摘 要：數(shù)字化時代，制造業(yè)作為經(jīng)濟的重要支柱，不僅面臨著數(shù)字化轉(zhuǎn)型的挑戰(zhàn)，還有著巨大的轉(zhuǎn)型發(fā)展機遇。本文選取2010—2020年全部A股制造業(yè)上市公司數(shù)據(jù)作為研究樣本，旨在探究企業(yè)數(shù)字化轉(zhuǎn)型如何在投資者情緒與股價崩盤風(fēng)險路徑中發(fā)揮作用。研究表明：當(dāng)投資者情緒高漲時，股價崩盤風(fēng)險會相應(yīng)增加。數(shù)字化轉(zhuǎn)型對整個路徑有負向調(diào)節(jié)作用；企業(yè)數(shù)字化轉(zhuǎn)型程度越高，對投資者情緒高漲帶來的股價崩盤風(fēng)險抑制能力越強。綜合以上結(jié)論，企業(yè)應(yīng)積極推進數(shù)字化轉(zhuǎn)型，以減少由投資者情緒高漲帶來的股價崩盤風(fēng)險。本文基于數(shù)字化轉(zhuǎn)型程度，驗證了數(shù)字化轉(zhuǎn)型對股價崩盤風(fēng)險的調(diào)節(jié)效應(yīng)并提出了相關(guān)發(fā)展建議，以期為制造業(yè)和企業(yè)制定數(shù)字化轉(zhuǎn)型戰(zhàn)略提供參考。

關(guān)鍵詞：制造業(yè)；投資者情緒；股價崩盤；數(shù)字化轉(zhuǎn)型；調(diào)節(jié)效應(yīng)

本文索引：徐綺琳.<變量 2>[J].中國商論，2024（02）：-127.

中圖分類號：F830.59；TF306 文獻標(biāo)識碼：A 文章編號：2096-0298（2024）01（b）--06

1 引言

在當(dāng)前的經(jīng)濟形勢和政策背景下，加快制造業(yè)數(shù)字化轉(zhuǎn)型已然成為中國經(jīng)濟穩(wěn)健發(fā)展的重要戰(zhàn)略之一。根據(jù)2021年《中國制造業(yè)數(shù)字化轉(zhuǎn)型發(fā)展報告》，該報告明確了中國制造業(yè)數(shù)字化轉(zhuǎn)型的發(fā)展方向和關(guān)鍵領(lǐng)域，并提出了促進數(shù)字化產(chǎn)業(yè)創(chuàng)新和培育數(shù)字化人才等建議。在數(shù)字經(jīng)濟規(guī)模預(yù)計超過100萬億元人民幣的今天，數(shù)字產(chǎn)業(yè)化與產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型正在經(jīng)濟社會各領(lǐng)域不斷擴張融合，為實體經(jīng)濟的高質(zhì)量發(fā)展提供了支持。該趨勢推動了新消費和投資，使社會產(chǎn)生更多就職機會，并帶來了全要素生產(chǎn)率的倍增效應(yīng) [1-2]。這激發(fā)了眾多企業(yè)對數(shù)字化轉(zhuǎn)型的追求，并在數(shù)字化轉(zhuǎn)型道路上不斷探索和創(chuàng)新。

企業(yè)數(shù)字化轉(zhuǎn)型在很大程度上影響市場的穩(wěn)定性。 制造業(yè)企業(yè)的數(shù)字化本質(zhì)在于投入大量資金引進數(shù)字技術(shù)，以應(yīng)對技術(shù)進步和市場波動的不確定性[3]。同時，數(shù)字化轉(zhuǎn)型是企業(yè)提升傳統(tǒng)動能和培養(yǎng)新動能的重要手段[4]，它促使企業(yè)借助大數(shù)據(jù)技術(shù)進行資源的有效整合和精準(zhǔn)供需匹配，解決交易成本或協(xié)調(diào)等問題，從而大大優(yōu)化了資源配置效率[5]。隨著制造業(yè)市場的逐步升級，數(shù)字化轉(zhuǎn)型的進程逐步加速，數(shù)字技術(shù)的廣泛應(yīng)用已經(jīng)滲透到制造業(yè)的各個領(lǐng)域。數(shù)字化轉(zhuǎn)型通過改造5G專網(wǎng)和工業(yè)無線網(wǎng)絡(luò)等網(wǎng)絡(luò)基礎(chǔ)設(shè)施，促進了知識和數(shù)據(jù)在企業(yè)內(nèi)部各系統(tǒng)間的快速共享和流動[6]，進一步提升了企業(yè)各層級的協(xié)同性和人員組織管理能力[7]。這使企業(yè)能夠提高生產(chǎn)效率，并且能更準(zhǔn)確、快速地獲取到市場變化信息，從而做出及時且準(zhǔn)確的決策，對于市場穩(wěn)定性具有積極影響。

黃大禹等（2021）[8]指出，數(shù)字化轉(zhuǎn)型能夠有效增強企業(yè)的技術(shù)創(chuàng)新能力，增強要素配置水平并對風(fēng)險具有更強的可控力，并顯著提升企業(yè)的價值。再者，數(shù)字化轉(zhuǎn)型顯著提升企業(yè)的價值，可以對股價提供更堅實的基本面支撐，降低因市場短期情緒引發(fā)的股價崩盤風(fēng)險。此外，已有研究[9-13]已經(jīng)揭示了數(shù)字化發(fā)展對于提高整體公司業(yè)績、促進價值鏈上升、增強制造業(yè)生產(chǎn)效率、提升地區(qū)創(chuàng)新能力以及推動綠色可持續(xù)發(fā)展的積極作用。這些通過改善公司的基本面，以達到穩(wěn)定股價，防止股價崩盤的重要手段。同時吳非等（2021）[14]發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型有助于提高企業(yè)股票在資本市場的流動性。流動性高的市場通常信息傳播更充分，可以降低信息不對稱的程度。然而，企業(yè)數(shù)字化轉(zhuǎn)型需要大量的財務(wù)需求和高昂的成本支持，如果企業(yè)財務(wù)運營出現(xiàn)了問題，就很容易引發(fā)股價崩盤風(fēng)險的增加。因此，在應(yīng)對和管理股價崩盤風(fēng)險時，數(shù)字化轉(zhuǎn)型的作用和角色值得深入探究。

2 理論分析與研究假設(shè)

投資者情緒與股票崩盤風(fēng)險之間的關(guān)系一直是備受關(guān)注的課題。根據(jù)Baker和Wurgler（2007）[15]的經(jīng)典研究，投資者情緒可以顯著影響股票價格。然而，近年來，隨著數(shù)字化轉(zhuǎn)型的深入，這一關(guān)系可能發(fā)生變化。張宗新，王海亮（2013）[16]在中國股市的研究中發(fā)現(xiàn)，投資者情緒與股市波動性存在正相關(guān)關(guān)系。這種關(guān)系的基礎(chǔ)是投資者在樂觀情緒下傾向于過度投資，而在情緒高漲時容易忽視風(fēng)險，導(dǎo)致股價脫離基本面，從而在一定程度的負面信息或市場調(diào)整時引發(fā)股價的急劇下跌[17]?；诖耍疚奶岢鲆韵录僭O(shè)：

假設(shè)H1：投資者情緒越高漲，股票崩盤風(fēng)險越大。

然而，數(shù)字化轉(zhuǎn)型得到了國家政策的大力支持，并在許多行業(yè)得到廣泛應(yīng)用。隨著數(shù)字化轉(zhuǎn)型的深入，這一關(guān)系可能會受到調(diào)節(jié)。Galindo-Martin（2018）[18]指出數(shù)字化轉(zhuǎn)型因增強了企業(yè)的價值創(chuàng)造和企業(yè)家精神，從而帶來了數(shù)字紅利。Song（2022）[19]指出通過網(wǎng)絡(luò)效應(yīng)和商業(yè)模式的創(chuàng)新，數(shù)字化轉(zhuǎn)型改變了傳統(tǒng)經(jīng)營方式，降低了企業(yè)的交易成本，擴展了營銷渠道。在理論層面上，數(shù)字化轉(zhuǎn)型為企業(yè)注入新的動能，影響了企業(yè)與市場投資者之間的信息對稱性，從而對股價崩盤風(fēng)險產(chǎn)生影響?；诖?，本文提出以下假設(shè)：

假設(shè)H2：數(shù)字化轉(zhuǎn)型程度調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險間的關(guān)系。

Kaniel和Shivakumar（2011）[20]認為數(shù)字化轉(zhuǎn)型通過社交媒體和在線平臺加速信息傳播，可能會加劇投資者的情緒波動。這意味著當(dāng)企業(yè)的數(shù)字化轉(zhuǎn)型程度提高，投資者更容易接觸到和被各種市場信息影響，可能加劇市場情緒的波動。這種情況下，雖然信息獲取和處理的效率得到了提高，但也可能由于信息的過度傳播和投資者情緒的放大，導(dǎo)致市場更容易受到震蕩，增加了股價崩盤的可能性。此外，數(shù)字貨幣和移動支付等新興金融工具的應(yīng)用，可能加速資本流動，進一步放大市場的波動性。基于此，本文提出以下假設(shè)：

假設(shè)H2a：數(shù)字化轉(zhuǎn)型程度正向調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險間的關(guān)系。

但同時，Kirilenko（2017）[21]認為大數(shù)據(jù)分析和機器學(xué)習(xí)技術(shù)的應(yīng)用，可能幫助投資者更加準(zhǔn)確地評估市場風(fēng)險，從而降低情緒的影響，幫助投資者做出更加理性的決策。區(qū)塊鏈作為一種分布式賬本技術(shù)，通過創(chuàng)新信息記錄、傳輸和保護的方式，提供了一個公開、不可篡改的記錄系統(tǒng)[22]，解決了供應(yīng)鏈中可追溯性和交易不可逆性兩個主要問題，從而可以有效提高供應(yīng)鏈的透明度。這可能在一定程度上抵消投資者情緒對股市的影響?；诖?，本文提出以下假設(shè)：

假設(shè)H2b：數(shù)字化轉(zhuǎn)型程度負向調(diào)節(jié)投資者情緒與股票崩盤風(fēng)險間的關(guān)系。

3 研究設(shè)計

3.1 樣本選擇與數(shù)據(jù)來源

本文選取我國全部A股制造業(yè)上市公司2010—2020年數(shù)據(jù)為初始研究樣本，并進行處理，處理條件如下：（1）剔除被ST的企業(yè)；（2）剔除數(shù)據(jù)異常樣本；（3）剔除數(shù)據(jù)不全的樣本。經(jīng)過處理，最終獲得15995個企業(yè)年度非平衡面板數(shù)據(jù)樣本。為了避免數(shù)據(jù)極端值的干擾，本文對連續(xù)變量進行上下1%的縮尾（Winsor2）處理（數(shù)據(jù)均來源于CSMAR數(shù)據(jù)庫）。

3.2 變量測量與模型設(shè)定

3.2.1 變量測量

被解釋變量：股價崩盤風(fēng)險。目前大多數(shù)文獻借鑒chen（2001）[23]、許年行等（2013）[24]的股價崩盤風(fēng)險的測量方法，以NCSKEW和DUVOL為股價崩盤風(fēng)險的度量指標(biāo)。首先將股票i的周收益率數(shù)據(jù)進行模型（1）的回歸以計算市場因素對個股收益率的影響：

模型（1）中，ri，t為每一個年度股票i在第t周的收益；rm，t為A股所有制造業(yè)股票在t周經(jīng)流通市值加權(quán)的平均收益率，其余為用于控制非同期交易的影響而加入的超前項和滯后項；εi，t為模型（1）中的回歸殘差，用于進一步修正企業(yè)特定收益率：

根據(jù)上述模型，構(gòu)建衡量股價崩盤風(fēng)險的兩個指標(biāo)：

（1）負收益偏態(tài)系數(shù)NCSKEW

其中，n為股票i年交易周數(shù)，當(dāng)NCSKEW的值越大，則股價崩盤的風(fēng)險越高。

（2）收益率上下波動率DUVOL

其中，nu和nd為股票第i周特定收益率，Wi，t分別大于和小于其年均收益率的周數(shù)。當(dāng)DUVOL的值越大，收益率越低，則股價崩盤風(fēng)險越高。

（1）解釋變量：投資者情緒。本文引用魏星集， 夏維力， 孫彤彤（2014）[25]的計算公式：

其中，NAi，t為當(dāng)期新增開戶數(shù)，TURNi，t-1為前推一期市場換手率，CCIi，t-1為前推一期消費者信心指數(shù)，DCEFi，t-1為前推一期封閉式基金折價率，NIPOi，t為當(dāng)期新股發(fā)行數(shù)量，RIPOi，t為當(dāng)期新股上市首日收益率。

本文進一步對原月度投資者情緒（ISI_M）求均值并進行標(biāo)準(zhǔn)化以得到年度投資者情緒（ISI）。

（2）調(diào)節(jié)變量：數(shù)字化轉(zhuǎn)型程度。以往大多研究主要使用企業(yè)是否進行數(shù)字化轉(zhuǎn)型的虛擬變量來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度。然而，吳非等（2021）首次提出通過統(tǒng)計上市公司年度報告中與“數(shù)字化轉(zhuǎn)型”相關(guān)的詞匯頻率來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度。他們認為，年度報告具有總結(jié)性和導(dǎo)向性，是企業(yè)向外部信息用戶傳遞信息的重要渠道。因此，通過分析年報中與數(shù)字化轉(zhuǎn)型相關(guān)的詞匯頻率，可以相對準(zhǔn)確地度量企業(yè)的數(shù)字化轉(zhuǎn)型水平。

本文將當(dāng)年“人工智能（AI）”“區(qū)塊鏈（BC）”“云計算（CC）”“大數(shù)據(jù)（BD）”“數(shù)字技術(shù)應(yīng)用（DTA）”的詞頻求和來衡量企業(yè)的數(shù)字化轉(zhuǎn)型程度（DTotali，t），且為了緩解數(shù)據(jù)的右偏性特征，數(shù)據(jù)在加1后進行了對數(shù)化處理，公式如下：

（3）控制變量：本文實證檢驗中設(shè)定的企業(yè)層面控制變量如下：企業(yè)成長性（Growth）、資產(chǎn)收益率（Roa）、企業(yè)杠桿（Lev）、股票換手率（ST）、企業(yè)規(guī)模（SIZE）、所有權(quán)性質(zhì)（State）等。此外，為了確保結(jié)果的穩(wěn)健性，本文還控制了宏觀層面上的宏觀經(jīng)濟景氣指數(shù)（MECI）并固定了年份與省份。具體變量定義見表1。

3.2.2 模型設(shè)定

本文構(gòu)建如下模型：

（1）檢驗投資者情緒與股價崩盤風(fēng)險間的關(guān)系：

（2）檢驗數(shù)字化轉(zhuǎn)型程度在投資者情緒與股價崩盤風(fēng)險間的調(diào)節(jié)效應(yīng)：

4 實證分析

4.1 描述性統(tǒng)計

表2報告了本文變量的描述性統(tǒng)計結(jié)果。負收益偏態(tài)系數(shù)（NCSKEW）與收益率上下波動率（DUVOL）的均值分別為-0.317和-0.216，最小值分別為-4.438和-2.207，最大值分別為5.052和2.343，說明不同企業(yè)之間股價崩盤風(fēng)險存在明顯差距，且部分樣本企業(yè)發(fā)生股價崩盤的風(fēng)險較高。解釋變量投資者情緒（ISI）的均值為-0.0019，最小值為-1.777，最大值為2.010，標(biāo)準(zhǔn)差為1.004，說明在大部分情況下投資者情緒并不會過于高漲，但整體數(shù)據(jù)較不平穩(wěn)。數(shù)字化轉(zhuǎn)型程度（DTotal）的最小值為-1.079和最大值為5.060差距較大，且均值和標(biāo)準(zhǔn)差分別為0.000681和1.225，說明大部分企業(yè)仍缺乏數(shù)字化轉(zhuǎn)型意識，且不同企業(yè)間數(shù)字化轉(zhuǎn)型的程度有較大差異。

4.2 回歸檢驗與分析

在對模型進行回歸之前，本文利用White檢驗對數(shù)據(jù)進行異方差檢驗，發(fā)現(xiàn)本文數(shù)據(jù)存在異方差問題，最終確定選擇穩(wěn)健標(biāo)準(zhǔn)誤的時間、省份固定效應(yīng)模型。為了避免多重共線性問題，本文對解釋變量與調(diào)節(jié)變量進行標(biāo)準(zhǔn)化或中心化處理，結(jié)果如表3所示。

由模型（1）、模型（2）回歸結(jié)果可以看出，投資者情緒（ISI）與股價崩盤風(fēng)險（NCSKEW、DUVOL）分別在5%和1%的水平下顯著正相關(guān)，與假設(shè)H1和過往大多數(shù)研究相符，證明當(dāng)投資者情緒越高漲時，股價崩盤風(fēng)險越大。

模型（3）、模型（4）的回歸結(jié)果表明，投資者情緒（ISI）和數(shù)字化轉(zhuǎn)型程度（DTotal）交互項（IDT）的回歸系數(shù)顯著為負，證明數(shù)字化轉(zhuǎn)型程度可以負向調(diào)節(jié)投資者情緒與股價崩盤風(fēng)險之間的路徑，當(dāng)數(shù)字化轉(zhuǎn)型程度越大時，就越緩解投資者情緒高漲時帶來的股價崩盤風(fēng)險，與上文假設(shè)H2a一致。

4.3 內(nèi)生性檢驗

分別滯后一期控制變量和解釋變量緩解遺漏和雙向因果問題：本文將所有控制變量滯后一期進行回歸，回歸結(jié)果如表4所示，可以發(fā)現(xiàn)結(jié)果中的解釋變量（ISI）和調(diào)節(jié)變量（IDT）在這種滯后模型中仍然在5%的水平下顯著，增強了研究結(jié)果的可信度。而在多元回歸分析中，雙向因果關(guān)系常常會導(dǎo)致結(jié)果出現(xiàn)問題，因此本文將解釋變量（ISI）滯后一期進行回歸，回歸結(jié)果如表5所示，解釋變量（ISI）與調(diào)節(jié)變量（IDT）在滯后一期后依然在5%的水平下顯著，進一步強化了理論假設(shè)，并使結(jié)果更為穩(wěn)健。

4.4 穩(wěn)健性檢驗

4.4.1 調(diào)整樣本時間范圍

鑒于以往研究，本文考慮2015—2016年中國股票市場的劇烈波動和企業(yè)股價可能的異常情況，對股價崩盤風(fēng)險的分析可能存在潛在影響。因此，為消除該時期對分析結(jié)果的潛在干擾，本文將2015—2016年的數(shù)據(jù)從樣本中排除，并重新進行回歸分析。結(jié)果顯示在表6的第（1）-（4）列，ISI與NCSKEW、DUVOL的回歸系數(shù)在1%的顯著性水平下為正，而IDT與NCSKEW、DUVOL的回歸系數(shù)在5%的顯著性水平下為負。該回歸結(jié)果再次確認了本文的結(jié)論穩(wěn)健。

4.4.2 更換股價崩盤風(fēng)險的衡量標(biāo)準(zhǔn)

本文參考Hutton（2009）[26]的研究，采用崩盤次數(shù)（CRASH_COUNT）替換股價崩盤風(fēng)險的原衡量標(biāo)準(zhǔn)?；貧w結(jié)果見表6的第（5）和（6）列，ISI、IDT與CRASH_COUNT的回歸系數(shù)在1%的水平下顯著為負。結(jié)果表明，在更改了因變量的衡量方式后，本文結(jié)論仍然穩(wěn)健。

5 異質(zhì)性分析

本文將進一步探討國有企業(yè)與其他非國有企業(yè)在數(shù)字化轉(zhuǎn)型過程中，如何影響投資者情緒對股價崩盤風(fēng)險的影響。國有企業(yè)方面，由于其背后通常有政府的支持，投資者情緒可能對其股價影響較小，數(shù)字化轉(zhuǎn)型的進程往往更加穩(wěn)健，并且較非國有企業(yè)擁有更多資金支持與資源獲取渠道。而對于其他企業(yè)，特別是民營和中小企業(yè)，數(shù)字化轉(zhuǎn)型雖然是一種積極的市場策略，但數(shù)字化通常需要較大的初始投資，包括購買硬件、軟件，以及培訓(xùn)員工。對于許多中小企業(yè)和民營企業(yè)來說，這樣的成本難以承受。

回歸結(jié)果表7列（1）、（3）、（5）、（7）中，表明對國有企業(yè)而言，投資者情緒（ISI）不顯著，交互項（IDT）系數(shù)為負，并在1%的水平下顯著，與預(yù)期結(jié)果相符。由于國有企業(yè)的長期穩(wěn)定性、結(jié)構(gòu)性優(yōu)勢以及政策支持等特性，國有企業(yè)的股價在很大程度上受到穩(wěn)定的市場預(yù)期引導(dǎo)，從而在一定程度上抵消了投資者情緒的波動性影響。而表7列（2）、（4）、（6）、（8）表明，對非國有企業(yè)而言，投資者情緒（ISI）系數(shù)為正，并且在1%的水平下顯著，但交互項（IDT）并不顯著，與預(yù)期結(jié)果相符。對非國有企業(yè)而言，投資者情緒對其股價崩盤風(fēng)險具有顯著影響。然而，非國有企業(yè)的數(shù)字化轉(zhuǎn)型程度（DTotal）與投資者情緒（ISI）的交互項（IDT）并不顯著，反映了非國有企業(yè)的市場環(huán)境敏感性和運營靈活性等特點，使其股價更易受市場情緒的影響。

6 結(jié)語

本文研究企業(yè)數(shù)字化轉(zhuǎn)型調(diào)節(jié)在投資者情緒對企業(yè)股價崩盤風(fēng)險這一路徑上的影響機制。研究結(jié)果表明：（1）投資者情緒對股價崩盤風(fēng)險造成正向影響。（2）企業(yè)數(shù)字化轉(zhuǎn)型可以有效調(diào)節(jié)投資者情緒對股價崩盤的影響，抑制投資者情緒高漲后對股價崩盤風(fēng)險帶來的不良影響。（3）異質(zhì)性檢驗發(fā)現(xiàn)，數(shù)字化轉(zhuǎn)型對于國有企業(yè)有顯著的負調(diào)節(jié)作用，而對非國有企業(yè)的調(diào)節(jié)作用不顯著。在多項穩(wěn)健性以及內(nèi)生性檢驗后，本文的研究結(jié)論依舊穩(wěn)健。

本文提出以下建議：

第一，促進企業(yè)數(shù)字化轉(zhuǎn)型以規(guī)避股價崩盤風(fēng)險。加快完善數(shù)據(jù)中心建設(shè)，降低云計算平臺使用成本，聯(lián)合多企業(yè)共同建設(shè)數(shù)字金融服務(wù)平臺，同步推進企業(yè)管理模式與數(shù)字化雙轉(zhuǎn)型，針對性培養(yǎng)企業(yè)內(nèi)部數(shù)字化人才，實現(xiàn)“易轉(zhuǎn)型”局面，削弱投資者情緒對股價帶來的影響，促進市場穩(wěn)定。

第二，分類施策降低企業(yè)數(shù)字化轉(zhuǎn)型風(fēng)險。提供人才與關(guān)鍵技術(shù)培訓(xùn)、降低數(shù)字化融資難度、打造數(shù)字化樣板等方式，鼓勵企業(yè)數(shù)字化轉(zhuǎn)型，打造“易轉(zhuǎn)型”的外部大環(huán)境，并遵循差異化原則，引導(dǎo)不同的企業(yè)根據(jù)自身情況發(fā)展具有特色的數(shù)字化轉(zhuǎn)型道路，以提高其市場適應(yīng)性和運營效率。針對因數(shù)字化基礎(chǔ)薄弱、資金及人才匱乏等困難導(dǎo)致數(shù)字化轉(zhuǎn)型風(fēng)險高，數(shù)字化轉(zhuǎn)型抑制股價崩盤風(fēng)險作用小的非國有企業(yè)，尤其是中小企業(yè)，則深化改革財稅、財政補貼等政策緩解其面臨的體制、資金困局，以進一步釋放企業(yè)數(shù)字化轉(zhuǎn)型后抑制股價崩盤風(fēng)險的潛力。

參考文獻

李平，簡澤，江飛濤，等.中國經(jīng)濟新常態(tài)下全要素生產(chǎn)率支撐型模式轉(zhuǎn)變[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2019（12）：3-20.

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.

Tiwana， A.， Konsynski， B. & Bush， A.. Research Commentary： Platform Evolution： Coevolution of Platform Architecture， Governance， and Environmental Dynamics[J]. Information Systems Research， 2010， 21（4）.

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.

丁志帆.數(shù)字經(jīng)濟驅(qū)動經(jīng)濟高質(zhì)量發(fā)展的機制研究：一個理論分析框架[J].現(xiàn)代經(jīng)濟探討，2020（1）：85-92.

沈國兵，袁征宇.企業(yè)互聯(lián)網(wǎng)化對中國企業(yè)創(chuàng)新及出口的影響[J].經(jīng)濟研究，2020（1）：33-48.

杜傳忠，張遠.數(shù)字經(jīng)濟發(fā)展對企業(yè)生產(chǎn)率增長的影響機制研究[J].證券市場導(dǎo)報，2021（2）：41-51.

黃大禹，謝獲寶，孟祥瑜，等.數(shù)字化轉(zhuǎn)型與企業(yè)價值：基于文本分析方法的經(jīng)驗證據(jù)[J].經(jīng)濟學(xué)家，2021（12）：41-51.

楊德明，劉泳文.“互聯(lián)網(wǎng)+”為什么加出了業(yè)績[J].中國工業(yè)經(jīng)濟，2018（5）：80-98.

石喜愛，李廉水，程中華，等.“互聯(lián)網(wǎng)+”對中國制造業(yè)價值鏈攀升的影響分析[J].科學(xué)學(xué)研究，2018，36（8）：1384-1394.

黃群慧，余泳澤，張松林.互聯(lián)網(wǎng)發(fā)展與制造業(yè)生產(chǎn)率提升：內(nèi)在機制與中國經(jīng)驗[J].中國工業(yè)經(jīng)濟，2019（8）：5-23.

韓先鋒，宋文飛，李勃昕.互聯(lián)網(wǎng)能成為中國區(qū)域創(chuàng)新效率提升的新動能嗎[J].中國工業(yè)經(jīng)濟，2019（7）：119-136.

許憲春，任雪，常子豪.大數(shù)據(jù)與綠色發(fā)展[J].中國工業(yè)經(jīng)濟，2019（4）：5-22.

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.

Baker， M.， & Wurgler， J.. Investor sentiment in the stock market[J]. Journal of Economic Perspectives， 2007， 21（2）：129-152.

張宗新，王海亮.投資者情緒、主觀信念調(diào)整與市場波動[J].金融研究，2013（4）：142-155.

Shiller， R. J.. Irrational exuberance[B]. Princeton university press， 2000.

Galindo-Martín， M.A.， Casta?o-Martínez， M.S.， & Méndez-Picazo， M.T.. Digital transformation， digital dividends and entrepreneurship： a quantitative analysis[J]. Journal of Business Research， 2019， 101（8）：522-527.

Song Y， Escobar O， Arzubiaga U， De Massis A. The digital transformation of a traditional market into an entrepreneurial ecosystem[J]. Review of Managerial Science， 2022， 16（1）：65-88.

Kaniel， R.， & Shivakumar， L.. Market Reactions to Earnings News： An Analysis of Earnings Drift by Social Network Users[J]. Journal of Accounting Research， 2011， 49（5）：1241-1300.

Kirilenko， A.， Kyle， A. S.， Samadi， M.， & Tuzun， T.. The Flash Crash： High-frequency trading in an electronic market[J]. The Journal of Finance， 2017， 72（3）：967-998.

Tapscott， D.， & Tapscott， A.. Blockchain Revolution： How the Technology Behind Bitcoin and Other Cryptocurrencies is Changing the World[B]. Penguin， 2016.

Chen， J.， Hong H， et al. Forecasting Crashes： Trading Volume， Past Returns and Conditional Skewness in Stock Prices[J]. Journal of Financial Economics， 2001， 61（3）：345-381.

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

魏星集，夏維力，孫彤彤.基于BW模型的A股市場投資者情緒測度研究[J].管理觀察，2014（33）：71-74.

Hutton， A. P.， Marcus， A. J. & Tehranian， H.. Opaque financial reports， R2， and crash risk[J]. Journal of Financial Economics， 2009（1）：67-68.