李順平 朱順和

（澳門科技大學(xué)商學(xué)院，澳門 999078）

一、引言

自2020年初以來(lái)，新冠肺炎疫情（以下簡(jiǎn)稱疫情）因其高傳染性特征反復(fù)侵?jǐn)_經(jīng)濟(jì)社會(huì)活動(dòng)的正常開展，也對(duì)金融市場(chǎng)運(yùn)行造成一定影響。受疫情影響，投資者獲取市場(chǎng)信息大多依賴網(wǎng)絡(luò)，尤其對(duì)于占我國(guó)股票市場(chǎng)較大比例的個(gè)人投資者而言，互聯(lián)網(wǎng)信息已經(jīng)成為其投資決策形成的關(guān)鍵依據(jù)，而這一變化也進(jìn)一步傳遞到股票市場(chǎng)。已有許多學(xué)者注意到國(guó)內(nèi)投資者關(guān)注對(duì)股票市場(chǎng)的影響（俞慶進(jìn)和張兵，2012；張繼德等，2014；瞿慧和沈微，2022）[1-3]?？紤]到投資者在決策過(guò)程中不僅會(huì)考量公司本身，也會(huì)進(jìn)一步考察其所屬行業(yè)，因此，也有必要明確投資者對(duì)某只股票的關(guān)注帶來(lái)的同業(yè)溢出效應(yīng)，特別是對(duì)股票市場(chǎng)的流動(dòng)性和價(jià)格波動(dòng)的影響，從而完善股票市場(chǎng)的信息反饋機(jī)制。

現(xiàn)有研究在討論投資者關(guān)注對(duì)股票流動(dòng)性以及價(jià)格波動(dòng)的影響時(shí)，往往通過(guò)構(gòu)建線性回歸模型來(lái)估計(jì)二者之間是否存在相關(guān)關(guān)系（Ben-Rephael 等，2017；Goddard 等，2015）[4，5]。但一般多元線性回歸模型的假設(shè)檢驗(yàn)針對(duì)樣本自身的關(guān)系，特別是在雙向固定效應(yīng)模型中，割裂了樣本與樣本之間、時(shí)點(diǎn)與時(shí)點(diǎn)之間的聯(lián)系，這也導(dǎo)致過(guò)往文獻(xiàn)忽略了投資者關(guān)注引起的股票流動(dòng)性和價(jià)格波動(dòng)的溢出效應(yīng)。而現(xiàn)有研究對(duì)于上市公司中存在的同業(yè)溢出效應(yīng)的實(shí)證檢驗(yàn)，主要通過(guò)對(duì)樣本進(jìn)行劃分來(lái)實(shí)現(xiàn)，即將具備某部分特征的公司與其他同業(yè)公司分別作為解釋變量和被解釋變量，然后進(jìn)行檢驗(yàn)。例如，鐘凱等（2021）[6]檢驗(yàn)了頭部公司的業(yè)績(jī)報(bào)告會(huì)情感語(yǔ)調(diào)信息與同業(yè)其他公司的股票回報(bào)之間的相關(guān)關(guān)系；Wu 等（2020）[7]利用同業(yè)公司并購(gòu)前后的財(cái)務(wù)績(jī)效差異的滯后項(xiàng)來(lái)解釋其他公司的績(jī)效變化。但此類實(shí)證研究方法存在一定缺陷：一方面，同業(yè)溢出效應(yīng)的檢驗(yàn)并不完整，因?yàn)榧僭O(shè)了溢出效應(yīng)的影響是單向而非雙向的；另一方面，檢驗(yàn)不完整導(dǎo)致回歸模型可能存在互為因果的內(nèi)生性問(wèn)題。因此，本文將空間計(jì)量模型應(yīng)用于上市公司的同業(yè)溢出效應(yīng)研究，以克服以上不足。

本文的主要?jiǎng)?chuàng)新之處在于三個(gè)方面：其一，首次構(gòu)建了同業(yè)空間矩陣，抽象出上市公司之間的行業(yè)關(guān)系，并基于同業(yè)空間矩陣檢驗(yàn)了股票流動(dòng)性和價(jià)格波動(dòng)的同業(yè)自相關(guān)特征；其二，將同業(yè)空間矩陣引入空間計(jì)量模型，從而提供一種新的方法來(lái)檢驗(yàn)同業(yè)溢出效應(yīng)，據(jù)此檢驗(yàn)了投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的同業(yè)溢出效應(yīng)，以及機(jī)構(gòu)持股的調(diào)節(jié)效應(yīng)；基于疫情所造成的影響，檢驗(yàn)了后疫情時(shí)代投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的同業(yè)溢出效應(yīng)的變化。

二、文獻(xiàn)綜述與研究假設(shè)

（一）投資者關(guān)注對(duì)股票市場(chǎng)的影響

現(xiàn)有研究對(duì)投資者關(guān)注度的衡量通常從兩個(gè)角度展開。其一，采用引起投資者關(guān)注的間接代理變量來(lái)衡量，如新聞、公告、網(wǎng)絡(luò)論壇或者股票的異常收益率等（Engelberg 等，2012；周亮，2021）[8，9]。其二，近年來(lái)許多學(xué)者使用搜索量數(shù)據(jù)來(lái)直接度量投資者對(duì)上市公司的關(guān)注程度，如以境外上市公司為對(duì)象的研究通常使用Google Trend 的搜索量指數(shù)衡量投資者關(guān)注（Da 等，2011）[10]，而以A 股上市公司為對(duì)象的研究則通常使用百度指數(shù)（俞慶進(jìn)和張兵，2012；張繼德等，2014）[1，2]，此外，還有學(xué)者使用彭博金融終端的搜索和閱讀特定文章的數(shù)據(jù)來(lái)衡量機(jī)構(gòu)投資者關(guān)注（Ouadghiri I等，2022）[11]。

投資者關(guān)注對(duì)股票市場(chǎng)的影響主要包括三個(gè)方面，分別是股票流動(dòng)性、股票收益和價(jià)格波動(dòng)，其中股價(jià)波動(dòng)也通常用于反映價(jià)格風(fēng)險(xiǎn)。首先，基于不完全信息市場(chǎng)理論（Merton，1987）[12]，投資者對(duì)股票的有限關(guān)注會(huì)擴(kuò)大其交易活動(dòng)，這一現(xiàn)象通常從兩個(gè)方面進(jìn)行解釋。一方面，由于認(rèn)知和資源的限制，投資者無(wú)法獲知有關(guān)股票市場(chǎng)的所有公開、有效的信息，所以更偏好交易熟悉的股票，這也是有限理性的一個(gè)重要體現(xiàn)（Barber 和Odean，2008；Fang 和Peress，2009）[13，14]。另一方面，媒體報(bào)道、證券分析師報(bào)告以及上市公司對(duì)自身的宣傳都會(huì)驅(qū)動(dòng)投資者交易這些公司的股票，從而引起交易量上升（Ben-Rephael等，2017）[4]。其次，投資者關(guān)注對(duì)股票收益的影響主要通過(guò)有限關(guān)注與資產(chǎn)定價(jià)的關(guān)系來(lái)實(shí)現(xiàn)（Goddard等，2015）[5]。投資者通常更加關(guān)注行業(yè)層面或者宏觀經(jīng)濟(jì)的信息，而不是上市公司自身的情況（Peng，2005）[15]，Peng和Xiong（2006）[16]通過(guò)進(jìn)一步實(shí)證研究發(fā)現(xiàn)，這種分類學(xué)習(xí)的特點(diǎn)結(jié)合投資者的過(guò)度自信，使得股票收益可以被預(yù)測(cè)。最后，正是由于投資者關(guān)注度升高帶來(lái)股票流動(dòng)性和收益特征的變化，新的市場(chǎng)信息迅速融入價(jià)格，帶來(lái)價(jià)格波動(dòng)（Andrei 和Hasler，2015）[17]。不僅如此，普通投資者通常被視為噪聲交易者（Delong等，1990）[18]，當(dāng)其對(duì)上市公司的關(guān)注度上升時(shí)，可能帶來(lái)大量噪聲交易，從而推動(dòng)價(jià)格波動(dòng)放大。

同業(yè)溢出效應(yīng)通常表現(xiàn)為公司內(nèi)部或外部條件的改變對(duì)同行業(yè)其他公司造成類似的影響。對(duì)于同業(yè)溢出效應(yīng)的研究，最早見于Foster（1981）[19]對(duì)同業(yè)公司信息關(guān)聯(lián)性的分析，認(rèn)為公司披露的信息中往往包含所處行業(yè)共同的特質(zhì)，而相關(guān)領(lǐng)域較早的實(shí)證研究主要在金融機(jī)構(gòu)中展開 （Polonchek 和Miller，1999）[20]。目前對(duì)上市公司的研究主要聚焦于同業(yè)信息的溢出效應(yīng)，也被稱為傳染效應(yīng)，其研究視角大多集中于盈余公告對(duì)同業(yè)公司的溢出效應(yīng)（鐘凱等，2021）[6]。金融市場(chǎng)的溢出效應(yīng)通常表現(xiàn)得更為廣泛。Chow（2017）[21]實(shí)證研究了美國(guó)、英國(guó)以及亞洲10個(gè)國(guó)家的股票市場(chǎng)之間存在的波動(dòng)溢出效應(yīng)，Uzonwanne（2021）[22]則通過(guò)多元VARMA-AGARCH 模型檢驗(yàn)了股票市場(chǎng)與加密貨幣市場(chǎng)之間的波動(dòng)率和收益溢出現(xiàn)象。

事實(shí)上，不僅是市場(chǎng)間存在溢出效應(yīng)，市場(chǎng)內(nèi)部的同業(yè)溢出效應(yīng)也經(jīng)常受到關(guān)注。投資者和股票分析師通常會(huì)根據(jù)某只股票的異常變化來(lái)推測(cè)行業(yè)的整體變化，從而調(diào)整投資策略。因此，當(dāng)這些變化引起投資者關(guān)注度上升時(shí)，在推動(dòng)股票流動(dòng)性和價(jià)格波動(dòng)增強(qiáng)的同時(shí)，也會(huì)驅(qū)動(dòng)投資者交易其他同業(yè)股票以規(guī)避市場(chǎng)風(fēng)險(xiǎn)或追逐超額收益。

因此，根據(jù)上述分析，本文提出以下假設(shè)：

H1：投資者關(guān)注對(duì)股票流動(dòng)性具有正向影響，且存在同業(yè)溢出效應(yīng)。

H2：投資者關(guān)注對(duì)股票價(jià)格波動(dòng)具有正向影響，且存在同業(yè)溢出效應(yīng)。

（二）機(jī)構(gòu)持股的調(diào)節(jié)效應(yīng)

機(jī)構(gòu)投資者與個(gè)人投資者具有顯著的特征差異，對(duì)于上市公司而言，前者不僅是股東，還是重要的監(jiān)督者（Koh，2003）[23]?，F(xiàn)有對(duì)于機(jī)構(gòu)投資者與股票市場(chǎng)關(guān)系的研究，大多集中于機(jī)構(gòu)持股對(duì)價(jià)格波動(dòng)和價(jià)格風(fēng)險(xiǎn)的影響，并形成了兩種主要觀點(diǎn)。一方面，部分學(xué)者認(rèn)為機(jī)構(gòu)持股可以有效抑制股價(jià)波動(dòng)。對(duì)比個(gè)人投資者，機(jī)構(gòu)投資者的交易風(fēng)格更加穩(wěn)健，且在投資過(guò)程中也會(huì)遵循謹(jǐn)慎性原則，盡量規(guī)避高波動(dòng)的股票（Oak和Dalbor，2008）[24]。此外，機(jī)構(gòu)投資者通常會(huì)與上市公司管理層建立密切聯(lián)系，從而有效降低信息不對(duì)稱，進(jìn)而降低股票波動(dòng)。另一方面，部分學(xué)者認(rèn)為機(jī)構(gòu)投資者可能受超額收益的吸引，投資高波動(dòng)股票，從而使價(jià)格波動(dòng)更加劇烈（Ferreira 和Matos，2008）[25]。同時(shí)，機(jī)構(gòu)持股引發(fā)的羊群效應(yīng)可能引導(dǎo)個(gè)人投資者交易相關(guān)股票（Campbell 等，2009）[26]，從而提高噪聲交易的比重，導(dǎo)致股票的流動(dòng)性和價(jià)格波動(dòng)增大。

盡管機(jī)構(gòu)持股對(duì)股價(jià)波動(dòng)的影響有所爭(zhēng)議，但機(jī)構(gòu)持股對(duì)投資者關(guān)注與股票流動(dòng)性和價(jià)格波動(dòng)之間關(guān)系的影響可能相對(duì)明確。一方面，無(wú)論機(jī)構(gòu)投資者的投資風(fēng)格偏向穩(wěn)健還是激進(jìn)，其交易頻率總的來(lái)說(shuō)都遠(yuǎn)低于個(gè)人投資者。另一方面，對(duì)于機(jī)構(gòu)持股比例較高的股票，即使投資者關(guān)注度上升導(dǎo)致噪聲交易增多，對(duì)流動(dòng)性和價(jià)格波動(dòng)的影響空間也相對(duì)有限?；诖?，機(jī)構(gòu)投資者持股可能抑制投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的正向影響。因此，本文提出以下假設(shè)：

H3：機(jī)構(gòu)持股對(duì)投資者關(guān)注與股票流動(dòng)性的關(guān)系具有負(fù)向調(diào)節(jié)作用。

H4：機(jī)構(gòu)持股對(duì)投資者關(guān)注與股票價(jià)格波動(dòng)的關(guān)系具有負(fù)向調(diào)節(jié)作用。

綜上，已有研究大多探討股票受到自身投資者關(guān)注的影響，而在一定程度上忽略了其同業(yè)溢出效應(yīng)，本文梳理了投資者關(guān)注、機(jī)構(gòu)持股以及股票流動(dòng)性和價(jià)格波動(dòng)之間的理論關(guān)系（見圖1），表明同業(yè)股票間的溢出效應(yīng)也是引起流動(dòng)性和價(jià)格波動(dòng)變化的重要原因，從而對(duì)股票市場(chǎng)的信息反饋機(jī)制形成補(bǔ)充。

圖1：理論關(guān)系圖

三、研究設(shè)計(jì)

（一）樣本選擇與數(shù)據(jù)來(lái)源

本文的研究對(duì)象為2017年1月—2021年12月滬深A(yù)股市場(chǎng)上市公司的月度數(shù)據(jù)，數(shù)據(jù)來(lái)自百度指數(shù)網(wǎng)站和萬(wàn)得數(shù)據(jù)庫(kù)。為了保證研究期間的數(shù)據(jù)完整性，本文依據(jù)證監(jiān)會(huì)行業(yè)分類方法選取了66 個(gè)行業(yè)門類共889 家公司構(gòu)成平衡面板進(jìn)行研究。此外，為了避免極端值造成的估計(jì)結(jié)果偏差，本文對(duì)所有連續(xù)變量進(jìn)行了1%的縮尾處理。行業(yè)門類與公司數(shù)量見表1。

表1：行業(yè)門類分布

（二）研究變量

1.被解釋變量。根據(jù)本文的研究目的和研究假設(shè)，被解釋變量包括股票流動(dòng)性（SL）和股票價(jià)格波動(dòng)（SPV）。根據(jù)現(xiàn)有相關(guān)研究成果，本文使用股票當(dāng)月的換手率來(lái)衡量流動(dòng)性，使用股票的對(duì)數(shù)收益率的標(biāo)準(zhǔn)差來(lái)衡量?jī)r(jià)格波動(dòng)，分別定義為：

其中，V表示成交量，F(xiàn)表示流通股總股數(shù)，rt表示股票在第t期的對(duì)數(shù)收益率，表示對(duì)數(shù)收益率的平均值，St表示股票在第t期的價(jià)格，n表示天數(shù)。

2.解釋變量。參考張繼德等（2014）[2]的研究方法，本文使用百度指數(shù)衡量投資者關(guān)注（IA），并以此作為解釋變量。本文使用GoPUP 開源軟件包對(duì)百度指數(shù)進(jìn)行采集，通常情況下，投資者較少使用上市公司全稱進(jìn)行搜索，且股票代碼包含有非投資意向的搜索，因此，選擇以股票簡(jiǎn)稱作為關(guān)鍵詞的搜索量數(shù)據(jù)來(lái)衡量投資者關(guān)注。此外，本文采用月度數(shù)據(jù)，而每月天數(shù)有略微差異，盡管研究模型中控制了時(shí)間固定效應(yīng)，但仍有可能導(dǎo)致估計(jì)偏差。因此，本文使用日均百度指數(shù)的自然對(duì)數(shù)來(lái)衡量投資者關(guān)注。

其中，∑BI表示當(dāng)月百度指數(shù)之和，D表示當(dāng)月天數(shù)。

3.調(diào)節(jié)變量和控制變量。本文討論機(jī)構(gòu)持股（II）在投資者關(guān)注與股票流動(dòng)性和價(jià)格波動(dòng)關(guān)系中的調(diào)節(jié)效應(yīng)，用股票的機(jī)構(gòu)投資者持股比例進(jìn)行衡量。此外，考慮到其他可能影響流動(dòng)性和價(jià)格波動(dòng)的因素，本文引入股票市值的自然對(duì)數(shù)（SCA）、股票市凈率（PB）和市場(chǎng)組合收益率（MRE）作為控制變量。變量定義與描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2：變量定義與描述性統(tǒng)計(jì)

（三）研究模型

為了驗(yàn)證H1 和H2，本文參考俞慶進(jìn)和張兵（2012）[1]改進(jìn)的Fama-French三因子模型，構(gòu)建了如下模型：

其中，Yi,t指股票i在第t期的股票流動(dòng)性(SLi,t)和價(jià)格波動(dòng)(SPVi,t)，μi表示個(gè)體固定效應(yīng)，υt表示時(shí)間固定效應(yīng)，εi,t為回歸殘差。

在此基礎(chǔ)上，引入同業(yè)空間矩陣來(lái)檢驗(yàn)同業(yè)溢出效應(yīng)，根據(jù)基準(zhǔn)模型的似然比檢驗(yàn)結(jié)果（見表3），本文應(yīng)使用空間杜賓模型（SDM）對(duì)系數(shù)進(jìn)行估計(jì)，而不能簡(jiǎn)化為空間自相關(guān)模型（SAR）或空間誤差模型（SEM），具體模型如下：

表3：似然比檢驗(yàn)結(jié)果

其中，i和j均表示上市公司，w表示同業(yè)空間矩陣，ρ為空間自回歸系數(shù)，C表示控制變量。

根據(jù)陳強(qiáng)（2014）[27]的觀點(diǎn)，式（7）中β1并非投資者關(guān)注對(duì)被解釋變量的邊際效應(yīng)，因?yàn)橥顿Y者關(guān)注對(duì)被解釋變量產(chǎn)生作用后，各樣本的被解釋變量之間還會(huì)相互作用。而核心解釋變量IA對(duì)被解釋變量的影響可以定義為：

其中，I表示單位矩陣。

因此，對(duì)于式（8）而言，當(dāng)j=i時(shí)，表示上市公司i的投資者關(guān)注對(duì)自身被解釋變量的影響，即直接效應(yīng)；當(dāng)j≠i時(shí)，表示其他上市公司的投資者關(guān)注對(duì)上市公司i被解釋變量的影響，即間接效應(yīng)；直接效應(yīng)和間接效應(yīng)之和為總效應(yīng)。

綜合眾多學(xué)者對(duì)跨文化能力的解釋，本文對(duì)跨文化能力的內(nèi)容做一個(gè)概括，跨文化能力包括：知識(shí)(對(duì)本族文化和其他文化的了解)、情感(好奇、移情、開發(fā)和懸疑)、意識(shí)(對(duì)文化差異的意識(shí))、技能(發(fā)現(xiàn)和交往技能)。

在式（7）的基礎(chǔ)上，為了驗(yàn)證H3 和H4，引入了調(diào)節(jié)變量機(jī)構(gòu)持股（II）與解釋變量投資者關(guān)注（IA）的交互項(xiàng)IA_II來(lái)檢驗(yàn)調(diào)節(jié)效應(yīng)，故建立具有調(diào)節(jié)效應(yīng)的空間杜賓模型如下：

（四）同業(yè)空間矩陣

空間權(quán)重矩陣是將空間效應(yīng)引入經(jīng)濟(jì)領(lǐng)域研究過(guò)程中非常關(guān)鍵的環(huán)節(jié)，通常用來(lái)表達(dá)空間區(qū)域的位置關(guān)系。根據(jù)Tobler 地理學(xué)第一定理可以得知，相近事物的關(guān)聯(lián)強(qiáng)于相距較遠(yuǎn)的事物。基于此，用于衡量研究對(duì)象之間親疏關(guān)系的空間權(quán)重矩陣通常有兩種形式：一是基于研究對(duì)象是否直接鄰接的二進(jìn)制權(quán)重矩陣，也稱為拉普拉斯矩陣（Laplacian Matrix）；二是基于距離倒數(shù)的權(quán)重矩陣。后者的構(gòu)建不僅可以依據(jù)地理距離，還可以通過(guò)社會(huì)經(jīng)濟(jì)特征對(duì)不同空間區(qū)域的距離進(jìn)行衡量（林光平等，2005）[28]。本文拓展了空間距離的范疇，將其抽象為上市公司之間的距離關(guān)系，具體來(lái)說(shuō)，同行業(yè)公司之間的關(guān)系比不同行業(yè)公司之間的關(guān)系更加緊密。因此，本文在鄰接空間矩陣的基礎(chǔ)上，認(rèn)為同行業(yè)公司是鄰接的，而不同行業(yè)公司則不相鄰，進(jìn)而將同業(yè)空間矩陣定義為：

在此定義下，同行業(yè)內(nèi)的公司兩兩鄰接，而不同行業(yè)的公司之間則均不相鄰，從而刻畫出公司之間的“空間關(guān)系”。圖2顯示的是簡(jiǎn)化后的同業(yè)空間關(guān)系。

圖2：同業(yè)空間矩陣示意圖

四、實(shí)證結(jié)果

（一）同業(yè)自相關(guān)特征

本文通過(guò)向空間杜賓模型引入同業(yè)空間矩陣來(lái)探究投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的同業(yè)溢出效應(yīng)，在檢驗(yàn)空間效應(yīng)之前需要先檢驗(yàn)被解釋變量（股票流動(dòng)性和價(jià)格波動(dòng)）的同業(yè)自相關(guān)特征。889 家上市公司的股票流動(dòng)性和價(jià)格波動(dòng)在2017年1月—2021年12月的全局莫蘭指數(shù)（Moran's I）均表現(xiàn)出顯著為正的自相關(guān)特征（見表4）。股票流動(dòng)性和價(jià)格波動(dòng)在2017年1月和2021年12月的莫蘭散點(diǎn)圖（見圖3）顯示，大部分樣本處于“高—高”聚集或“低—低”聚集區(qū)域，這也進(jìn)一步說(shuō)明股票流動(dòng)性和價(jià)格波動(dòng)在同業(yè)空間矩陣下具有顯著的同業(yè)自相關(guān)的特點(diǎn)。

表4：股票流動(dòng)性和價(jià)格波動(dòng)的莫蘭指數(shù)

圖3：股票流動(dòng)性和價(jià)格波動(dòng)的莫蘭散點(diǎn)圖

（二）同業(yè)溢出效應(yīng)

表5 列示了采用固定效應(yīng)模型的面板OLS 回歸的系數(shù)估計(jì)結(jié)果，以及采用同業(yè)空間矩陣的空間杜賓模型空間效應(yīng)分解，被解釋變量為股票流動(dòng)性。首先，從固定效應(yīng)模型的面板OLS回歸以及直接效應(yīng)估計(jì)結(jié)果來(lái)看，投資者關(guān)注的系數(shù)分別為0.784 和0.751，且均在1%的顯著性水平下為正，表明對(duì)于樣本自身而言，投資者關(guān)注對(duì)股票流動(dòng)性具有正向影響，部分驗(yàn)證了H1。其次，投資者關(guān)注的間接效應(yīng)系數(shù)為0.357，并在1%的顯著性水平下為正，表明同業(yè)其他上市公司的投資者關(guān)注也會(huì)對(duì)股票流動(dòng)性產(chǎn)生正向影響，即存在同業(yè)溢出效應(yīng)，從而驗(yàn)證了H1。最后，空間效應(yīng)分解結(jié)果顯示，同業(yè)其他公司的投資者關(guān)注每上升1%，就會(huì)帶來(lái)股票流動(dòng)性增加0.357%，占總效應(yīng)的32.22%。

表5：投資者關(guān)注對(duì)股票流動(dòng)性的同業(yè)溢出效應(yīng)

同時(shí)，股票市值的固定效應(yīng)模型回歸系數(shù)和直接效應(yīng)顯著為負(fù)，而間接效應(yīng)顯著為正，從而表明股票流動(dòng)性容易向同業(yè)較低市值的公司溢出不變。市凈率的直接效應(yīng)系數(shù)顯著為正，而間接效應(yīng)的系數(shù)顯著為負(fù)，表明股票流動(dòng)性容易向同業(yè)較高估值的公司溢出，即高估值能夠吸引更多的投資者交易其股票。市場(chǎng)組合收益的固定效應(yīng)模型估計(jì)系數(shù)顯著為負(fù)，但由于該變量?jī)H與時(shí)間相關(guān)而與個(gè)股無(wú)關(guān)，空間杜賓模型分解效應(yīng)均不顯著，即不存在同業(yè)溢出效應(yīng)。

表6 列示了以價(jià)格波動(dòng)為被解釋變量的面板OLS回歸及空間分解效應(yīng)的估計(jì)結(jié)果。投資者關(guān)注對(duì)價(jià)格波動(dòng)的直接效應(yīng)和間接效應(yīng)均顯著為正，說(shuō)明投資者關(guān)注對(duì)自身價(jià)格波動(dòng)有正向影響，且同業(yè)其他公司的投資者關(guān)注上升，也會(huì)導(dǎo)致股價(jià)波動(dòng)加劇，即具有同業(yè)溢出效應(yīng)，進(jìn)而驗(yàn)證了H2。投資者關(guān)注對(duì)價(jià)格波動(dòng)影響的空間效應(yīng)分解顯示，直接效應(yīng)系數(shù)為0.115，間接效應(yīng)系數(shù)為0.070，間接效應(yīng)占到了總效應(yīng)的37.84%。

表6：投資者關(guān)注對(duì)股票價(jià)格波動(dòng)的同業(yè)溢出效應(yīng)

值得注意的是，解釋變量投資者關(guān)注的固定效應(yīng)模型回歸與空間分解效應(yīng)中直接效應(yīng)的系數(shù)和顯著性均非常接近，在一定程度上驗(yàn)證了實(shí)證結(jié)果的穩(wěn)健性。

（三）機(jī)構(gòu)持股的調(diào)節(jié)效應(yīng)

根據(jù)前文分析，機(jī)構(gòu)持股可能對(duì)投資者關(guān)注與股票流動(dòng)性和價(jià)格波動(dòng)之間的關(guān)系具有調(diào)節(jié)作用，因此，在基準(zhǔn)回歸模型中引入了投資者關(guān)注與機(jī)構(gòu)持股的交互項(xiàng)。以股票流動(dòng)性和股票價(jià)格波動(dòng)為被解釋變量的調(diào)節(jié)效應(yīng)檢驗(yàn)結(jié)果分別列示于表7和表8中。

被解釋變量為股票流動(dòng)性的回歸結(jié)果中，投資者關(guān)注與機(jī)構(gòu)持股的交互項(xiàng)在固定效應(yīng)模型和直接效應(yīng)中的系數(shù)均在1%的水平下顯著為負(fù)，總效應(yīng)系數(shù)在5%的水平下顯著為負(fù)，表明機(jī)構(gòu)持股會(huì)抑制投資者關(guān)注與股票流動(dòng)性之間的關(guān)系，驗(yàn)證了H3。在以價(jià)格波動(dòng)為被解釋變量的回歸結(jié)果中，交互項(xiàng)在固定效應(yīng)模型與SDM 分解效應(yīng)回歸結(jié)果中的系數(shù)均在1%的水平下顯著為負(fù)，表明機(jī)構(gòu)投資者持股顯著抑制了投資者關(guān)注與價(jià)格波動(dòng)之間的關(guān)系，驗(yàn)證了H4。由此看來(lái)，對(duì)于機(jī)構(gòu)投資者持股比例較高的上市公司而言，機(jī)構(gòu)持股一方面會(huì)抑制投資者關(guān)注帶來(lái)的流動(dòng)性增加，但另一方面也會(huì)平抑由此而來(lái)的價(jià)格波動(dòng)，從而降低價(jià)格風(fēng)險(xiǎn)。

表7 和表8 中交互項(xiàng)的間接效應(yīng)系數(shù)估計(jì)結(jié)果均顯著為正，說(shuō)明同業(yè)其他公司的機(jī)構(gòu)持股對(duì)同業(yè)溢出效應(yīng)存在正向的調(diào)節(jié)作用。具體來(lái)說(shuō)，當(dāng)同業(yè)其他公司的機(jī)構(gòu)投資者持股比例較高時(shí)，會(huì)強(qiáng)化同業(yè)其他公司的投資者關(guān)注對(duì)本公司股票流動(dòng)性和價(jià)格波動(dòng)的影響，也意味著增強(qiáng)了機(jī)構(gòu)持股比例較低的公司所受到的同業(yè)溢出效應(yīng)。

表7：被解釋變量為股票流動(dòng)性的機(jī)構(gòu)持股調(diào)節(jié)效應(yīng)

表8：被解釋變量為股票價(jià)格波動(dòng)的機(jī)構(gòu)持股調(diào)節(jié)效應(yīng)

此外，對(duì)于機(jī)構(gòu)持股的調(diào)節(jié)效應(yīng)而言，固定效應(yīng)OLS回歸結(jié)果與直接效應(yīng)同樣非常接近，也進(jìn)一步驗(yàn)證了本文對(duì)于機(jī)構(gòu)持股調(diào)節(jié)效應(yīng)檢驗(yàn)的穩(wěn)健性。

（四）進(jìn)一步研究：后疫情時(shí)代的變化

疫情暴發(fā)不僅帶來(lái)了社會(huì)運(yùn)行和生活習(xí)慣的變化，同樣也影響了投資活動(dòng)。許多學(xué)者研究了后疫情時(shí)代投資者行為的變化對(duì)股票市場(chǎng)的影響。Phan 和Narayan（2020）[29]觀察到疫情暴發(fā)后，股票市場(chǎng)對(duì)外部信息可能會(huì)出現(xiàn)過(guò)度反應(yīng)的現(xiàn)象。Prabheesh（2020）[30]和Chang等（2021）[31]的研究顯示疫情暴發(fā)導(dǎo)致股票收益率普遍下降。Haroon 等（2021）[32]通過(guò)實(shí)證檢驗(yàn)發(fā)現(xiàn)疫情期間市場(chǎng)波動(dòng)加劇。一方面，疫情防控措施使投資者獲取信息的方式更加集中于互聯(lián)網(wǎng)；另一方面，突發(fā)公共衛(wèi)生事件本身也會(huì)導(dǎo)致投資者過(guò)度解讀外部信息（Stein，1996）[33]，從而更容易導(dǎo)致投資者對(duì)市場(chǎng)的非理性判斷。

本文設(shè)置了疫情虛擬變量COV，由于疫情在2019年底暴發(fā)，因此，將2017年1月—2019年12月的COV 值設(shè)為0，2020年1月—2021年12月的COV值設(shè)為1，并在模型（2）中引入了COV 與解釋變量的交互項(xiàng)IA_COV，用以觀察疫情對(duì)投資者關(guān)注與股票流動(dòng)性和價(jià)格波動(dòng)關(guān)系的影響，并相應(yīng)建立了如下估計(jì)模型：

估計(jì)結(jié)果如表9 所示，由于面板OLS 回歸結(jié)果與直接效應(yīng)十分接近，本文僅列示空間杜賓控制空間分解效應(yīng)的系數(shù)估計(jì)結(jié)果。從估計(jì)結(jié)果來(lái)看，無(wú)論是以流動(dòng)性還是以價(jià)格波動(dòng)為被解釋變量，交互項(xiàng)IA_COV 的系數(shù)在直接效應(yīng)和間接效應(yīng)中均顯著為負(fù)。這一結(jié)果表明后疫情時(shí)代弱化了投資者關(guān)注帶來(lái)的股票自身流動(dòng)性和價(jià)格波動(dòng)的上升，也抑制了同業(yè)溢出效應(yīng)。引起這一變化的主要原因可能是：疫情暴發(fā)使宏觀經(jīng)濟(jì)不確定性和市場(chǎng)風(fēng)險(xiǎn)不斷上升，投資者有限關(guān)注導(dǎo)致的過(guò)度自信和非理性交易則相對(duì)降低，導(dǎo)致投資行為比疫情暴發(fā)前更加審慎和理性，從而抑制了投資者關(guān)注帶來(lái)的股票流動(dòng)性和價(jià)格波動(dòng)的增強(qiáng)。

表9：后疫情時(shí)代同業(yè)溢出效應(yīng)的變化

五、主要結(jié)論與政策啟示

本文利用2017年1月—2021年12月33 個(gè)門類共889 家滬深A(yù) 股上市公司構(gòu)成的平衡面板，構(gòu)造同業(yè)空間矩陣并將其引入空間杜賓模型，實(shí)證分析投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的影響及同業(yè)溢出效應(yīng)。結(jié)果顯示：第一，所選樣本的股票流動(dòng)性和價(jià)格波動(dòng)在同業(yè)空間矩陣下體現(xiàn)出顯著的同業(yè)自相關(guān)特征。第二，投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)均體現(xiàn)出正向影響且存在同業(yè)溢出效應(yīng)，即流動(dòng)性和價(jià)格波動(dòng)會(huì)受到同業(yè)其他公司投資者關(guān)注的影響。其中，股票流動(dòng)性受同業(yè)其他公司投資者關(guān)注的影響占總效應(yīng)的32.22%，股票價(jià)格波動(dòng)受同業(yè)其他公司投資者關(guān)注的影響占總效應(yīng)的37.84%。第三，機(jī)構(gòu)持股對(duì)投資者關(guān)注與股票流動(dòng)性、價(jià)格波動(dòng)之間的關(guān)系存在負(fù)向調(diào)節(jié)作用，但同時(shí)也顯著促進(jìn)了同業(yè)其他公司投資者關(guān)注與股票流動(dòng)性和價(jià)格波動(dòng)的關(guān)系，即對(duì)同業(yè)溢出效應(yīng)具有顯著的正向調(diào)節(jié)作用。第四，后疫情時(shí)代投資者關(guān)注對(duì)股票流動(dòng)性和價(jià)格波動(dòng)的影響得到弱化。

本文在現(xiàn)有研究基礎(chǔ)上擴(kuò)展了資本市場(chǎng)的信息反饋機(jī)制，同時(shí)也為股票市場(chǎng)穩(wěn)健高質(zhì)量發(fā)展提供了政策啟示。第一，加強(qiáng)對(duì)投資咨詢業(yè)務(wù)的監(jiān)管。投資咨詢活動(dòng)是引起投資者關(guān)注的重要來(lái)源，監(jiān)管部門應(yīng)引導(dǎo)金融機(jī)構(gòu)和投資咨詢公司以審慎性原則開展相關(guān)業(yè)務(wù)，既要合理促進(jìn)市場(chǎng)流動(dòng)性，也要幫助投資者做出理性的決策，平抑市場(chǎng)波動(dòng)。第二，提高機(jī)構(gòu)投資者比例。適當(dāng)引導(dǎo)個(gè)人投資者通過(guò)基金等專業(yè)機(jī)構(gòu)間接投資股票市場(chǎng)，可以在一定程度上抑制價(jià)格波動(dòng)，保障股票市場(chǎng)穩(wěn)健運(yùn)行。第三，加強(qiáng)對(duì)網(wǎng)絡(luò)財(cái)經(jīng)媒體和平臺(tái)的監(jiān)管。由于疫情在將來(lái)一段時(shí)間可能仍然存在，投資者主要依賴互聯(lián)網(wǎng)獲取股票市場(chǎng)信息，因此，相關(guān)部門需要加強(qiáng)對(duì)網(wǎng)絡(luò)財(cái)經(jīng)內(nèi)容的發(fā)布主體的監(jiān)管，尤其是在宏觀經(jīng)濟(jì)不確定性上升的時(shí)期，這一舉措可以降低由不實(shí)信息帶來(lái)的市場(chǎng)風(fēng)險(xiǎn)。