chǎn)經(jīng)營活動中的自主裁量權(quán)被大大削弱［26］。因此，數(shù)字化轉(zhuǎn)型能降低企業(yè)的代理成本從而降低了企業(yè)股價崩盤風(fēng)險。基于此，提出假設(shè)3：

H3：企業(yè)數(shù)字化轉(zhuǎn)型通過降低代理成本來降低股價崩盤風(fēng)險。

二、研究設(shè)計

（一）樣本選取

本文選取2008-2020 年的中國A 股上市公司為研究樣本，考慮到2007 年上市公司年度報告使用新的財務(wù)報告準(zhǔn)則以及本文的回歸結(jié)果可能存在時滯性，而2020 年是開展本文研究可以獲取的最新年度。

本文企業(yè)數(shù)字化轉(zhuǎn)型的詞頻來自通過Python進(jìn)行文本分析統(tǒng)計企業(yè)年報中有關(guān)企業(yè)數(shù)字化轉(zhuǎn)型的詞頻，其余與本文研究相關(guān)的數(shù)據(jù)都來源于CSMAR 數(shù)據(jù)庫。為了增強(qiáng)本文研究結(jié)論的可信度，本文參考現(xiàn)有的研究對初始研究樣本進(jìn)行如下篩選：（1）剔除行業(yè)屬性為金融業(yè)的上市公司；（2）剔除受到ST、*ST 的上市公司；（3）剔除資產(chǎn)負(fù)債率大于1 的上市公司；（4）剔除當(dāng)年上市的上市公司；（5）剔除其余控制變量缺失的上市公司。此外，為降低異常值對本文研究結(jié)論的影響，本文對所有連續(xù)型變量進(jìn)行上下1%的縮尾處理。

（二）模型設(shè)計和變量定義

為檢驗本文的研究假設(shè)和路徑機(jī)制，參考現(xiàn)有研究構(gòu)建如下回歸模型：

其中，Crash 為被解釋變量代表企業(yè)的股價崩盤風(fēng)險。參考Chen et al.（2001）［27］的研究，本文采用NCSKEW 和DUVOL 兩個指標(biāo)進(jìn)行衡量，該指標(biāo)越大表示企業(yè)的股價崩盤風(fēng)險值也越高，詳細(xì)的度量方法如下：根據(jù)公式（5），得到回歸殘差εi，t，即個股收益率中不能被市場收益率波動所解釋的部分。γi，t為公司i 的股票在第t 周的收益率，γM，t為市場第t 周的加權(quán)平均收益率。通過計算Wi，t=in（1 + εi，t），得到公司的周特有收益率。

根據(jù)公式（6）得到負(fù)收益偏態(tài)系數(shù)NCSKEW，其中n 為股票i 在第t 年中交易的周數(shù)。

根據(jù)公式（7）得到股票收益率上下波動的比率DUVOL，其中nu，nd分別為股票i 的周回報率高于、低于當(dāng)年回報率均值的周數(shù)。

Digital 為本文的核心解釋變量，本文借鑒吳非（2021）的研究，采用上市公司年報中涉及“企業(yè)數(shù)字化轉(zhuǎn)型”的詞頻統(tǒng)計來刻畫企業(yè)數(shù)字化轉(zhuǎn)型程度。具體而言，首先，本文通過Python 爬取上交所和深交所全部A 股上市公司企業(yè)年報，并通過Java PDFbox 庫提取所有文本內(nèi)容。其次，在有關(guān)企業(yè)數(shù)字化轉(zhuǎn)型的特定關(guān)鍵詞提取上本文借鑒吳非（2021）和李春濤等（2020）［28］的研究，分為數(shù)字化轉(zhuǎn)型的四類“底層技術(shù)”（人工智能、區(qū)塊鏈、云計算、大數(shù)據(jù)）和“實踐應(yīng)用”（如移動互聯(lián)網(wǎng)、互聯(lián)網(wǎng)醫(yī)療、移動支付、智慧農(nóng)業(yè)、無人零售、數(shù)字金融等）兩大類特征詞。最后，基于Python 提取的上市公司年報文本形成數(shù)據(jù)池與特征詞進(jìn)行匹配，并計算詞頻數(shù)，為了解決指標(biāo)的“右偏性”特征，對其進(jìn)行對數(shù)化處理，最終形成企業(yè)數(shù)字化轉(zhuǎn)型的指標(biāo)。

Controls 為本文的控制變量，本文借鑒葉康濤等（2015）［16］、褚劍和方軍雄（2016）［17］研究選取如下控制變量：Size 表示企業(yè)規(guī)模，以總資產(chǎn)的自然對數(shù)衡量；Lev 表示企業(yè)資產(chǎn)負(fù)債率，以負(fù)債與總資產(chǎn)的比值衡量；Roa 表示資產(chǎn)收益率，以凈利潤與總資產(chǎn)的比值衡量；Age 表示企業(yè)上市年齡；Mv 表示市場比；Top10 表示前十大股東持股比例；Duality表示是否董事長和總經(jīng)理兩職合一，1 代表“是”，0代表“否”；Over 表示股票月均超額換手率；Ret 表示股票周特質(zhì)收益率。Inform 為本文的調(diào)節(jié)變量，表示財務(wù)報告透明度，以過去三年的操控性應(yīng)計利潤絕對值之和的倒數(shù)來衡量，而操控性應(yīng)計利潤采用修正Jones 模型估計得到。該指標(biāo)值越大，財務(wù)報告信息透明度越高。Turn 為中介變量代理成本，借鑒王翌秋和王新悅（2022）［19］的研究以總資產(chǎn)周轉(zhuǎn)率表示。鑒于數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響可能存在滯后性，因此本文的被解釋變量為t+1，解釋變量和控制變量為t 期。此外，本文還控制了自變量當(dāng)期、行業(yè)和年度，回歸結(jié)果在企業(yè)層面聚類。

模型（1）檢驗數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響，模型（2）檢驗財務(wù)報告透明度對數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險兩者關(guān)系的調(diào)節(jié)效應(yīng)。模型（3）和（4）進(jìn)一步檢驗代理成本的中介效應(yīng)，若β1顯著為正，說明數(shù)字化轉(zhuǎn)型緩解了代理問題；若γ1與γ2系數(shù)顯著，且系數(shù)說明代理成本存在部分中介效應(yīng)，若系數(shù)1 不顯著而系數(shù)2 顯著，說明代理成本扮演了完全中介的作用。

表1 描述性統(tǒng)計

（三）描述性統(tǒng)計

轉(zhuǎn)型程度分為高水平的數(shù)字化轉(zhuǎn)型和低水平的數(shù)字化轉(zhuǎn)型兩組，樣本量分別為3 726 個和3 253 個，并通過中位數(shù)檢驗兩組樣本主要變量的差異，如表2 所示。結(jié)果發(fā)現(xiàn)，財務(wù)報告透明度、資產(chǎn)負(fù)債率等大部分變量組間存在顯著差異，從符號可以看出數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險存在負(fù)向關(guān)系，但不存在顯著差異，故需進(jìn)一步建模分析。

表2 分組變量檢驗

三、實證結(jié)果

（一）多元回歸分析

為了驗證企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險的關(guān)系，首先在不考慮財務(wù)報告透明度的情況下，以數(shù)字化轉(zhuǎn)型為自變量進(jìn)行多元回歸，結(jié)果見表3。前兩列檢驗了全樣本中企業(yè)數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響，被解釋變量為NCSKEW 和DUVOL組中的Digital 回歸系數(shù)均在5%水平上顯著為負(fù)，說明企業(yè)數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的負(fù)向作用。同時在高水平數(shù)字化轉(zhuǎn)型與低水平數(shù)字化轉(zhuǎn)型兩組分樣本中分別驗證兩者關(guān)系，如列（3）至列（6）所示，發(fā)現(xiàn)在高水平樣本組中企業(yè)數(shù)字化轉(zhuǎn)型的系數(shù)為-0.036 和-0.018，通過了5%的統(tǒng)計顯著性檢驗，且其絕對值高于全樣本下的絕對值0.017和0.013，而低水平組的數(shù)字化轉(zhuǎn)型系數(shù)仍然為負(fù)，但不顯著。說明企業(yè)數(shù)字化轉(zhuǎn)型將顯著削弱企業(yè)個股的股價崩盤風(fēng)險，尤其在數(shù)字化轉(zhuǎn)型程度比較高的企業(yè)中，削弱股價崩盤風(fēng)險的強(qiáng)度更大，但在數(shù)字化轉(zhuǎn)型程度比較低的企業(yè)中，則不會顯著影響企業(yè)個股的股價崩盤風(fēng)險。支持了假設(shè)1。

表3 企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險

為了考察財務(wù)報告透明度對數(shù)字化轉(zhuǎn)型與股價暴跌風(fēng)險之間關(guān)系的影響，考慮加入數(shù)字化轉(zhuǎn)型與財務(wù)報告透明度的交乘項和財務(wù)報告透明度的單變量，結(jié)果見表4。列（1）和列（2）中，Digital 回歸系數(shù)的絕對值高于全樣本和高水平數(shù)字化轉(zhuǎn)型組，且均在1%水平上顯著為負(fù)，再次驗證了數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的抑制作用。Inform 回歸系數(shù)在1%和5%水平上顯著為負(fù)，說明隨著盈余管理程度的降低，即財務(wù)報告透明度的提升，股價暴跌風(fēng)險得到降低，主要關(guān)注的數(shù)字化轉(zhuǎn)型與財務(wù)報告透明度的交乘項Digital×Inform 的系數(shù)為0.005 和0.003，通過了1%的統(tǒng)計顯著性檢驗，說明財務(wù)報告透明度的提升強(qiáng)化了數(shù)字化轉(zhuǎn)型對企業(yè)個股股價崩盤風(fēng)險的影響。在財務(wù)報告透明度高的企業(yè)中，數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險影響較大，公司財務(wù)報告能夠較準(zhǔn)確地表示因數(shù)字化轉(zhuǎn)型所減少的信息不對稱問題，降低了企業(yè)的股價崩盤風(fēng)險，反之則提升。支持了假設(shè)2。

續(xù)表

表4 財務(wù)報告透明度、企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險

（二）路徑機(jī)制檢驗

表5 通過中介模型檢驗了“數(shù)字化轉(zhuǎn)型—代理成本—股價崩盤風(fēng)險”的作用機(jī)制。列（1）、列（2）中數(shù)字化轉(zhuǎn)型（Digital）的回歸系數(shù)均在5%水平上顯著為正，說明數(shù)字化轉(zhuǎn)型緩解了企業(yè)的代理問題，降低了代理成本。列（3）中Digital 和Turnt+1的系數(shù)均顯著為負(fù)，且Digital 系數(shù)絕對值由0.016 9 下降至0.016 3，說明代理成本在數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響中起到了部分中介作用。

表5 機(jī)制檢驗——代理成本

（三）穩(wěn)健性檢驗

鑒于企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險之間可能存在內(nèi)生性問題，本文擬采用如下方法解決：

1.Heckman 分析

采用Heckman 兩階段模型進(jìn)一步解決潛在的自選擇偏差問題。第一階段，根據(jù)企業(yè)數(shù)字化轉(zhuǎn)型程度中位數(shù)設(shè)置處理組和對照組并進(jìn)行Probit 估計，預(yù)測企業(yè)進(jìn)行高數(shù)字化轉(zhuǎn)型組的概率，并計算逆米爾斯比率（IMR）。第二階段，將逆米爾斯比率（IMR）作為新的控制變量加入數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的回歸方程中，這樣可以得到更為準(zhǔn)確的回歸結(jié)果。根據(jù)Heckman 兩階段模型的設(shè)定要求，需要在第二階段加入至少一個影響企業(yè)數(shù)字化轉(zhuǎn)型但是對股價崩盤風(fēng)險沒有影響的變量，因此，本文參照李琦等（2021）［29］研究加入地方一般公共財政科學(xué)技術(shù)支出。表6 后兩列為匹配后的樣本回歸結(jié)果，回歸結(jié)果證實在考慮潛在的遺漏變量問題之后，企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險顯著負(fù)相關(guān)。表6 前兩列為Heckman 兩階段的回歸結(jié)果，經(jīng)過逆米爾斯比率（IMR）調(diào)整之后，數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的回歸系數(shù)依然顯著為負(fù)。故表明本文的結(jié)論較為穩(wěn)健。

2.刪除樣本

考慮到2008 年金融危機(jī)和2015 年股災(zāi)可能對本文的研究結(jié)論產(chǎn)生影響，因此本文剔除2008年和2015 年的樣本重新進(jìn)行回歸，回歸結(jié)果如表6 后兩列。我們發(fā)現(xiàn)，刪除樣本后，本文的回歸結(jié)果不變，證明本文的研究結(jié)論具有穩(wěn)健性。

表6 穩(wěn)健性檢驗回歸結(jié)果

四、結(jié)論

本文以企業(yè)數(shù)字化轉(zhuǎn)型為切入點，檢驗了數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的影響和作用機(jī)制。研究發(fā)現(xiàn)企業(yè)數(shù)字化轉(zhuǎn)型與股價崩盤風(fēng)險負(fù)相關(guān)；由于信息不對稱和機(jī)構(gòu)投資者的“羊群效應(yīng)”，財務(wù)報告的透明度能相對準(zhǔn)確地體現(xiàn)企業(yè)數(shù)字化轉(zhuǎn)型后的真實價值，對兩者關(guān)系起到正向調(diào)節(jié)作用，在高財務(wù)報告透明度的企業(yè)中，數(shù)字化轉(zhuǎn)型對股價暴跌風(fēng)險負(fù)向影響更顯著；數(shù)字化轉(zhuǎn)型通過緩解管理層的代理問題影響股價崩盤風(fēng)險。中介模型檢驗結(jié)果發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型通過緩解代理問題實現(xiàn)對股價崩盤風(fēng)險的抑制作用。本文的意義在于：第一，為如何提高公司治理以降低管理層隱藏壞消息的動機(jī)和能力提供了一個可行的路徑；第二，證實了企業(yè)開展數(shù)字化轉(zhuǎn)型會降低企業(yè)股價崩盤風(fēng)險，有利于更好地保護(hù)投資者利益；第三，為后續(xù)更好地開展企業(yè)數(shù)字化轉(zhuǎn)型提供政策啟示。