“一劳永逸”还是“饮鸩止渴”——基于上市公司高送转的研究

酒莉莉，刘 斌，李瑞涛

重庆大学 经济与工商管理学院，重庆 400045

引言

股利是上市公司回馈股东的重要方式之一。与国外公司注重现金分红不同，中国公司更青睐股票股利的分配方式，尤其是高比例送红股或者资本公积金转增股，即高送转。高送转往往伴随着股价的大幅上涨，投资者热衷于对这类股票投机炒作，甚至在每年年报集中披露时产生专门的高送转行情。然而，上市公司推出高送转的目的可能并不单纯，除微利甚至亏损的公司推出高送转外，有的公司甚至利用高送转掩护内部人减持或为定增铺路等，即存在内幕交易行为[1]，这极大损害了中小投资者的利益，投资者持有这类股票可能会带来严重的经济后果。股价的暴涨、暴跌严重影响资本市场的健康有序发展，已有研究发现股票市场的收益具有非对称性。相对于暴涨，股价往往更容易暴跌[2]。股价暴跌导致的崩盘风险使投资者财富大幅缩水，动摇了投资者对资本市场的信心，破坏了金融市场的稳定。因此，以股价崩盘风险为切入点，探讨高送转对金融市场运作效率的影响具有重要的理论和现实意义。

迎合理论是当前解释股利行为的最新理论，非理性投资者存在低股价偏好，管理层了解并迎合投资者的这种偏好以满足自身利益最大化。迎合动机的存在使管理层倾向于隐藏坏消息，进而增加了未来股价崩盘风险。遗憾的是，已有研究主要关注高送转的内部人动机，还未对高送转带来的经济后果展开充分讨论。本研究借用行为金融学框架下的迎合理论，对高送转行为的股价崩盘效应展开研究，不仅丰富了高送转经济后果的研究，也拓展了迎合心理等人类非理性因素在中国金融市场中的作用。

1相关研究评述和研究假设

1.1相关研究评述

所谓高送转，是送股和转增股的合称，即上市公司高比例送红股或资本公积金转增股本，如每10股送转5股及以上。对于高送转是否按照传统理性金融框架下的信号传递理论和流动性理论在资本市场发挥作用一直存疑，信号传递理论认为公司通过发放股票股利或股票拆分向市场传递公司未来盈利增长的信号。BRENNAN et al.[3]认为股票股利和股票拆分不仅会增加股票交易成本，还会稀释每股盈余，因而公司往往在对未来盈利的提升有信心的情况下才会做出这些行为；LOUIS et al.[4]发现股票拆分能够为可操控性应计利润提供保证，市场将其看成是一种管理层乐观主义的信号，认为股票股利和股票拆分能够重塑股价，使股价回归合理区间，提高股票流动性。然而，中国学者的研究却并未得到一致结论。朱元琪等[5]的研究发现信号传递理论能够很好地解释股票股利的市场反应，而流动性理论对A股却不太适用；而吕长江等[6]和李心丹等[7]证实高送转并没有传递关于公司未来发展的利好消息；何涛等[8]认为信号传递理论和流动性理论均不能很好地解释中国股票的送转和转增行为。

行为金融学框架下的迎合理论是当前解释股利行为的最新理论，从非理性的角度解释高送转异象，认为管理层会迎合投资者对低股价的非理性偏好而进行股利决策，以实现管理者自身的利益最大化[9]。何涛等[8]用价格幻觉解释A股市场的送转行为；熊德华等[10]研究证明迎合理论对中国上市公司股利政策有较强解释力；李心丹等[7]认为高送转主要迎合了个人投资者非理性需求，非理性的投资者错误地认为低股价股票上涨空间大，下跌的可能性小。

总体来看，研究者对高送转的市场反应是否符合传统经典理论一直存疑。已有研究均是从相关公告日前后一段时间内的市场反应(如买进持有收益)展开，研究期限相对较短，忽视了高送转对市场的长期作用。前景理论认为大多数人对损失比对收益更敏感，投资者对损失不确定性的关注度显著高于对收益不确定性的关注度[11]。由于买进持有收益更多体现的是股票在一定期间内的平均价格效应，而投资者可能会更关注股票一定期间内的动态变化过程，甚至是某些极端结果[12]，极端结果对股票市场具有显著的累积效应，更能体现某种现象的内在本质。基于非对称风险框架下的股价崩盘风险，衡量公司未来周收益率极端负偏的可能性和程度，更准确地衡量股价波动的非对称性以及其动态发展过程和结果。因此，本研究从非对称风险框架切入，从股价崩盘风险视角分析上市公司高送转行为的经济后果，探讨高送转行为对市场股价非对称波动的影响。

1.2研究假设

需要指出的是，学术研究中的股价崩盘风险并不一定指公司股价真的发生崩盘，而是指股票收益分布负偏的程度[13]。程度越大，代表公司股价发生崩盘的危险越大，投资者可能面临的巨额非正常损失越大。一般认为管理层捂盘动机等代理问题以及信息不透明是造成股价崩盘的主要原因[14-15]。管理层出于职位晋升和自身薪酬[16-17]、股权激励[18]、避税[12,2]、在职消费[19]等自利性动机往往倾向于暂时隐藏坏消息，这种行为导致公司股价被严重高估而产生泡沫。随着时间的推移，坏消息不断累积，而公司对坏消息的容纳存在着一个临界点，当累积的坏消息超过该临界点时，坏消息会一次性释放到市场中，对股价造成巨大的负面冲击并最终导致崩盘[14,20-21]。可见，在信息不对称的情况下，坏消息的累积及瞬间释放是导致股价崩盘的重要原因[22]。

行为金融理论认为投资者普遍存在名义价格幻觉[7]，使投资者产生对低股价的非理性偏好[23-24]。迎合理论认为管理者了解并会迎合投资者的这种非理性偏好进行决策，以实现自身利益最大化[7]。高送转后名义股价降低，使投资者认为股票变得便宜，满足了投资者对低股价的非理性需求，因此高送转成为管理层用来迎合投资者非理性需求而主动采取的行为，甚至沦为操控股价和利益输送的工具，例如，CEO股票期权的授予和出售通常会在高送转前后展开[25]，上市公司通常会在定向增发的新股解禁期附近推出高送转[26-27]，或者配合重要内部人减持[1]。因此，进行高送转的公司本身可能存在较大的动机来迎合投资者，进而实现自身及相关者的利益。李心丹等[7]的研究也证实了该观点，BAKER et al.[28-29]提出迎合动机会导致股票的错误定价，顾小龙等[30]认为过度的股利支付政策是代理问题的体现。那么，在迎合动机下，管理层可能在信息披露中选择报喜不报忧，更倾向于隐藏或推迟披露负面信息并加速披露正面信息，使公司存在的负面信息无法及时反映到股价中，当累积的负面信息达到临界点时，所有负面信息会一次性涌入市场，最终增加股价崩盘风险。因此，本研究提出假设。

H1上市公司高送转行为与未来股价崩盘风险显著正相关。

信息媒介是联系信息发布者与信息接收者的桥梁，能够帮助投资者提高其信息解读能力[31]。证券分析师作为信息媒介的重要组成部分，具备较强的信息收集和分析能力，能够深度挖掘并传播公司信息，在缓解信息不对称、纠正股价偏离方面起到重要作用。有研究表明，分析师通过收集、整合公开或私下的信息对股票进行估值，改进公司透明度[11]。一般而言，投资者通过分析师的研究报告，能够获得更多公司基本面的信息，做出合理投资决策，进而降低因股价虚高而导致的未来崩盘风险。那么，分析师跟踪数越多的高送转公司，投资者获取信息的渠道和内容会更加丰富，公司的真实面貌就越容易被更全面、多角度地揭示和解读，进而使投资者更好地了解高送转股票，高送转公司的真实目的也越可能被分析师解读出来，降低投资者与公司间的信息不对称程度，管理层隐藏的坏消息也越可能被投资者识别，未来股价崩盘的可能性就越低。而当分析师跟踪数较低时，投资者无法通过该信息中介获得更多公司基本面信息，信息不对称程度提高，管理层有更大的空间隐藏坏消息，未来股价崩盘的风险也相应提高。因此，本研究认为证券分析师的关注在高送转与股价崩盘风险关系间起到一定的调节作用，因此，本研究提出假设。

H2分析师跟踪能够显著缓解高送转与未来股价崩盘风险之间的正相关关系。

2研究设计

2.1样本选择和数据来源

本研究样本为2006年至2015年沪深股市A股的上市公司，对数据进行如下处理：①参照许年行等[32]和王化成等[21]的研究，由于本研究的股价崩盘风险指标是对股票周收益率回归得到的残差经过加工处理后得到，为保证回归模型的可靠性，剔除每年交易周数小于30的样本；②剔除金融保险类公司；③剔除ST和PT类公司；④剔除变量计算时数据缺失的公司。最终得到14 379个观测值，其中高送转样本的观测值为1 875个，未高送转样本的观测值为12 504个。本研究财务数据和股票交易数据均来自CSMAR数据库，为排除极端值的影响，对所有连续变量均采取上下1%的Winsorize处理。

2.2核心变量测量

2.2.1高送转

关于上市公司高送转行为的界定，借鉴李心丹等[7]和谢德仁等[1]的研究，参考业界惯例，本研究将送股比例与转增比例之和是否超过原有股份规模的0.5倍作为界定标准。若上市公司进行高送转，高送转变量取值为1，否则取值为0。

2.2.2股价崩盘风险

借鉴KIM et al.[12,18]、王冲等[22]和叶康涛等[33]的研究，本研究采用两种方法测算公司层面的股价崩盘风险。

(1)计算个股周特定收益率。考虑到市场因素对个股实际收益率的影响，本研究利用个股周收益数据计算个股经市场调整后的周特定收益率，计算模型为

Ri,z=β0+β1Rm,z-2+β2Rm,z-1+β3Rm,z+

β4Rm,z+1+β5Rm,z+2+μi,z

Wi,z=ln(1+μi,z)

(1)

其中，Ri,z为i公司在第z周考虑现金红利再投资的周收益率；Rm,z为市场在第z周经流通市值加权的平均收益率；Wi,z为i公司在第z周的周特定收益率；β0为截距；β1～β5为回归系数；μi,z为残差，代表个股周收益率未被市场所解释的部分，若其值为负且值越小，意味着个股周收益率负向偏离市场的程度越大，即股价发生暴跌的可能性就越大。之所以在模型中加入市场收益率的滞后项和超前项是为了控制股票非同步性交易可能带来的偏差[34]。

(2)基于Wi,z构造两个测量股价崩盘风险的指标

①负收益偏态系数(Ncs)

(2)

其中，Ncsi,t为i公司第t年的负收益偏态系数，其数值越大，代表偏态系数负的程度越严重，即股价崩盘风险越大；n为i公司的年交易周数。

②收益上下波动比率(Duv)

(3)

其中，Duvi,t为i公司第t年的收益上下波动比率，为个股股价上涨与下跌波动性的差异，其数值越大，代表收益率分布左偏的程度越大，即股价崩盘风险越大；nu为i公司的周特定收益率大于当年收益率均值的周数；nd为i公司的周特定收益率小于当年收益率均值的周数；down为i公司第t年中周特定收益率小于当年收益率均值的周；up为i公司第t年中周特定收益率大于当年收益率均值的周。

2.2.3控制变量

借鉴已有研究[12-13,18,22]，本研究控制公司规模、财务杠杆、是否亏损、第一大股东持股比例、市账比、股票换手率、股票年度平均周收益率、股票年度周收益率的标准差、信息透明度和当期股票负收益偏态系数的影响。此外，在控制公司个体固定效应的同时，还控制年份和行业固定效应。主要变量的具体定义和测量方法见表1。

表1变量定义Table 1Variables Definition

2.3模型构建

在回归分析前，本研究采用Vuong检验法对采用何种模型进行判定。Vuong检验的结果表明，个体固定效应模型比混合回归模型更适合解释高送转公司的股价崩盘效应，p<0.001，故本研究采用固定效应模型进行回归检验。本研究构建固定效应模型检验H1，即

(4)

本研究构建固定效应模型检验H2，即

(5)

3实证结果分析和讨论

3.1变量的描述性统计结果

表2给出变量的描述性统计结果。由表2可知，报告期内进行高送转的公司占到样本总量的13%。两个未来股价崩盘风险指标的均值分别为0.612和0.696，标准差分别为0.864和0.819，说明两个指标在样本中存在较大差异，不同公司面临的股价崩盘风险差异明显。Ana的均值为0.723，标准差为0.448，说明样本中大多数公司存在分析师跟踪，但存在一定差异。其他变量在Winsorize缩尾处理后的描述性统计分布均在合理范围内。

表2描述性统计结果Table 2Results for Descriptive Statistics

注：样本量为14 379。

3.2差异检验

表3给出高送转样本与未高送转样本的公司特征是否存在显著差异的检验结果，可以发现高送转样本的公司规模、杠杆比率、是否亏损等显著低于未高送转样本，但高送转样本的信息透明度却显著高于未高送转样本。从市场指标上看，高送转公司股票的换手率和波动性显著高于未高送转的公司。本研究控制这些变量可能对研究结论产生的影响，并进一步采用PSM配对法控制这些差异的影响。

表3差异检验结果Table 3Results for Difference Tests

注：高送转的样本量为1 875，未高送转的样本量为12 504；***为在1%的水平上显著，下同。

3.3假设检验

3.3.1检验H1

在回归分析前，先对高送转的崩盘效应作趋势分析，见图1。图1中0～1阶段为高送转实施当年，1～2阶段为高送转实施后1年，2～3阶段为高送转实施后第2年。本研究发现在高送转实施当年，公司的股价崩盘风险呈下降趋势，这与高送转行情相符。而在实施后1年，公司的股价崩盘风险呈现大幅上升，与本研究预期相符，初步验证H1。此外，在未高送转公司的趋势分析中，本研究发现曲线较为平缓，没有发现未来股价崩盘风险大幅上升的证据。

表4给出高送转与未来股价崩盘风险的回归结果，第2列和第4列以Ncst+1为因变量，第3列和第5列以Duvt+1为因变量。表4第2列为未加入控制变量的回归结果，高送转与Ncst+1之间的回归系数为0.110，在1%的水平上显著；第4列为加入控制变量后的回归结果，高送转与未来股价崩盘风险之间的回归系数依然在1%的水平上显著为正。当采用Duvt+1测量

表4高送转与未来股价崩盘风险Table 4High Stock Dividend and Future Stock Price Crash Risk

注：**为在5%水平上显著，*为在10%水平上显著；统计检验时的t值经过聚类稳健性修正，括号内数据为t值。下同。

(a)高送转公司 (b)未高送转公司

未来股价崩盘风险时，结论一致。H1得到验证。说明高送转不仅没有降低上市公司的股价崩盘风险，反而增加了股价未来暴跌的可能。所谓的高送转行情并不是可持续的，上市公司采用高送转来拉升股价不是“一劳永逸”，而是“饮鸩止渴”。

在控制变量方面，Sizt、Lost和MBt均与未来股价崩盘风险显著正相关；当Duvt+1为因变量时，Sigt与未来股价崩盘风险在5%的水平上显著正相关。Levt、Top1t和Rett与未来股价崩盘风险显著负相关，与已有研究结论一致[12-13,18,21,32]，表明本研究结果具有较高的可靠性。

3.3.2检验H2

本研究将分析师跟踪与高送转的交互项引入模型，表5给出分析师作用的回归结果。由表5可知，当采用Ncst+1作为股价崩盘风险指标时，高送转与分析师跟踪交互项系数为-0.140，在5%的水平上显著，加入其他控制变量之后，结果保持不变。当因变量为Duvt+1时，交互项的系数依然显著为负。以上结果均表明，在高送转行为诱发未来股价暴跌风险的关系中，证券分析师跟踪能够起到一定的缓解作用。分析师通过自己的专业能力向市场释放关于高送转公司的相关信息，使投资者对公司高送转行为有进一步的认识，投资者与公司间的信息不对称程度降低，管理层隐藏的坏消息也更可能被投资者识别，进而缓解高送转诱发的未来股价暴跌风险。H2得到验证。

表5高送转、分析师跟踪与未来股价崩盘风险Table 5High Stock Dividend, Analysts Followingand Future Stock Price Crash Risk

3.4内生性问题的处理

本研究结果可能受到内生性问题的干扰，因此采取以下措施缓解内生性问题。

(1)本研究中所有回归的因变量采用提前1期的设定，在一定程度上缓解了互为因果的内生性对研究结果的影响。

(2)本研究采用既考虑个体固定效应、又考虑时间固定效应的双向固定效应模型，不仅能解决不随时间变化、但随个体变化的遗漏变量问题，还解决了不随个体变化、但随时间变化的遗漏变量问题，缓解了遗漏变量对研究结论的影响。

(3)股票送转的公司与未送转公司之间本身可能存在系统性的差异，这种系统差异可能会干扰本研究的回归结果。为缓解这一问题，本研究选择倾向得分匹配(PSM)中的最近邻匹配对送转样本与未送转样本进行1:1配对，由于样本解释变量与被解释变量前后1期的设定，以及部分参与回归的控制变量存在缺失值，最终得到2 823个配对后参与回归的样本，然后再进行主检验。参考谢德仁等[13]的研究，本研究按照公司规模、盈利能力、负债水平、第一大股东持股比例、股票换手率、行业等因素进行一一配对。倾向得分匹配配对后的回归结果见表6，结果表明配对处理后结果不变。

(4)由于配合内部人减持等动机的存在，上市公司高送转行为并非随机分配，而是具有自选择的特性，在排除其他干扰因素后，统计结果显示减持动机高送转约占高送转总样本的10%。本研究进一步采用Heckman两阶段模型来缓解高送转动机以及其他无法观察因素的影响。第1阶段构建上市公司高送转的Probit估计方程，参考谢德仁等[13]的研究，包括是否伴随减持、是否存在定增、前1期的公司规模、净资产收益率、营业收入增长率、送转能力、机构持股比例、第一大股东持股比例以及年份和行业等，进而估算逆米尔斯比率(Imr)；第2阶段将逆米尔斯比率作为控制变量加入主回归中，由于上一步骤计算的逆米尔斯比率值存在部分缺失，故本阶段参与回归的观测值为13 834。回归结果见表6，结果表明在排除高送转动机以及其他无法观察因素的影响后，本研究结果依然十分稳健。

表6PSM和Heckman检验结果Table 6Test Results for PSM and Heckman

4进一步探讨和研究

4.1公司基本面的影响

公司基本面会影响高送转与未来股价崩盘风险间的关系，故本研究从估值风险和送转能力这两个基本面角度进一步探究高送转的未来股价崩盘效应。

4.1.1估值风险的影响

中国上市公司高送转的门槛和操作成本很低，一般公司都具备高送转的基本条件[13]。对于业绩和发展潜力良好的公司来说，高送转的目的可能是为了实现股本扩张，使公司做大做强。但一些业绩不佳、估值风险较高的公司也在进行高送转，这类公司高送转的目的可能并不是那么单纯。投资者对这两类公司高送转行为的反应可能存在差异。为此，本研究引入高送转与市盈率(PEt)的交互项。NPVGO模型说明市盈率是一个反映风险和收益的综合指标[35]，市盈率越高，代表公司估值风险越大。表7给出市盈率的调节效应检验结果，由于估值风险指标存在少量缺失值，故导致最终参与回归的样本为14 375个观测值。结果表明高送转与市盈率交互项的回归系数均为正，且至少在5%水平上显著。这表明市场对估值风险较低公司的高送转行为反应更温和，即相对于估值风险较低的公司，高送转对于估值风险较高的公司来说更是一种“饮鸩止渴”式毒药，其未来股价崩盘风险会更大。

表7高送转、估值风险与未来股价崩盘风险Table 7High Stock Dividend, Valuation Risk and Future Stock Price Crash Risk

4.1.2送转能力的影响

对于具备较高送转能力的公司而言，市场对其送转行为的反应会更温和。本研究引入高送转与公司送转能力(SD_abi)的交互项，由于高送转为送红股与资本公积金转增股本之和，因此用每股未分配利润与每股资本公积金之和代表上市公司的送股能力，该值越大，即送转力越强。表8给出送转能力的调节效应检验结果，由于计算送转能力存在缺失值，故参与回归的样本也相应减少，最终得到14 318个观测值。由表8可知，当采用Duvt+1作为股价崩盘风险指标时，交互项的系数分别为-0.035和-0.033，且至少在5%水平上显著。当采用Ncst+1作为股价崩盘风险指标时，交互项系数依然为负，显著性水平降低，甚至不显著。这些发现说明公司实际送转能力在高送转与未来股价暴跌风险之间起调节作用，表明市场对于实际送转能力较弱公司的高送转行为反应更强烈，实际送转能力较弱或者不具备送转能力公司的高送转行为会更加剧未来股价暴跌的可能，这对投资者而言无疑是一颗潜在的长期毒药。

综上，本研究认为较好的公司基本面能够缓解高送转与未来股价崩盘风险间的正相关关系。

表8高送转、送转能力与未来股价崩盘风险Table 8High Stock Dividend, Split Capacity and Future Stock Price Crash Risk

4.2外部市场态势的影响

股票价格不仅反映公司的业绩，而且反映宏观经济及政策的变化[36]。研究表明中国金融市场存在明显的结构性动态变化，可以将市场分为牛市和熊市[37]。由于中国股票市场长期存在强市恒强、弱市恒弱的现象，因此不同外部市场态势下高送转对股价崩盘风险的影响可能不同。投资者情绪会影响市场反应[38]，当股票市场为牛市时，投资者情绪高涨，此时的利空常被认为是价格的偶然变化，并不会产生价格反向变化的预期[39]，高送转的效果更强。而当市场为熊市时，投资者情绪低落，对利空的反映会更为强烈，此时高送转的效果可能会大打折扣。因此，本研究预计牛市时高送转的作用更加明显，管理层隐藏坏消息的动机会增强，进而增加未来股价崩盘风险。参考许年行等[32]的研究，根据上证综合指数的历年走势，采用波峰波谷判定法划分牛熊市，牛市阶段主要有2005年至2007年、2009年、2014年和2015年，其余年份为熊市。同时参考易志高等[40]和鹿坪等[41]的研究，采用主成分分析法，基于封闭式基金折价、IPO数量、上市首日收益、消费者信息指数和新增投资者开户数等，构建中国股票市场投资者情绪的综合指标。为检验不同外部市场态势下高送转的未来股价崩盘效应是否存在差异，分别按照牛熊市和投资者情绪的高低分组，高于样本均值的为高投资者情绪组，低于样本均值的为低投资者情绪组。回归结果见表9，当市场为牛市、投资者情绪较高时，高送转带来的未来股价崩盘效应更显著。

表9高送转、牛熊市和投资者情绪与未来股价崩盘风险Table 9High Stock Dividend, Bull/Bear Market, Investor Sentiment and Future Stock Price Crash Risk

4.3投资者注意力的影响

有研究表明，注意力驱动交易行为[42]。价格压力假说认为在关注驱动下，投资者倾向于频繁购买其付出更多关注的股票[43]。由于投资者普遍存在对低股价的非理性偏好，因此对于投资者关注较高的股票，非理性偏好的效果得到集聚和扩大。管理层迎合投资者非理性偏好的动机和行为效果也更容易在这类股票中得以加强，高送转的效果会更强。而对于投资者关注较低的股票，较少的注意力难以驱动投资者的投资决策行为，非理性偏好的效果以及管理层的迎合行为也得到弱化。因此，高送转的未来股价崩盘效应会在投资者注意力高时更加明显。参考已有研究，本研究采用样本年度内的平均月换手率测量投资者注意力，为检验不同投资者注意力的情况下高送转的未来股价崩盘效应是否存在差异，将样本分为投资者注意力高低两组，高于样本均值的为高投资者注意力组，低于样本均值的为低投资者注意力组。回归结果见表10，由于投资者注意力指标存在一定的缺失，导致两组参与回归的样本总数相应减少。由表10可知，当投资者注意力较高时，高送转与未来股价崩盘风险间的正相关关系更显著。进一步地，本研究采用股票月交易量的平均值测量投资者注意力，月交易量为1个月内该股票交易的数量除以月末流通股股数，回归结果保持不变。

4.4高送转前后股价崩盘风险的变化

为使研究结果更加稳健，本研究进一步检验上市公司高送转前后股价崩盘风险的变化。借鉴BERTRAND et al.[44]和谢德仁等[13]的方法，为了减少模型噪音的干扰，本研究仅选择样本期间上市公司只进行过1次高送转行为的公司为研究样本，最终得到4 261个观测值。本研究采取以下模型进行检验，即其中，Aft为高送转后，上市公司高送转行为发生后该变量取值为1，其他时间取值为0；φ0为截距；φ1～φ11为回归系数；ηi,t为残差。Aft的系数反映了上市公司高送转前后股价崩盘风险的变化，如果Aft的系数显著为正，说明相对于高送转前上市公司高送转后的股价暴跌风险显著提高。(6)式的回归结果见表11，在未加入控制变量的模型中，Aft的系数显著为正，加入控制变量的结果保持不变，符合本研究的预期。

表10高送转、投资者注意力与未来股价崩盘风险Table 10High Stock Dividend, Investor Attention and Future Stock Price Crash Risk

CraRisi,t+1=φ0+φ1Afti,t+φ2Sizi,t+φ3Levi,t+φ4Losi,t+

φ5Top1i,t+φ6MBi,t+φ7Turi,t+φ8Reti,t+

φ9Sigi,t+φ10Absi,t+φ11Ncsi,t+Year+

(6)

4.5普通送转、高送转与未来股价崩盘风险

二级市场更倾向于使用高送转，它是中国资本市场多年经久不衰的炒作现象。相对于具有较高话题炒作度的高送转，上市公司的普通送转行为却难以激发市场较多兴趣。因此，二者对于崩盘风险的影响可能会存在一定差异。为检验普通送转与高送转对股价崩盘风险的影响是否存在差异，本研究构建模型，即

CraRisi,t+1=φ0+φ1SDi,t+φ2Hsdi,t+φ3Sizi,t+φ4Levi,t+

φ5Losi,t+φ6Top1i,t+φ7MBi,t+φ8Turi,t+

φ9Reti,t+φ10Sigi,t+φ11Absi,t+φ12Ncsi,t+

(7)

其中，SD为普通送转，当上市公司送股比例与转增比例之和大于0小于等于原有股份规模的0.5倍时取值为1，否则取值为0；φ0为截距；φ1～φ12为回归系数；ζi,t为残差。本研究主要比较SD与Hsd在不同模型中回归系数的差异，比较结果见表12。由表12可知，SD的系数为正，但均不显著，而Hsd的系数不仅为正，且均在1%水平上显著，差异检验的结果也显示高送转的回归系数值显著大于普通送转的系数，F值分别为3.941和2.583。综合来看，普通送转并没有带来未来股价崩盘风险的增加，说明普通送转是在公司力所能及的范围内回馈股东、扩张股本的合理手段。而高送转则不然，其背后的动因以及管理层迎合动机的存在使市场中坏消息与好消息的分布极不对称，进而增加了未来股价崩盘风险。这也从侧面印证了高送转不是公司拉升股价的良药，并非“一劳永逸”，而是“饮鸩止渴”。

表11高送转前后股价崩盘风险的变化Table 11Variation of Stock Price Crash Risk Before and After High Stock Dividend

表12普通送转与高送转的比较Table 12Comparison between Ordinary and High Stock Dividend

5稳健性检验

5.1排除更多因素对本研究结果的影响

谢德仁等[13]的研究表明高送转是内部人减持的“谋定后动”，胡聪慧等[26]发现上市公司实行高送转实则是为定增铺路，这些因素可能会对本研究结果产生影响。另外，有研究发现机构投资者持股和融资融券机制会对股价崩盘风险产生影响。因此，为排除这类因素的影响，本研究进一步将机构持股比例(Inst)、是否存在定增(Seot)、高送转是否伴随减持(Selt)和是否融资融券标的(Mar_Trat)等变量加入回归模型，回归结果见表13，结果不变。由于新加入的控制变量存在缺失值，导致最终样本减少到13 888。

表13稳健性检验：加入更多控制变量Table 13Robustness Tests: More Control Variables Included

5.2替换分析师跟踪的测量指标

首先，本研究采用分析师跟踪人数的高低来验证H2，检验结果不变。其次，将是否被明星分析师跟踪代入回归模型，回归结果依然不变。具体检验结果见表14，因明星分析师存在缺失值，故参与回归的样本量为10 104。

5.3不同板块的影响

考虑到不同板块对高送转的定义存在差异，如中小板的定义为每10股送转8股，创业板为每10股送转10股，因此本研究按不同板块的定义，将样本分成主板、中小板、创业板3组分别检验高送转与未来股价崩盘风险的关系，回归结果见表15。由表15可知，板块差异对本研究结果不存在干扰，高送转的未来股价崩盘效应在不同板块均显著存在。

表14稳健性检验：替换分析师跟踪的指标Table 14Robustness Tests: Changing Analyst Coverage Metric

5.4其他稳健性测试

(1)改变高送转定义。由于资本市场对不同程度的高送转反应强度不同，高送转事件的选择就显得非常关键。高送转强度越大，对股价的冲击也会越大[7]。参考李心丹等[7]和谢德仁等[13]的研究，本研究选择10送转10及以上作为高送转事件，重复本研究的主要回归，回归结果不变。另外，采用送转比例测量高送转，重复本研究的回归，回归结果依然不变。

(2)采用股价崩盘风险哑变量(Cra)。参考罗进辉等[45]的研究，构建股价崩盘风险哑变量，公式为

Wi,z≤Ave(Wi,z)-3.09δi,t

(8)

其中，Ave(Wi,z)为i公司在第z周的周特定收益率的年均值；δi,t为i公司第t年的周特定收益率的年标准差，3.09个标准差对应标准正态分布下0.1%的概率区间。如果每年i公司的特定周收益率至少满足(8)式1次，说明该公司在当年发生股价崩盘事件，此时Cra取值为1，否则取值为0。当Cra作为被解释变量时，本研究采用固定效应logit回归模型检验本研究假设，回归结果与上文一致。

(3)将行业因素引入计算股价崩盘风险指标的过程中。KIM et al.[12,18]和许年行等[32]在计算个股周特定收益率时没有考虑行业因素的影响，而在中国资本市场中不同行业板块的收益率可能存在很大差异。因此，在稳健性检验中，本研究将行业因素引入模型(1)式重新计算Wi,t以及两个股价崩盘风险指标，发现本研究主要结论不变。

6结论

本研究拓展了高送转领域的研究，借用行为金融框架下的迎合理论，从股价崩盘风险这一视角，对高送转是否会损害金融市场运作效率这一问题进行实证检验。研究结果表明，高送转与未来股价崩盘风险显著正相关。在采用PSM配对法和Heckman两步法缓解可能的内生性问题后，结论依然稳健。证券分析师是连接公司与外部投资者的重要桥梁，分析师能够缓解高送转行为诱发的股价崩盘风险。进一步的研究还发现，当公司的基本面表现较差、市场处于牛市、投资者注意力较高时，高送转对未来股价崩盘风险的诱发效应更明显，这些均从侧面印证了高送转行为引发了未来股价暴跌的可能，滥用高送转会严重损害资本市场效率。本研究结果表明，管理层会利用投资者的非理性偏好来炒作高送转，虽然刺激了股价短期上涨，但当坏消息累积到临界点而爆发到市场中时，股价泡沫破裂，崩盘风险提高，使中小投资者利益在高送转游戏中受到极大损害。

本研究结论对投资者和监管部门均具有重要意义。对投资者而言，本研究结论有助于投资者甄别风险高的高送转公司，不盲目追逐高送转股票，优化投资组合，进而实现理性价值投资。对于监管部门，

表15稳健性检验：不同板块的影响Table 15Robustness Tests: Effect of Different Markets

应修订与高送转相关的政策制度，增大企业滥用高送转的成本，如规定公司每股收益低于一定比例的不得高送转，同时制定相关政策要求公司对高送转做出明确解释，打击内幕交易，保护投资者利益。

本研究也存在一定不足。中国股票市场散户较多，在知识与信息获取和处理能力上与专业的机构投资者存在较大差距，因此二者对高送转的反应也存在一定差异。后续研究可在获取散户和机构投资者各自交易数据的基础上，进一步对二者的反应和行动进行甄别和分析。