基于股价崩盘风险的视角的企业脱实向虚与金融市场稳定数据stata代码

基于股价崩盘风险的视角的企业脱实向虚与金融市场稳定数据stata代码

区间为2007-2020年。样本始自2007年，是因为自2007年我国颁布全新的会计准则后，用于计算企业金融投资变量的指标才可得。由于我们用当年的金融投资解释下一年的股价崩盘程度，因此解释变量的样本区间为2007-2019年，股价崩盘风险的样本区间为2008-2020年。根据研究惯例，本文剔除了金融业的样本、主要变量存在缺失值的样本，以及处于特殊状态（ST、*ST、暂停上市、退市）的样本，并且为了排除极端值的影响对所有连续变量在前后1%的水平上进行了缩尾处理。最终，本文所使用的样本中包含20943个企业-年份观测值。

1、股价崩盘风险



2、企业金融投资
本文将企业金融投资 Fin_Inv 定义为: 企业资产负债表中的类金融资产( 包括交易性金融资产、买入返售金融资产、可供出售金融资产、发放贷款及垫款和持有至到期投资) 与期末总资产之比。


【模型设计】





【参考文献】

[1]彭俞超, 倪骁然, 沈吉. 企业”脱实向虚”与金融市场稳定——基于股价崩盘风险的视角[J]. 经济研究, 2018, v.53;No.613(10):52-68.


【结果截图】

基础回归分析




在这一部分中，我们通过在回归模型中加入其他控制变量，缓解因遗漏变量因素带来的内生性问题。
在列(1)-(2)中，我们控制了会计稳健性和避税程度。其中，会计稳健性(Cscore)按照Khan&Watts(2009)的方法进行计算。Cscore指标越高，说明企业会计盈余对坏消息的灵敏度越高，企业的会计稳健性越强。避税程度用有效税率(Etr)表示，该指标越高，说明企业避税程度越低。
在列(3)-(4)中，我们引入衡量企业投资状况的变量。企业过度投资会加剧未来的股价崩盘风险。参照Biddle模型，我们构建了衡量企业过度投资倾向的变量Over。此外，企业社会责任可能会成为管理层的自利工具，从而加剧股价崩盘风险。这里，我们使用披露的企业年度慈善捐赠总额与期末总资产之比Csr衡量企业对社会责任的履行水平。
在列(5)-(6)中，我们考虑增加与股价崩盘风险有关的市场标的指标作为控制变量。
在列(7)-(8)中，我们将股票流动性指标作为控制变量。本文采用了Jiang et al.(2017)和Amihud(2002)构建的股票流动性的正向指标Liquidity。
在列(9)-(10)中，我们将列(1)-(8)中引入的7个控制变量都放入模型中进行检验。




我们通过引入工具变量进一步缓解潜在的内生性问题。本文采用了两个工具变量， 一是与该企业在同一行业的其他企业Fin_Inv的平均值Fin_Inv_IV1， 二是与该企业在同一省份的其他企业Fin_Inv的平均值Fin_Inv_IV2。同行业、同省份其他企业金融投资的平均值与该企业金融投资的水平相关， 但并不会直接影响到该企业的股价崩盘程度。因此， 这一构建策略可以看成是将该企业金融投资中相对外生的部分“剥离”出来作为工具变量。




倾向得分匹配检验
由于参与金融投资的企业并不是随机产生的， 它们可能与没有参与金融投资的企业有本质区别。因此， 我们从没有参与金融投资的企业当中， 选取一组与参与金融投资的企业在主要财务指标上相似的企业构建对照组来进行分析。对照组的遴选按照如下的步骤进行: 首先， 估计logit模型，其中的被解释变量为企业在当年是否进行金融投资的虚拟变量， 解释变量包括了本文基准模型中的控制变量。在这一步骤中，计算出每个样本进行金融投资的倾向得分。然后， 我们按照最邻近匹配的方法， 从当年没有进行金融投资的样本当中选取倾向得分最接近的样本， 作为当年进行了金融投资的企业的匹配样本。在通过倾向得分匹配遴选出合适的对照组后， 本文基于新样本进行了检验， 本文的主要发现仍然显著成立。


其他稳健性检验
将被解释变量换为未来2期的股价崩盘风险、控制当期的股价崩盘风险、控制高阶固定效应( 行业* 年份、地区* 年份)



中介效应 – 经营业绩 ROA



中介效应 – 融资约束 SA指数





【购买资料包】


附件为百度网盘地址