黃哲 呂江林 朱小能

【摘要】應用基于機器學習的文本分析方法， 選取我國A股上市企業(yè)2010 ～ 2021年的數(shù)據(jù)， 考察企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者羊群行為的抑制作用。研究發(fā)現(xiàn)， 企業(yè)數(shù)字化轉(zhuǎn)型通過緩解信息不對稱， 顯著抑制了機構投資者羊群行為。機制檢驗表明： 企業(yè)數(shù)字化轉(zhuǎn)型提高了企業(yè)的信息披露水平， 有助于外部投資者掌握更充分的信息， 進而抑制機構投資者羊群行為； 企業(yè)數(shù)字化轉(zhuǎn)型引發(fā)了分析師和大眾媒體的關注， 緩解了投資者的信息不對稱， 進而抑制機構投資者羊群行為。區(qū)分買方市場和賣方市場發(fā)現(xiàn)， 企業(yè)數(shù)字化轉(zhuǎn)型對賣方市場上機構投資者羊群行為產(chǎn)生的抑制作用更強。異質(zhì)性分析表明， 企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者羊群行為的抑制作用在高科技企業(yè)、 中小型企業(yè)、 機構投資者持股比例較低的企業(yè)中表現(xiàn)得更加明顯。

【關鍵詞】數(shù)字化轉(zhuǎn)型；機構投資者羊群行為；文本分析；數(shù)字經(jīng)濟；信息不對稱

【中圖分類號】F832.5? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2023）22-0125-11

一、 引言

近年來， 隨著數(shù)字技術的不斷應用迭代， 數(shù)字化轉(zhuǎn)型帶來的技術紅利已經(jīng)全方位地滲透到當代企業(yè)經(jīng)營的方方面面（Ilvonen等，2018）。2023年3月， 中共中央、 國務院印發(fā)了《黨和國家機構改革方案》， 其中提出組建國家數(shù)據(jù)局。國家數(shù)據(jù)局負責協(xié)調(diào)推進數(shù)據(jù)基礎制度建設， 統(tǒng)籌推進數(shù)字中國、 數(shù)字經(jīng)濟等規(guī)劃和建設。企業(yè)數(shù)字化轉(zhuǎn)型的經(jīng)濟后果已成為當代學術界、 政界和業(yè)界共同關注的重點問題。

在新興市場中， 由于企業(yè)內(nèi)部信息不透明、 信息渠道不通暢、 信息披露法規(guī)不完善等， 各類信息不對稱現(xiàn)象廣泛存在， 使得投資者難以充分地獲取投資標的的相關信息。在強有效市場的理論框架下， 機構投資者被視為掌握充分信息的理性決策者。然而， 大量行為金融學研究證實， 機構投資者是在不完全信息環(huán)境下決策的有限理性人。在新興市場中， 面對信息不對稱等錯綜復雜的市場環(huán)境， 機構投資經(jīng)理為了保證收益和規(guī)避風險， 不得不放棄自有信息， 而選擇與頭部機構和基金同質(zhì)化的投資方式， 造成機構相互跟隨， 機構資金大規(guī)模同向買賣的“機構投資者羊群行為”（Institutional Herding）現(xiàn)象（Sias，2004；Spyrou，2013）。事實上在我國證券市場中， 機構“盲目跟風”“資金踩踏”的現(xiàn)象屢見不鮮。Jacobs（2016）發(fā)現(xiàn)， 由于新興市場中更低的信息透明度， 新興市場中的機構投資者羊群行為強度顯著高于發(fā)達市場。機構投資者是金融市場中的重要參與者， 機構投資者羊群行為加劇了股價的崩盤風險， 對金融市場的總體穩(wěn)定產(chǎn)生了負面影響（許年行等， 2013）。

企業(yè)數(shù)字化轉(zhuǎn)型的核心是對海量數(shù)據(jù)的深度挖掘、 生成、 加工和傳遞（Bharadwaj等，2013）。Farboodi等（2019）認為， 數(shù)據(jù)的本質(zhì)是一種信息。那么， 企業(yè)能夠通過數(shù)字化轉(zhuǎn)型降低機構投資者這一外部信息使用者的信息不對稱程度， 從而抑制其羊群行為嗎？進一步來說， 企業(yè)數(shù)字化轉(zhuǎn)型抑制機構投資者羊群行為存在哪些機制和渠道？截至目前， 已有文獻對這一問題的探討存在空白。在數(shù)字化背景下， 如何充分利用好數(shù)字技術的信息發(fā)現(xiàn)功能， 化解金融市場上的羊群效應， 做好機構投資者的治理工作， 以保證金融市場的系統(tǒng)性穩(wěn)定， 是下一階段建設中國特色現(xiàn)代資本市場的重要工作。

本文使用2010 ～ 2021年我國A股上市企業(yè)樣本探討數(shù)字化轉(zhuǎn)型對機構投資者羊群行為的影響。本文的創(chuàng)新點體現(xiàn)在以下三個方面： 一是現(xiàn)有文獻認為， 企業(yè)數(shù)字化轉(zhuǎn)型在提升企業(yè)生產(chǎn)效率和股票流動性、 降低審計成本和風險等方面發(fā)揮了作用， 但是尚未有文獻在企業(yè)數(shù)字化轉(zhuǎn)型與機構投資者羊群行為之間建立聯(lián)系。本文以資本市場的重要參與者——機構投資者為切入點， 深入探討了企業(yè)數(shù)字化轉(zhuǎn)型對資本市場治理和金融市場穩(wěn)定的重要作用及其影響機制， 豐富了企業(yè)數(shù)字化轉(zhuǎn)型經(jīng)濟后果的研究。二是本文進一步通過異質(zhì)性分析， 探討了企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者羊群行為產(chǎn)生抑制作用的條件因素， 為政府部門相關政策的制定提供了決策依據(jù)。三是本文的研究結(jié)論具有一定的實踐意義， 在各類數(shù)字技術不斷涌現(xiàn)、 金融市場治理問題亟需解決的當下， 本文研究結(jié)論有助于企業(yè)、 政府決策部門更好地解讀企業(yè)數(shù)字化轉(zhuǎn)型對金融市場參與者造成的影響， 充分發(fā)揮數(shù)字技術在金融市場治理中的重要作用。

二、 文獻綜述與理論假設

（一）文獻綜述

1. 機構投資者羊群行為的成因。為什么機構投資者會產(chǎn)生羊群行為？現(xiàn)有主流理論從信息不對稱角度對此予以解讀。盡管機構投資者通常被認為是獲取和加工信息的“專家”， 但行為金融學研究證實， 當現(xiàn)實環(huán)境中信息不充分時， 特別是在企業(yè)內(nèi)部信息不透明、 信息渠道不通暢、 信息披露法規(guī)不完善的新興資本市場， 機構投資者在決策時極易產(chǎn)生羊群行為。Banerjee （1992）提出不完全信息模型，? 指出由于信息的不充分和交易的序列性， 先行者的決策會受到后續(xù)投資者的跟隨。Bikhchandani等（1992，1998）、 Bikhchandani和Sharma（2001）提出基于信息不對稱的信息瀑布模型， 指出由于無法獲知其他投資者對信息的掌握情況， 決策者會根據(jù)他人的行為來推測他人的私有信息以進行跟隨投資。Hirshleifer和Hong（2003）則進一步提出信息串聯(lián)模型， 指出信息瀑布的發(fā)生與投資者掌握的信息不充分有關， 信息不對稱越嚴重， 他人決策的正外部性越可能使投資者放棄自有信息而選擇跟隨策略。

此外， 也有理論認為機構投資者羊群行為的成因源于機構投資經(jīng)理基于同業(yè)比較的薪酬結(jié)構或職業(yè)聲譽評價體系。為了避免單個投資周期內(nèi)業(yè)績低于同業(yè)而受到薪酬懲罰（Maug和Naik，2011；Agarwal等，2009）或聲譽受損（Scharfstein和Stein，1990；Boyson，2010）， 機構投資經(jīng)理會模仿同業(yè)的投資模式， 進而造成羊群行為。

2. 企業(yè)數(shù)字化轉(zhuǎn)型的經(jīng)濟后果。當前對企業(yè)數(shù)字化轉(zhuǎn)型經(jīng)濟后果的研究主要聚焦于緩解信息不對稱和提升經(jīng)營績效兩方面。一方面， 企業(yè)數(shù)字化轉(zhuǎn)型提升了企業(yè)的數(shù)字治理能力， 緩解了信息不對稱， 有利于提高企業(yè)的信息透明度（Chen和Tian，2022）、 降低真實盈余管理（羅進輝和巫奕龍， 2021）、 改善資本市場信息環(huán)境 （ Chen 等，2022b ）以及提升股票流動性 （吳非等，2021）。另一方面， 基于數(shù)據(jù)的企業(yè)組織管理、 供應鏈集成、 商業(yè)模式等方面的改造， 可以賦能企業(yè)創(chuàng)新和價值創(chuàng)造， 提升企業(yè)的全要素生產(chǎn)率（趙宸宇等，2021）、 專業(yè)化分工水平（袁淳等，2021）、 風險應對能力（張卿和鄧石軍，2023）、 投入產(chǎn)出效率（劉淑春等，2021）和企業(yè)利潤率（周驍和郭樹華，2023）。

綜上， 國內(nèi)外現(xiàn)有關于機構投資者羊群行為成因的理論與實證研究成果較為豐富， 對企業(yè)數(shù)字化轉(zhuǎn)型經(jīng)濟后果的相關研究也漸次展開。但是， 尚未有研究從因果關系角度建立兩者間的聯(lián)系。本文試圖從機構投資者羊群行為這一視角出發(fā)， 探討企業(yè)數(shù)字化轉(zhuǎn)型對金融市場治理的作用和意義。

（二）理論分析與研究假設

企業(yè)數(shù)字化轉(zhuǎn)型是企業(yè)經(jīng)營管理的一項重要變革， 涉及企業(yè)各方面要素與數(shù)字信息技術的深度融合。數(shù)字化轉(zhuǎn)型從根本上改變了企業(yè)的信息傳遞和價值創(chuàng)造過程， 這種經(jīng)營方式深度變革造成的影響理應被資本市場上敏感的機構投資者所察覺， 促使機構投資者重新適應并改變其投資策略。本文主要基于信息不對稱理論， 從信息披露（內(nèi)部）和信息中介（外部）角度， 對企業(yè)數(shù)字化轉(zhuǎn)型影響機構投資者羊群行為的機制進行分析。

從信息披露的角度來看， 數(shù)字化轉(zhuǎn)型實現(xiàn)了企業(yè)內(nèi)部價值創(chuàng)造鏈條和信息傳播鏈條的集成整合， 以及企業(yè)從“工業(yè)化管理模式”向“數(shù)字化管理模式”的革命， 提升了企業(yè)的數(shù)字治理能力， 從而顯著提升企業(yè)信息披露水平。數(shù)字化轉(zhuǎn)型可以為企業(yè)信息使用者創(chuàng)造顆粒度更細、 信噪比更高、 傳播成本更低、 標準化程度更高的數(shù)據(jù)， 而這些數(shù)據(jù)在企業(yè)數(shù)字化轉(zhuǎn)型前常常未被有效挖掘， 潛藏在經(jīng)營流程的“黑箱”之中?；跀?shù)據(jù)的協(xié)同平臺使得企業(yè)內(nèi)部流程和內(nèi)部控制制度更加檔案化、 透明化、 標準化， 并被外部人監(jiān)督， 從而提升內(nèi)部控制水平， 提高股東和機構投資者獲取企業(yè)內(nèi)部信息的效率， 降低其信息成本。實施數(shù)字化轉(zhuǎn)型的企業(yè)在獲得更強的信息挖掘和處理能力后， 也可以通過信息技術整合形成標準化、 高顆粒度的信息并向股東、 機構投資者等市場參與者進行“信息推送”， 從而提升財務信息和其他信息的透明度。此外， 代理理論認為， 管理層有動機使企業(yè)內(nèi)部決策和財務信息對外部投資者不透明， 從而攫取私有收益， 或掩蓋自己的決策失誤和努力不足。在數(shù)字化轉(zhuǎn)型背景下， 基于領導鏈的自上而下的組織架構讓位于基于數(shù)據(jù)的網(wǎng)絡化扁平化的組織架構， 這客觀上抑制了管理層的自由裁量權， 使得管理層難以掩蓋信息、 “粉飾報表”（Chen 等，2022a）， 從而強化企業(yè)的內(nèi)部控制能力。綜上， 根據(jù)機構投資者羊群行為成因的信息不對稱理論（Banerjee，1992；Bikhchandani和Sharma，2001；Hirshleifer和Hong，2003）， 企業(yè)數(shù)字化轉(zhuǎn)型有效緩解了機構投資者在信息不充分條件下的決策風險， 使得機構投資者利用自有信息交易的意愿提升、 跟隨交易的意愿下降， 進而抑制被交易股票的機構投資者羊群行為。因此， 在個股層面， 被交易股票的機構投資者羊群行為程度總體將下降。

從信息中介的角度來看，企業(yè)數(shù)字化轉(zhuǎn)型提高了企業(yè)的全要素生產(chǎn)率（趙宸宇等，2021）、 競爭優(yōu)勢（Benner和Waldfogel，2023；李坤望等，2015）、 組織績效（Johnson等，2017；周駟華和萬國華，2016）、 企業(yè)利潤（周驍和郭樹華，2023）和市場價值（張葉青等，2021）等， 從而提高了市場參與者和大眾對其的預期， 吸引了分析師和大眾媒體有限的注意力。分析師和大眾媒體是金融市場上重要的信息中介。一方面， 數(shù)字化轉(zhuǎn)型后企業(yè)良好的績效意味著可觀的投資利潤， 能夠吸引更多分析師和大眾媒體參與對企業(yè)信息的挖掘、 加工、 傳遞工作（王瑤等，2023）， 提升信息傳遞效率， 緩解信息不對稱。另一方面， 企業(yè)數(shù)字化轉(zhuǎn)型是國家數(shù)字中國戰(zhàn)略的重要組成部分， 也是未來許多行業(yè)發(fā)展的導向。這類符合國家戰(zhàn)略方針和行業(yè)發(fā)展導向的企業(yè)會受到市場分析師與大眾媒體更多的追捧， 這種“曝光效應”提升了企業(yè)的透明度， 降低了信息成本， 緩解了機構投資者的信息不對稱。綜上， 根據(jù)機構投資者羊群行為成因的信息不對稱理論（Banerjee，1992；Bikhchandani和Sharma，2001；Hirshleifer和Hong，2003）， 如果機構投資者擁有的信息數(shù)量和質(zhì)量得到提升， 則其利用自有信息交易的意愿將提升、 跟隨交易的意愿將下降， 從而抑制被交易股票的機構投資者羊群行為。因此， 在個股層面， 被交易股票的機構投資者羊群行為程度總體將下降。

綜合以上分析， 提出H1：

H1： 企業(yè)數(shù)字化轉(zhuǎn)型顯著抑制了被交易股票的機構投資者羊群行為。

（三）備擇假設

企業(yè)數(shù)字化轉(zhuǎn)型是當下的市場熱點， 而這一熱點容易演變?yōu)槭袌觥俺醋鳌钡脑掝}。那些經(jīng)歷數(shù)字化轉(zhuǎn)型的企業(yè)往往會因為其成就和“話題性”， 而受到主力資金和主力機構的重點關注。根據(jù)機構投資者羊群行為成因的薪酬和聲譽理論的觀點， 尤其是在我國“高語境”的社會環(huán)境中， 在市場情緒的影響下， 如果機構投資經(jīng)理在較短的投資周期內(nèi)不跟隨市場主力資金和主力機構的交易判斷， 則會被認為能力不足和判斷力低下， 從而遭遇薪酬或是聲譽方面的損失。為了維持薪酬和聲譽， 機構投資經(jīng)理在交易這些“熱點股票”時可能會追隨市場情緒， 放棄私有信息而選擇模仿主力資金和主力機構的交易方向， 從而加劇被交易股票的機構投資者羊群行為。因此， 在個股層面， 被交易股票的機構投資者羊群行為程度總體將上升。綜合以上分析， 提出H2：

H2： 企業(yè)數(shù)字化轉(zhuǎn)型顯著促進了被交易股票的機構投資者羊群行為。

三、 研究設計

（一）數(shù)據(jù)來源與樣本選取

本文樣本為2010 ～ 2021年間我國滬深A股上市企業(yè)， 并通過以下步驟進行篩選： ①剔除ST、 PT的樣本； ②保留非金融行業(yè)樣本； ③為避免IPO事件的影響， 剔除樣本期內(nèi)IPO的上市企業(yè)； ④剔除主要變量缺失的樣本。公司層面數(shù)據(jù)來自CSMAR數(shù)據(jù)庫， 數(shù)字政策文件來自中央人民政府、 工業(yè)和信息化部網(wǎng)站， 企業(yè)年報文本和新聞輿情數(shù)據(jù)來自CNRDS數(shù)據(jù)庫。對所有連續(xù)變量在1%和99%分位上進行縮尾處理， 最終得到17640個行業(yè)—年度觀測值。

（二）變量設定

1. 被解釋變量。本文的被解釋變量是機構投資者羊群行為（Herding）。度量羊群行為的方法包括LSV法（Lakonishok等，1992；Wermers，1999）、 CSSD法（Christie和Huang，1995）、 CSAD法（Chang和Cheng，2000）等， 但除LSV法以外的其他方法主要用來度量全市場的羊群行為， 難以衡量微觀層面?zhèn)€別類型投資者的羊群行為。因此， 參考Wermers（1999）、 許年行等（2013）、 劉新爭和高闖（2022）的研究， 使用改進后的LSV法構建指標Herding， 如式（1）所示：

Herdingi，t=|pi，t-E（Pi，t）|-E|pi，t-E（Pi，t）| （1）

其中， pi，t表示在t季度增持i企業(yè)股票的機構投資者在持有i企業(yè)股票的機構投資者中的占比。E（Pi，t）表示在t季度增持i公司股票的機構投資者在持有i公司股票的機構投資者中占比的期望水平， 使用按季度和企業(yè)所在行業(yè)分組計算的平均值代替這一變量。E|pi，t-E（Pi，t）|為調(diào)整項， 即僅當機構投資者對i企業(yè)股票買賣的不平衡達到一定水平時才認定為羊群行為。參考許年行等（2013）的研究， 計算|pi，t-E（Pi，t）|的均值 m 和標準差 t， 剔除|pi，t-E（Pi，t）|中小于（m-1.96t）的數(shù)據(jù)， 計算所得結(jié)果即為機構投資者季度羊群行為指標。將每家企業(yè)的季度數(shù)據(jù)進行算術平均， 即得到年度機構投資者羊群行為指標Herding。

在此基礎上， 進一步構建機構投資者買方羊群行為和賣方羊群行為的指標Herd_Buy和Herd_Sell， 以“買進”和“賣出”兩種行為區(qū)分機構投資者羊群行為方向， 模型如式（2）和式（3）所示：

Herd_Buyi，t=Herdi，t|pi，t>E（Pi，t） （2）

Herd_Selli，t=Herdi，t|pi，t

其他計算與式（1）相同， 僅在計算pi，t-E（Pi，t）后將樣本進行分類。如果pi，t-E（Pi，t）>0， 則表明t期增持i企業(yè)股票的機構投資者占比高于預期平均水平， 存在買方羊群行為， 將其歸為買方羊群行為樣本； 反之， 如果pi，t-E（Pi，t）<0， 則表明t期增持i企業(yè)股票的機構投資者占比低于預期平均水平， 存在賣方羊群行為， 對結(jié)果取絕對值后歸為賣方羊群行為樣本。

2. 解釋變量。本文的解釋變量是企業(yè)數(shù)字化轉(zhuǎn)型（Digital）?；跓o形資產(chǎn)占比等方法得到的數(shù)字化轉(zhuǎn)型指標（張永坤等， 2021）更側(cè)重于衡量信息技術的應用而非數(shù)字化轉(zhuǎn)型， 且容易受到炫耀性投資行為的影響， 可能無法準確衡量企業(yè)數(shù)字化的實際應用水平。因此， 參考袁淳等（2021）的研究， 使用基于機器學習的文本分析方法構建數(shù)字化轉(zhuǎn)型指標： 首先， 構建數(shù)字化搜詞詞典。借鑒何帆和劉紅霞（2019）的研究， 檢索中央人民政府、 工業(yè)和信息化部網(wǎng)站， 人工鑒別得到30份2010 ～ 2021年期間國家層面的數(shù)字經(jīng)濟相關政策文件， 通過對文件的Python算法分詞處理和人工識別， 結(jié)合計算機聯(lián)想結(jié)構算法對關鍵詞的擴展， 最終篩選出238個企業(yè)數(shù)字化相關分詞詞匯， 對關鍵詞進行分類并整理為數(shù)字化搜詞詞典， 如表1所示。然后， 將238個詞典詞匯擴展到Python軟件包 “jieba”中文分詞庫， 使用機器學習的方法， 對每家上市企業(yè)年報“管理層討論與分析”（MD&A）部分進行文本分析， 統(tǒng)計得到企業(yè)數(shù)字化相關詞匯在年報全文本詞匯中出現(xiàn)的頻率， 作為企業(yè)數(shù)字化轉(zhuǎn)型的度量指標。

3. 控制變量。本文參考對機構投資者羊群行為成因的研究， 引入公司規(guī)模（Size）、 資產(chǎn)負債率（Lev）、 凈資產(chǎn)收益率（ROE）、 企業(yè)性質(zhì)（SOE）、 賬面市值比（BM）、 上市年限（ListAge）、 營業(yè)收入增長率（Growth）、 個股回報率（Return）、 月均超額換手率（Dturn）、 第一大股東持股比例（Top1）、 機構投資者持股比例（INST）、 管理層持股比例（Mshare）、 是否經(jīng)由“四大”審計（Big4）作為控制變量， 同時控制行業(yè)（Indurstry）、 年度（Year）、 省份（Province）固定效應。

變量定義如表2所示。

（三）模型設計

建立回歸模型， 如式（4）所示：

Herdingi，t=α0+α1Digitali，t-1+α2Controlsi，t+α3Industry+α4Year+α5Province+εi，t? （4）

其中， Herding為被解釋變量機構投資者羊群行為， Digital為解釋變量企業(yè)數(shù)字化轉(zhuǎn)型， Controls為一系列控制變量?？紤]到企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者羊群行為的影響存在時差， 本文對解釋變量Digital做滯后一期處理， 這樣做也可緩解反向因果關系帶來的內(nèi)生性問題。

（四）描述性統(tǒng)計

本文主要變量的描述性統(tǒng)計見表3。機構投資者羊群行為（Herding）的均值為0.230， 其經(jīng)濟學含義為： 假設有100家機構在交易某企業(yè)股票， 那么與這些機構交易完全獨立（沒有羊群行為）相比， 處于單邊市場（買方或賣方市場）中的機構要多約23家。比較買方市場和賣方市場羊群行為的均值可以發(fā)現(xiàn)， 我國A股市場機構投資者賣方羊群行為（Herd_Sell的均值為0.280）比買方羊群行為（Herd_Buy的均值為0.162）更為嚴重。經(jīng)檢驗， 各變量間不存在嚴重的多重共線性問題。

四、 實證結(jié)果

（一）基準回歸結(jié)果

表4匯報了按式（4）進行回歸后的實證結(jié)果。其中， 列（1）是不加入解釋變量的基礎模型， 列（2）是僅加入解釋變量的回歸結(jié)果， 列（3）是同時加入解釋變量和控制變量的回歸結(jié)果。可見， 列（2）和列（3）中解釋變量Digital的系數(shù)均在1%的水平上顯著為負， 且與列（2）相比， 列（3）中加入控制變量后， 系數(shù)的絕對值有所縮小（由1.2350變?yōu)?.7299）， 這是因為新納入的控制變量吸收了部分影響機構投資者羊群行為的因素， 但系數(shù)依然在1%的水平上顯著為負。從統(tǒng)計意義和經(jīng)濟意義上看， 根據(jù)列（3）， 企業(yè)數(shù)字化轉(zhuǎn)型程度每增加1%， 與樣本期間均值（0.230）相比， 被交易股票的機構投資者羊群行為將減少約3.17%（0.7299/0.230÷100×100%）。這說明企業(yè)數(shù)字化轉(zhuǎn)型顯著抑制了被交易股票的機構投資者羊群行為。

（二）內(nèi)生性處理

盡管前文中通過使用滯后一期的企業(yè)數(shù)字化轉(zhuǎn)型指標進行回歸來緩解內(nèi)生性問題， 但本文的結(jié)論依然會受到反向因果關系的影響。為了進一步處理內(nèi)生性， 參考趙濤等（2020）、 袁淳等（2021）的研究方法構造工具變量： ①選取1984年各城市郵電業(yè)務總量作為工具變量。企業(yè)所在地歷史上通訊基礎設施的建設情況會從文化慣性、 轉(zhuǎn)型成本等方面影響企業(yè)對數(shù)字化轉(zhuǎn)型的接受能力和接受意愿， 滿足相關性條件； 郵電業(yè)務不能直接作用于被交易股票的機構投資者羊群行為， 滿足外生性條件。②將該橫截面工具變量與滯后一期的全國互聯(lián)網(wǎng)上網(wǎng)人數(shù)交乘得到變量IV1（為表述方便， 將計算結(jié)果除以1000）， 與企業(yè)所在城市匹配后作為衡量機構投資者羊群行為的工具變量。結(jié)果如表5列（1）、 列（2）所示。Anderson canon. corr. LM 統(tǒng)計量在1%的水平上顯著， 拒絕工具變量識別不足假設。Cragg-Donald Wald F 統(tǒng)計量大于Stock-Yogo F 檢驗在10%顯著性水平上的臨界值， 拒絕弱工具變量假設。第一階段的回歸結(jié)果顯示， 企業(yè)所在地歷史上通訊基礎設施的建設情況與企業(yè)數(shù)字化轉(zhuǎn)型顯著正相關。第二階段的回歸結(jié)果顯示， 使用工具變量法后Digital的系數(shù)依然顯著為負， 主要結(jié)論穩(wěn)健。

本文還使用同年份同行業(yè)內(nèi)除本企業(yè)以外其他企業(yè)數(shù)字化轉(zhuǎn)型指標的均值作為各家企業(yè)數(shù)字化轉(zhuǎn)型的工具變量IV2。理由為： ①企業(yè)數(shù)字化轉(zhuǎn)型存在同群效應（陳慶江等，2021）， 由于模仿學習和被動適應的存在， 同業(yè)企業(yè)的數(shù)字化轉(zhuǎn)型促進了單家企業(yè)的數(shù)字化轉(zhuǎn)型， 滿足相關性條件； ②除本企業(yè)以外的行業(yè)數(shù)字化轉(zhuǎn)型不能直接作用于特定企業(yè)的機構投資者羊群行為， 滿足外生性條件。表5列（3）和列（4）的回歸結(jié)果同樣表明本文的主要結(jié)論穩(wěn)健。

（三）穩(wěn)健性檢驗

1. 替換解釋變量： 數(shù)字經(jīng)濟相關部分占比。基于文本分析方法構建的企業(yè)數(shù)字化轉(zhuǎn)型度量指標可能會受到管理層策略性披露的影響， 從而偏離企業(yè)真實的數(shù)字化轉(zhuǎn)型程度。因此， 借鑒張永坤等（2021）的研究方法， 使用數(shù)字經(jīng)濟相關部分占無形資產(chǎn)總額的比例來度量企業(yè)數(shù)字化轉(zhuǎn)型的成果。具體來說， 當無形資產(chǎn)明細項包含“軟件”“網(wǎng)絡”“客戶端” “智能平臺”等與數(shù)字經(jīng)濟技術相關的關鍵詞或與此相關的專利時， 標記為“數(shù)字經(jīng)濟技術無形資產(chǎn)”， 在此基礎上對企業(yè)同一年度多項數(shù)字經(jīng)濟技術無形資產(chǎn)進行加總并除以無形資產(chǎn)總額， 得到企業(yè)數(shù)字化轉(zhuǎn)型指標Digital2。此外， 借鑒龐瑞芝和劉東閣（2022）的做法， 采用無形資產(chǎn)占總資產(chǎn)的比例作為企業(yè)數(shù)字化轉(zhuǎn)型指標Digital3。為緩解內(nèi)生性問題， 對這兩個指標做滯后一期處理， 結(jié)果見表6列（1）和列（2）。

2. 替換解釋變量： 數(shù)字化轉(zhuǎn)型詞匯披露的精確詞數(shù)?？紤]到使用詞頻數(shù)據(jù)可能存在噪音， 本文借鑒吳非等（2021）、 趙璨等（2020）的研究， 改用數(shù)字化轉(zhuǎn)型詞匯在MD&A中出現(xiàn)的精確詞數(shù)度量企業(yè)數(shù)字化轉(zhuǎn)型。指標的其他構建過程與前文中所述的方法相同， 僅將詞頻替代為詞數(shù)。為方便表述， 將數(shù)字化轉(zhuǎn)型相關詞匯的披露次數(shù)除以1000得到企業(yè)數(shù)字化轉(zhuǎn)型指標Digital4， 對其做滯后一期處理， 結(jié)果見表6列（3）。

3. 排除市場波動的影響。在樣本期內(nèi)， 我國的股票市場在2015年左右發(fā)生了較大程度的波動， 可能會對結(jié)論的穩(wěn)健性造成一定影響?？紤]到對這類估計偏差尚無更好的處理方法， 參考前期研究， 剔除2015年數(shù)據(jù)后進行回歸， 結(jié)果見表6列（4）。

4. 排除策略性披露行為的影響。MD&A中的數(shù)字化相關表述可能會受企業(yè)策略性披露的影響， 基于各種理由管理層可能在MD&A中刻意操縱企業(yè)數(shù)字化轉(zhuǎn)型詞匯的頻率。為了控制管理層刻意隱瞞企業(yè)數(shù)字化轉(zhuǎn)型程度的策略性行為影響， 剔除所有企業(yè)數(shù)字化轉(zhuǎn)型指標為0的樣本后進行回歸， 結(jié)果見表6列（5）。為了控制管理層刻意夸大企業(yè)數(shù)字化轉(zhuǎn)型程度的影響， 僅保留所有深交所信息披露考評結(jié)果為“優(yōu)秀”和“良好 ”的樣本， 這些企業(yè)實行策略性披露的可能性較低， 回歸結(jié)果見表6列（6）。

表6列（1） ～ （6）中， 解釋變量的系數(shù)均在1%的水平上顯著為負， 說明本文的主要結(jié)論穩(wěn)健。

五、 進一步研究

（一）影響機制檢驗

本文從信息披露（內(nèi)部）和信息中介（外部）兩個角度， 對企業(yè)數(shù)字化轉(zhuǎn)型影響機構投資者羊群行為的機制進行中介效應檢驗。論證形式參考江艇（2022）關于中介效應分析方法的相關建議。

1. 信息披露。基于信息披露的角度， 本文認為數(shù)字化轉(zhuǎn)型提高了企業(yè)內(nèi)部信息整合效率， 強化了企業(yè)的內(nèi)部控制和解決代理問題的能力， 提升了企業(yè)的信息披露水平， 有助于外部投資者掌握更充分的信息， 進而抑制機構投資者羊群行為。

在強化企業(yè)內(nèi)部控制和解決代理問題的能力方面， 企業(yè)內(nèi)部控制情況是體現(xiàn)上市公司對投資者信息披露質(zhì)量的重要組成部分。本文使用迪博內(nèi)部控制指數(shù)衡量企業(yè)內(nèi)部控制和解決代理問題的能力， 記為IC， 該指標值越大說明企業(yè)內(nèi)部控制和解決代理問題的能力越強， 對投資者的信息越透明。在提升企業(yè)信息披露水平方面， 參照Kim和Verrecchia（2001）、 徐壽福和徐龍炳（2015）、 翟光宇等（2014）、 林長泉等（2016）的方法， 使用投資者信息披露質(zhì)量KV指數(shù)反映企業(yè)與機構投資者間的信息不對稱程度， 記為KV。KV 度量法的基本原理為： 如果上市公司信息披露質(zhì)量差， 則投資者無法借助信息披露對上市公司投資價值進行判斷， 從而對其股票交易量的依賴性較強。其構造方法為：

Ln|（Pt-Pt-1）/Pt-1|=λ0-λ（Volt-Vol0）+ε （5）

KV=λ×106 （6）

其中， Pt為第t日的收盤價， Pt-1為第t-1日的收盤價， Volt是第t日的交易量， Vol0是年內(nèi)所有交易日的平均日交易量。KV指數(shù)反映的是市場信息， 因此該指標相當于是投資者對于信息不對稱程度的客觀評價， 其更能夠真實反映上市公司對機構投資者信息披露的實際效果。該指數(shù)既包含了強制性信息披露， 也包含了自愿性信息披露。由該指標的定義可知， KV指數(shù)的指標值越小， 說明企業(yè)對投資者的信息披露越充分。

企業(yè)數(shù)字化轉(zhuǎn)型對上述變量的回歸結(jié)果如表7所示?？梢?， 數(shù)字化轉(zhuǎn)型顯著強化了企業(yè)內(nèi)部控制和解決代理問題的能力［列（1）和列（2）中Digital的系數(shù)顯著為正］， 且顯著提高了企業(yè)對投資者的信息披露質(zhì)量［列（3）和列（4）中Digital的系數(shù)顯著為負］， 緩解了企業(yè)與機構投資者間的信息不對稱。根據(jù)Hirshleifer和Hong（2003）的信息串聯(lián)模型， 信息不對稱是機構投資者羊群行為的重要成因。因此， 本文有理由認為企業(yè)數(shù)字化轉(zhuǎn)型有效緩解了機構投資者這一外部信息使用者的信息不對稱， 為抑制機構投資者羊群行為創(chuàng)造了條件（Hirshleifer和Hong，2003）。

2. 信息中介?；谛畔⒅薪榈慕嵌?， 本文認為企業(yè)數(shù)字化轉(zhuǎn)型會提升投資者預期， 引發(fā)分析師和大眾媒體關注， 緩解投資者的信息不對稱， 進而抑制機構投資者羊群行為。在分析師關注方面， 承襲已有研究（王瑤等，2023）， 使用每家企業(yè)的分析師人數(shù)加1取自然對數(shù)作為分析師關注的代理變量， 記為Analyst。在大眾媒體關注方面， 選取二十家在我國認可度高、 傳播力強的網(wǎng)絡財經(jīng)媒體（和訊網(wǎng)、新浪財經(jīng)、東方財富網(wǎng)、騰訊財經(jīng)、網(wǎng)易財經(jīng)、鳳凰財經(jīng)、中國經(jīng)濟網(wǎng)、搜狐財經(jīng)、金融界、華訊財經(jīng)、FT中文網(wǎng)、全景網(wǎng)、中金在線、中國證券網(wǎng)、證券之星、財新網(wǎng)、澎湃新聞網(wǎng)、第一財經(jīng)、21CN財經(jīng)頻道、財經(jīng)網(wǎng)）， 以年度為限， 使用機器學習方法， 統(tǒng)計上市公司的全稱和簡稱在這二十家財經(jīng)媒體報道標題中出現(xiàn)的次數(shù)， 以此作為大眾媒體關注的代理變量， 記為Media1； 同時， 統(tǒng)計上市公司的全稱和簡稱在這二十家財經(jīng)媒體報道內(nèi)容中出現(xiàn)的次數(shù)， 也將其作為大眾媒體關注的代理變量， 記為Media2。為方便表述， 將這兩個變量均除以1000。三個指標均刻畫了企業(yè)數(shù)字化轉(zhuǎn)型后的信息流轉(zhuǎn)通暢度。

企業(yè)數(shù)字化轉(zhuǎn)型對上述變量的回歸結(jié)果如表8所示。可見， 企業(yè)數(shù)字化轉(zhuǎn)型顯著吸引了分析師和大眾媒體的關注［列（1） ～ （6）中Digital的系數(shù)顯著為正］， 提高了企業(yè)與機構投資者間信息流轉(zhuǎn)的通暢度。根據(jù)Hirshleifer和Hong（2003）的信息串聯(lián)模型， 信息不對稱是機構投資者羊群行為的重要成因。因此， 本文有理由認為企業(yè)數(shù)字化轉(zhuǎn)型通過引發(fā)分析師和大眾媒體關注， 使更多分析師、 媒體等參與對企業(yè)股票信息的挖掘、 加工、 傳遞工作， 有效緩解了機構投資者這一外部信息使用者的信息不對稱， 同樣為抑制機構投資者羊群行為創(chuàng)造了條件（Hirshleifer和Hong， 2003）。

（二）買方市場和賣方市場

本文進一步建立模型（7）和模型（8）， 以單獨考察企業(yè)數(shù)字化轉(zhuǎn)型對單邊市場的影響。在模型（7）和模型（8）中， 其他變量的定義均與前文相同， 僅將被解釋變量替換為買方市場和賣方市場中的機構投資者羊群行為。

Herd_Buyi，t=α0+α1Digitali，t-1+α2Controlsi，t+α3Industry+α4Year+α5Province+εi，t （7）

Herd_Selli，t=α0+α1Digitali，t-1+α2Controlsi，t+α3Industry+α4Year+α5Province+εi，t （8）

回歸結(jié)果如表9所示。除列（1）之外， Digital的系數(shù)均為負， 可見企業(yè)數(shù)字化轉(zhuǎn)型能夠同時抑制買方市場和賣場市場上的機構投資者羊群行為。從統(tǒng)計學角度來看， 企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者買方羊群行為的抑制作用在10%的水平上顯著， 對機構投資者賣方羊群行為的抑制作用在1%的水平上顯著。從經(jīng)濟學意義上看， 列（4）中Digital的系數(shù)絕對值（0.8327）也大于列（2）中Digital的系數(shù)絕對值（0.2049）， 可見企業(yè)數(shù)字化轉(zhuǎn)型能夠更大程度地治理賣方市場上的機構投資者羊群行為。前期研究已經(jīng)發(fā)現(xiàn)， 機構投資者在賣出股票時更容易表現(xiàn)出羊群行為（Wermers，1999）。本文認為， 受投資者心理和行為偏差、 我國融資融券市場結(jié)構缺陷等因素的影響， 機構投資者在賣出股票時更容易表現(xiàn)出羊群行為， 其對企業(yè)信息不對稱程度的變動更敏感。如果企業(yè)數(shù)字化轉(zhuǎn)型確實是通過改善企業(yè)的信息披露來抑制機構投資者羊群行為的， 那么可以預期數(shù)字化轉(zhuǎn)型對賣方市場上的機構投資者羊群行為會產(chǎn)生更強的抑制作用。本部分結(jié)論再一次支持了企業(yè)數(shù)字化轉(zhuǎn)型有利于緩解信息不對稱， 從而抑制機構投資者羊群行為的觀點。

（三）異質(zhì)性檢驗

1. 企業(yè)科技水平差異。數(shù)據(jù)是高科技企業(yè)重要的生產(chǎn)資料。相較于非高科技企業(yè)， 高科技企業(yè)主動創(chuàng)新的能力更強、 技術水平更高、 內(nèi)部累積的可用信息數(shù)據(jù)更多， 而數(shù)字化轉(zhuǎn)型恰恰需要較強的創(chuàng)新能力和軟硬件環(huán)境的支撐。非高科技企業(yè)對數(shù)字化轉(zhuǎn)型技術方向的把握可能不如高科技企業(yè)敏銳， 其自身的技術能力也有限， 不能很好地將數(shù)字技術高水平地嵌入自身的經(jīng)營管理流程。如果強行實施數(shù)字化轉(zhuǎn)型， 可能并不能如愿改善企業(yè)信息質(zhì)量， 也無法得到資本市場中機構投資者的實質(zhì)性認可， 自然無法有效抑制被交易股票的機構投資者羊群行為。因此， 如果企業(yè)數(shù)字化轉(zhuǎn)型確實是通過改善企業(yè)的信息披露來抑制機構投資者羊群行為的， 則可以預期數(shù)字化轉(zhuǎn)型對高科技企業(yè)股票的機構投資者羊群行為會產(chǎn)生更強的抑制作用。

目前學界對高科技企業(yè)的分類尚無一致標準， 本文綜合參考楊興哲和周翔翼（2020）、 彭紅星和毛新述（2017）的研究， 根據(jù)《上市公司行業(yè)分類指引（2012年修訂）》， 將當年年末所屬行業(yè)為C25、 C26、 C27、 C28、 C29、 C31、 C32、 C34、 C35、 C36、 C37、 C38、 C39、 C40、 C41、 I63、 I64、 I65、 M73的企業(yè)標記為高科技企業(yè)， Hightech取值為1， 其他企業(yè)標記為非高科技企業(yè)， Hightech取值為0， 回歸結(jié)果見表10。列（1）和列（2）的回歸結(jié)果顯示， 在高科技企業(yè)中Digital的系數(shù)（-0.6982）在1%的水平上顯著為負， 在非高科技企業(yè)中Digital的系數(shù)不顯著。列（3）中通過調(diào)節(jié)效應檢驗， 同樣發(fā)現(xiàn)交乘項Hightech_ Digital的系數(shù)顯著為負。結(jié)果證實， 高科技企業(yè)更能通過數(shù)字化轉(zhuǎn)型抑制機構投資者羊群行為。

2. 企業(yè)規(guī)模差異。信息不對稱問題在不同規(guī)模的上市企業(yè)間存在差異。中小型企業(yè)由于財務制度規(guī)范性較差、 內(nèi)部控制制度不完善、 股票流動性較弱和市場關注度較低， 其信息披露水平與大型企業(yè)相比更低。交易中小型企業(yè)股票的機構投資者可能面臨更嚴重的信息不對稱問題， 更可能出現(xiàn)羊群行為。因此， 如果企業(yè)數(shù)字化轉(zhuǎn)型確實是通過改善企業(yè)的信息披露來抑制機構投資者羊群行為的， 那么本文可以預期數(shù)字化轉(zhuǎn)型將對中小型企業(yè)股票的機構投資者羊群行為產(chǎn)生更強的抑制作用。

按照企業(yè)規(guī)模（Size）的年度—行業(yè)中位數(shù)， 將樣本分為大型企業(yè)和中小型企業(yè)兩個子樣本， 分組回歸結(jié)果如表11列（1）和列（2）所示?？梢?， 在大型企業(yè)中Digital的系數(shù)在5%的水平上顯著為負， 而在中小型企業(yè)中該系數(shù)在1%的水平上顯著為負， 需要進行系數(shù)差異檢驗（Permutaion test）。經(jīng)迭代的系數(shù)差異檢驗發(fā)現(xiàn)， 中小型企業(yè)中Digital的系數(shù)絕對值（0.8006）顯著大于大型企業(yè)中Digital的系數(shù)絕對值（0.2902）， 差異為0.5104（P<0.001）。列（3）中通過調(diào)節(jié)效應檢驗， 同樣發(fā)現(xiàn)交乘項Size_Digital的系數(shù)顯著為正。結(jié)果證實， 中小型企業(yè)更能通過數(shù)字化轉(zhuǎn)型緩解信息不對稱， 從而抑制機構投資者羊群行為。

3. 機構投資者持股比例差異。企業(yè)與機構投資者之間的信息不對稱問題在機構投資者持股比例不同的上市企業(yè)中存在差異。與機構投資者持股比例較低的企業(yè)相比， 機構投資者持股比例較高的企業(yè)會受到專業(yè)機構分析師更多的關注， 其信息不對稱問題較輕。同時， 由于受到股權制衡， 機構投資者持股比例較高的企業(yè)的管理層傾向于主動向機構投資者披露信息， 從而緩解信息不對稱。反之， 對于機構投資者持股比例較低的企業(yè)來說， 由于其受到的分析師關注較少， 不受機構股權制衡， 其信息披露的動機較弱， 企業(yè)與機構投資者間的信息不對稱問題更嚴重， 更可能出現(xiàn)機構投資者羊群行為。因此本文預測， 如果企業(yè)數(shù)字化轉(zhuǎn)型確實是通過改善企業(yè)的信息披露來抑制機構投資者羊群行為的， 那么數(shù)字化轉(zhuǎn)型將對機構投資者持股比例較低的企業(yè)的機構投資者羊群行為產(chǎn)生更強的抑制作用。

按照機構投資者持股比例（INST）的年度—行業(yè)中位數(shù)， 將樣本分為機構投資者持股比例高和機構投資者持股比例低兩個子樣本。如表12所示， 在機構投資者持股比例高組中Digital的系數(shù)在5%的水平上顯著為負， 而在機構投資者持股比例低組中該系數(shù)在1%的水平上顯著為負。迭代后的系數(shù)差異檢驗發(fā)現(xiàn)， 機構投資者持股比例低組中Digital的系數(shù)絕對值（0.7599）大于機構投資者持股比例高組中Digital的系數(shù)絕對值（0.3925）， 差異為-0.3674（P<0.001）。列（3）中通過調(diào)節(jié)效應檢驗， 同樣發(fā)現(xiàn)交乘項INST_Digital的系數(shù)顯著為正。結(jié)果證實， 機構投資者持股比例較低的企業(yè)更能通過數(shù)字化轉(zhuǎn)型緩解信息不對稱， 從而抑制機構投資者羊群行為。

六、 結(jié)論和啟示

本文應用基于機器學習的文本分析方法， 構造企業(yè)數(shù)字化轉(zhuǎn)型指標， 探究了企業(yè)數(shù)字化轉(zhuǎn)型對機構投資者羊群行為的影響、 作用機制和異質(zhì)性， 為數(shù)字技術是否對我國金融市場的羊群現(xiàn)象具備治理能力這一問題的解答提供了實證證據(jù)。本文研究發(fā)現(xiàn)如下： 第一， 企業(yè)數(shù)字化轉(zhuǎn)型顯著抑制了機構投資者羊群行為。第二， 企業(yè)數(shù)字化轉(zhuǎn)型提高了企業(yè)的內(nèi)部信息整合效率， 強化了企業(yè)內(nèi)部控制和解決代理問題的能力， 提升了企業(yè)的信息披露水平， 進而抑制了機構投資者羊群行為； 企業(yè)數(shù)字化轉(zhuǎn)型提升了投資者預期， 引發(fā)了分析師和大眾媒體的關注， 進而抑制了機構投資者羊群行為。第三， 相較于買方市場， 企業(yè)數(shù)字化轉(zhuǎn)型對賣方市場上機構投資者羊群行為產(chǎn)生的抑制作用更強。第四， 在高科技企業(yè)、 中小型企業(yè)、 機構投資者持股比例較低的企業(yè)中， 企業(yè)數(shù)字化轉(zhuǎn)型會對機構投資者羊群行為產(chǎn)生更強的抑制作用。

本文的研究結(jié)論對數(shù)字技術在金融市場治理中的應用具有如下啟示：

第一， 機構投資者羊群行為是造成企業(yè)估值不穩(wěn)定和金融體系脆弱的重要原因。本文通過研究發(fā)現(xiàn)， 企業(yè)數(shù)字化轉(zhuǎn)型對金融市場中羊群效應的治理發(fā)揮了積極作用， 其顯著抑制了被交易股票的機構投資者羊群行為。因此， 企業(yè)要以更開放的心態(tài)對待數(shù)字化轉(zhuǎn)型帶來的資本市場后果， 利用好數(shù)字化轉(zhuǎn)型帶來的資本市場信息傳遞優(yōu)勢。相關部門也應出臺相關政策推動企業(yè)數(shù)字化轉(zhuǎn)型， 發(fā)揮數(shù)字技術在金融市場治理中的積極作用。

第二， 數(shù)字化經(jīng)營模式意味著更強的內(nèi)部控制能力、 更扁平的管理模式和更高的信息效率。本文研究發(fā)現(xiàn)， 在數(shù)字化經(jīng)營模式下， 企業(yè)的信息披露能力顯著增強， 抑制了機構投資者的羊群行為。因此， 企業(yè)需要更積極地推動數(shù)字技術與自身信息披露機制的融合， 更好地服務投資者。金融監(jiān)管部門也應該積極推動相關數(shù)字技術在企業(yè)信息披露領域的應用， 從而完善數(shù)字治理， 化解金融風險。

第三， 不同的企業(yè)利用數(shù)字化轉(zhuǎn)型抑制機構投資者羊群行為的效果存在差異。本文發(fā)現(xiàn)， 科技水平較低的企業(yè)由于不具備足夠的技術能力， 難以發(fā)揮數(shù)字化轉(zhuǎn)型緩解信息不對稱的作用。同時， 本文還發(fā)現(xiàn)數(shù)字化轉(zhuǎn)型在信息不對稱問題更嚴重的企業(yè)中發(fā)揮了更大的治理作用。因此， 企業(yè)需要基于自身的資源、 能力、 現(xiàn)狀等進行合理判斷， 選擇合適的數(shù)字化轉(zhuǎn)型路徑。政府部門也應精準施策， 積極幫助技術弱勢企業(yè)和信息披露水平較低的企業(yè)進行數(shù)字化轉(zhuǎn)型， 給予其更多政策傾斜， 從而利用好數(shù)字經(jīng)濟紅利， 完善對金融市場的治理。

【 主 要 參 考 文 獻 】

陳慶江，王彥萌，萬茂豐．企業(yè)數(shù)字化轉(zhuǎn)型的同群效應及其影響因素研究［ J］．管理學報，2021（5）：653 ～ 663．

何帆，劉紅霞．數(shù)字經(jīng)濟視角下實體企業(yè)數(shù)字化變革的業(yè)績提升效應評估［ J］．改革，2019（4）：137 ～ 148．

江艇．因果推斷經(jīng)驗研究中的中介效應與調(diào)節(jié)效應［ J］．中國工業(yè)經(jīng)濟，2022（5）：100 ～ 120．

李坤望，邵文波，王永進．信息化密度、信息基礎設施與企業(yè)出口績效——基于企業(yè)異質(zhì)性的理論與實證分析［ J］．管理世界，2015（4）：52 ～ 65．

林長泉，毛新述，劉凱璇．董秘性別與信息披露質(zhì)量——來自滬深A股市場的經(jīng)驗證據(jù)［ J］．金融研究，2016（9）：193 ～ 206．

劉淑春，閆津臣，張思雪等．企業(yè)管理數(shù)字化變革能提升投入產(chǎn)出效率嗎［ J］．管理世界，2021（5）：170 ～ 190+13．

劉新爭，高闖．基于復雜網(wǎng)絡的私有信息共享對機構投資者羊群行為的影響［ J］．管理學報，2022（4）：506 ～ 515．

羅進輝，巫奕龍．數(shù)字化運營水平與真實盈余管理［ J］．管理科學，2021（4）：3 ～ 18．

龐瑞芝，劉東閣．數(shù)字化與創(chuàng)新之悖論：數(shù)字化是否促進了企業(yè)創(chuàng)新——基于開放式創(chuàng)新理論的解釋［ J］．南方經(jīng)濟，2022（9）：97 ～ 117．

彭紅星，毛新述．政府創(chuàng)新補貼、公司高管背景與研發(fā)投入——來自我國高科技行業(yè)的經(jīng)驗證據(jù)［ J］．財貿(mào)經(jīng)濟，2017（3）：147 ～ 161．

王瑤，馮曉晴，侯德帥．企業(yè)數(shù)字化轉(zhuǎn)型能提高分析師預測準確度嗎？——基于信息披露和信息挖掘的雙重視角［ J］．中南財經(jīng)政法大學學報，2023（4）：16 ～ 27+135．

吳非，胡慧芷，林慧妍等．企業(yè)數(shù)字化轉(zhuǎn)型與資本市場表現(xiàn)——來自股票流動性的經(jīng)驗證據(jù)［ J］．管理世界，2021（7）：130 ～ 144+10．

徐壽福，徐龍炳．信息披露質(zhì)量與資本市場估值偏誤［ J］．會計研究，2015（1）：40 ～ 47+96．

許年行，于上堯，伊志宏．機構投資者羊群行為與股價崩盤風險［ J］．管理世界，2013（7）：31 ～ 43．

楊興哲，周翔翼．治理效應抑或融資效應？股票流動性對上市公司避稅行為的影響［ J］．會計研究，2020（9）：120 ～ 133．

袁淳，肖土盛，耿春曉等．數(shù)字化轉(zhuǎn)型與企業(yè)分工：專業(yè)化還是縱向一體化［ J］．中國工業(yè)經(jīng)濟，2021（9）：137 ～ 155．

翟光宇，武力超，唐大鵬．中國上市銀行董事會秘書持股降低了信息披露質(zhì)量嗎？——基于2007-2012年季度數(shù)據(jù)的實證分析［ J］．經(jīng)濟評論，2014（2）：127 ～ 138．

張卿，鄧石軍．數(shù)字化轉(zhuǎn)型對企業(yè)韌性的影響——來自COVID-19的證據(jù)［ J］．經(jīng)濟與管理，2023（1）：38 ～ 48．

張葉青，陸瑤，李樂蕓．大數(shù)據(jù)應用對中國企業(yè)市場價值的影響——來自中國上市公司年報文本分析的證據(jù)［ J］．經(jīng)濟研究，2021（12）：42 ～ 59．

張永珅，李小波，邢銘強．企業(yè)數(shù)字化轉(zhuǎn)型與審計定價［ J］．審計研究，2021（3）：62 ～ 71．

趙璨，曹偉，姚振曄等．“互聯(lián)網(wǎng)+”有利于降低企業(yè)成本粘性嗎？［ J］．財經(jīng)研究，2020（4）：33 ～ 47．

趙宸宇，王文春，李雪松．數(shù)字化轉(zhuǎn)型如何影響企業(yè)全要素生產(chǎn)率［ J］．財貿(mào)經(jīng)濟，2021（7）：114 ～ 129．

趙濤，張智，梁上坤．數(shù)字經(jīng)濟、創(chuàng)業(yè)活躍度與高質(zhì)量發(fā)展——來自中國城市的經(jīng)驗證據(jù)［ J］．管理世界，2020（10）：65 ～ 76．

周駟華，萬國華．信息技術能力對供應鏈績效的影響：基于信息整合的視角［ J］．系統(tǒng)管理學報，2016（1）：90 ～ 102．

周驍，郭樹華．數(shù)字化轉(zhuǎn)型如何影響企業(yè)利潤率——數(shù)字經(jīng)濟視角下的機制與經(jīng)驗研究［ J］．貴州財經(jīng)大學學報，2023（1）：32 ～ 40．

Agarwal V.， Daniel N. D.， Naik N. Y.. Role of managerial incentives and discretion in hedge fund performance［ J］．The Journal of Finance，2009（5）：2221 ～ 2256．

Banerjee A. V.. A simple model of herd behavior［ J］．The Quarterly Journal of Economics，1992（3）：797 ～ 817．

Benner M. J.， Waldfogel J.. Changing the channel： Digitization and the rise of “middle tail” strategies［ J］．Strategic Management Journal，2023（1）：264 ～ 287．

Bharadwaj A.， El Sawy O. A.， Pavlou P. A.， et al.. Digital business strategy：Toward a next generation of insights［ J］．MIS Quarterly，2013（2）：471 ～ 482．

Bikhchandani S.， Hirshleifer D.， Welch I.. A theory of fads， fashion， custom， and cultural change as informational cascades［ J］．Journal of Political Economy，1992（5）：992 ～ 1026．

Bikhchandani S.， Hirshleifer D.， Welch I.. Learning from the behavior of others： Conformity， fads， and informational cascades［ J］．Journal of Economic Perspectives，1998（3）：151 ～ 170．

Bikhchandani S.， Sharma S.. Herd behavior in financial markets［ J］．IMF Staff Papers，2001（3）：279 ～ 310．

Boyson N. M.. Implicit incentives and reputational herding by hedge fund managers［ J］．Journal of Empirical Finance，2010（3）：283 ～ 299．

Chang E. C.， Cheng J. W.， Khorana A.. An examination of herd behavior in equity markets：An international perspective［ J］．Journal of Banking & Finance，2000（10）：1651 ～ 1679．

Chen H.， Z. Tian. Environmental uncertainty， resource orchestration and digital transformation： A fuzzy-set QCA approach［ J］．Joumal of Business Research，2022（139）：184 ～ 193．

Chen W.， Cai W.， Hu Y.， et al.. Gimmick or revolution： Can corporate digital transformation improve accounting information quality？［ J］．International Journal of Emerging Markets，2022a（ahead-of-print）．

Chen W.， L. Zhang， P. Jiang， et al.. Can digital transformation improve the information environment of the capital market？ Evidence from the analysts' prediction behaviour［ J］．Accounting & Finance，2022b（2）：2543 ～ 2578．

Christie W. G.， Huang R. D.. Following the pied piper： Do individual returns herd around the market？［ J］．Financial Analysts Journal，1995（4）：31 ～ 37．

Farboodi M.， Mihet R.， Philippon T.， et al.. Big data and firm dynamics［ J］．AEA Papers and Proceedings，2019（109）：38 ～ 42．

Hirshleifer D.， Hong Teoh S.. Herd behaviour and cascading in capital markets： A review and synthesis［ J］．European Financial Management，2003（1）：25 ～ 66．

Ilvonen I.， Thalmann S.， Manhart M.， et al.. Reconciling digital transformation and knowledge protection： A research agenda［ J］．Knowledge Management Research & Practice，2018（2）：235 ～ 244．

Jacobs H.. Market maturity and mispricing［ J］．Journal of Financial Economics，2016（2）：270 ～ 287．

Johnson G. A.， Lewis R. A.， Reiley D. H.. When less is more： Data and power in advertising experiments［ J］．Marketing Science，2017（1）：43 ～ 53．

Kim O.， Verrecchia R. E.. The relation among disclosure， returns， and tra-

ding volume information［ J］．The Accounting Review，2001（4）：633 ～ 654．

Lakonishok J.， Shleifer A.， Vishny R. W.. The impact of institutional trading on stock prices［ J］．Journal of Financial Economics，1992（1）：23 ～ 43．

Maug E.， Naik N.. Herding and delegated portfolio management： The impact of relative performance evaluation on asset allocation［ J］．The Quarterly Journal of Finance，2011（2）：265 ～ 292．

Scharfstein D. S.， Stein J. C.. Herd behavior and investment［ J］．The American Economic Review，1990（3）：465 ～ 479．

Sias R. W.. Institutional herding［ J］．The Review of Financial Studies，2004（1）：165 ～ 206．

Spyrou S.. Herding in financial markets： A review of the literature［ J］．Review of Behavioral Finance，2013（2）：175 ～ 194．

Wermers R.. Mutual fund herding and the impact on stock prices［ J］．The Journal of Finance，1999（2）：581 ～ 622．

（責任編輯·校對： 陳晶? 喻晨）