大客户地理邻近性能够抑制公司违规吗？

宛 晴,程小可,杨鸣京,欧阳才越

(1.北京交通大学 经济管理学院, 北京 100044 ; 2.西南财经大学 会计学院，四川 成都 611130)

一、引言

公司违规严重损害投资者利益，因此探索公司违规的抑制手段一直以来都是实务届和学术界关注的热点问题。现有文献主要从大股东[1]、管理层[2-4]、独立董事[5-6]、员工[7]等公司内部利益相关者视角以及机构投资者[8-9]、分析师[10]、审计师[11]等外部资本市场利益相关者视角探究对公司违规的抑制作用。然而，尚未有文献关注企业经营活动的重要外部利益相关者——大客户对供应商公司(以下简称公司)违规行为的影响。

大客户是市场需求的代表性力量，决定着公司的预期收益与发展前景，并影响公司的经营管理决策[12]。然而关于大客户对于公司行为的影响，现有研究尚未达成一致。一方面，大客户和公司分处供应链的下游和上游，二者一荣俱荣，一损俱损，利益绑定关系明显，而更换供应商则会产生高昂的转换成本[13]，因此大客户有动机监督公司的经营管理状况。比如为保障自身生产安全，维持供应链体系稳定，大客户会要求公司提供更稳健的会计信息[14]，抑制公司过度负债和超额发放股利等机会主义行为[15-16]。另一方面，出于维持大客户关系的考虑，公司也有动机努力维持自身良好形象，通过盈余管理或者税收规避等手段粉饰业绩[17-19]。本文认为上述分歧的成因在于现有研究大多强调大客户的治理需求，却忽略了大客户参与治理的“监督成本”。已有研究表明,监督成本是决定利益相关者治理效应的关键要素[20-21]。只有当监督成本小于监督所带来的收益时，利益相关者才会进行监督[20]。大客户的监督成本主要包括为及时掌握公司经营状况而付出的各类信息搜集与整理成本，以及面对公司潜在道德风险时付出的各类契约修订与重新谈判成本[22]。然而，大客户与公司间的信息互动与交易往来均处于供应链这一“黑箱”内部，致使大客户的监督效果难以被外界直接观测。为了弥补上述缺陷，本文巧妙地引入大客户与公司间的地理距离，即大客户地理邻近性，用以度量大客户的监督成本，进而更加客观有效地检验大客户对公司违规的治理效应。

基于地理经济学与委托代理理论，本文以2009-2015年我国A股非金融类上市公司为研究对象，探讨大客户地理邻近性与公司违规之间的关系。研究结果表明，大客户与公司间地理距离越近，公司的违规行为倾向越小，严重程度越低，即大客户地理邻近性能够有效抑制公司违规行为与违规严重程度。比较公司治理水平与大客户治理需求的差异后发现，在治理水平较低的公司中大客户地理邻近性对公司违规的抑制效应更为明显，而当公司处于耐用品行业、专项投资水平较高，或者大客户均为非国有企业等大客户具有强烈的公司治理需求时，大客户地理邻近性对公司违规的抑制效应更为明显，说明较近的地理距离能够有效降低大客户的监督成本，提升公司治理效率。此外，本文还发现大客户地理邻近性对公司的经营活动违规与信息披露违规都能起到抑制作用。

本文的研究贡献主要有以下三点：首先，本文首次从供应链视角探究了大客户地理邻近性对供应商公司违规行为的治理效应，从而丰富了有关公司违规影响因素相关文献。现有公司违规影响因素的文献主要考察股权结构[1]、管理层激励[3,23]、独立董事[5-6]、机构投资者持股[8-9]、分析师跟踪[10]、审计师[11]等利益相关群体对公司违规的影响，而对公司所处供应链体系中的行为主体，特别是大客户的关注不足。本文以大客户地理邻近性为切入点探讨了大客户对公司违规的影响，对这一问题进行补充完善。其次，本文从监督成本视角拓展了大客户在公司治理效应方面的研究。现有大客户公司治理效应的研究主要围绕大客户参与公司治理的动机展开[13-14]，忽略了大客户“监督成本”的影响。已有文献表明监督成本是行为主体发挥治理效应的关键要素[20-21]。本文巧妙地使用地理邻近性指标衡量大客户的监督成本，检验了大客户对公司违规的影响，拓展了大客户公司治理效应的相关研究。最后，本文将地理邻近性纳入客户特征范畴，拓展了客户特征的研究维度。现有客户特征的相关研究侧重讨论客户集中程度[24-25]、议价能力[26]、客户经营与财务状况[27-28]、客户稳定性[29-30]等特征对公司决策的影响，缺乏对客户与公司之间的信息传递与业务往来等内在过程的讨论。本文较早将地理经济学理论引入客户特征研究当中，透过大客户地理邻近性这一指标刻画大客户与公司间的互动，为大客户特征的相关研究提供了一种全新思路。

本文其余部分安排如下：第二部分为文献回顾与假设提出；第三部分为研究设计，包括样本选择与数据来源、变量定义与模型构建；第四部分为实证结果与分析；第五部分为稳健性检验；第六部分为作用机制分析；第七部分为进一步检验；第八部分为研究结论。

二、文献回顾与理论假设

(一)大客户治理效应相关文献

当公司的主要销售收入源自于一个或少数几个大客户时，大客户在公司的战略规划，运营策略乃至业绩实现中均扮演着举足轻重的角色，进而影响公司的投融资决策[23-24]、信息披露[14,31]、现金持有[32-33]，成本管理[34-35]、审计师选择[36]等。但对于公司决策中大客户的治理效应，现有研究却并未达成一致结论，而是形成两种对立观点。一种观点认为，大客户有助于整合供应链体系，发挥积极的外部治理效应。出于保障自身生产安全与维持供应链体系效率的考虑，大客户有动机对公司实施监督，降低道德风险，提升公司管理效率。例如，Banerjee 等(2008)[15]发现为保障专有投资的预期收益，大客户会倾向于同负债水平较低的公司合作；Hui 等(2012)[14]认为大客户会利用自身议价优势要求大客户提供更为稳健的会计信息；褚剑等(2016)[37]发现大客户能够通过改善公司基本面与扼制负面消息隐藏来降低公司股价崩盘风险；焦小静等(2017)[16]的研究则表明大客户利用自身信息优势监督公司管理层的机会主义行为，减少现金股利的发放。另一种观点认为，大客户具有风险集中效应，会诱发公司的道德风险。在公司收入中的决定性地位使得大客户拥有优势谈判地位，能够要求更多的价格优惠、专有投资或商业信用，推升公司的经营与财务风险。为了稳定与大客户间的合作关系或规避潜在风险，公司更有可能实施机会主义行为。Raman等(2008)[17]、方红星和张勇(2016)[18]等认为为了向大客户释放出积极信号，公司会通过盈余管理来美化自身前景。曹越等(2018)[19]则发现为应对大客户所带来的经营与财务困境风险，公司会实施更为激进的避税行为以避免内部资金流断裂。

综上可知，现有大客户公司治理效应的文献过分强调其治理动机，忽视了监督成本这一关键要素。现有研究表明，对于利益相关者而言，过高的监督成本不仅会降低其治理效率[38-39]，还可能会抑制其参与治理的意愿[40]。因此，本文认为考察大客户的监督成本，有助于验证其能否发挥积极的公司治理效应。

(二)地理经济学相关研究

地理经济学理论认为，地理邻近性有助于缓解经济主体间的信息不对称，提升信息沟通效率[41]，降低交易成本[42]。在公司治理领域，越来越多研究注意到地理邻近性在降低监督成本，提升治理效率方面的作用。例如，Kedia等(2011)[43]发现靠近证券监管机构的公司发生财务重述的可能性更低。而地理邻近性能够为独立董事提供更多与公司内部人员“面对面”交流的机会，使其能够更精确的判断公司管理策略与营运能力，降低公司代理成本[44]，抑制高管超额薪酬[45]。机构投资者则能依靠与公司间较近的地理距离获取更多公司管理的“软信息”，抑制管理层的机会主义行为[38]，获取更高的投资回报[46]。彭涛等(2014)[47]研究表明地理邻近性有助于风险投资者参与到标的公司的治理活动中。在审计活动中，与公司间较近的地理距离能够帮助审计师以更低的成本获取公司内部信息，提升审计质量[48-49]。陈冬华等(2013)[50]发现靠近宗教场所的公司所受到宗教信仰的监督与约束越强，盈余管理与违规倾向越弱。

综上可知，当前公司治理相关研究中，地理邻近性已经成为测度监督成本的重要方式。然而，目前鲜有文献考察大客户地理邻近性对其公司治理效应的影响。

(三)大客户地理邻近性与公司违规

由于分处供应链的上下游，大客户与公司的生产经营活动存在“捆绑效应”。一旦实施违规行为而遭受处罚，公司将难以保障货品供应与后续服务，这会破坏大客户的生产秩序，严重时甚至会导致大客户经营失败[14，31]。此外，大客户前期所投入的专有资产也将丧失预期价值，并产生高昂的转换成本[13，18]。因此大客户具有强烈的动机监督公司可能存在的违规行为。然而，受制于监督成本的影响，不同大客户甄别与预防公司经营隐患的能力可能存在差异，并导致对公司违规行为的监控与约束能力不同。具体来看，地理邻近性可能从以下两个方面降低大客户的监督成本，提升治理效率。

首先，地理邻近性能够降低大客户的信息搜集成本。较近的地理距离使得大客户的业务人员能够以较低的成本实现同公司的“面对面”交流。频繁的“面对面”交流能够大幅提升沟通效率、挖掘隐藏信息[44]。大客户能够借此直接观察公司包括生产能力，存货管理，售后保障，资金周转在内的公司各项经营管理活动，也更容易获取公司不愿披露的某些“私有信息”[44,51]。这有助于大客户判断公司的经营与财务状况是否存在异常。此外，较近的地理距离也意味着大客户更容易接触到公司所处的社会网络。依靠网络内上游供应商，银行，政府职能机关(税务、工商、环保、劳动仲裁等)，地方媒体等利益相关者的信息溢出，大客户能够以较低成本了解公司的实际状况[33]。信息搜集成本的降低使得大客户更容易甄别出公司的违规行为。

其次，地理邻近性能够降低大客户重新谈判成本。较近的地理距离促进了大客户与公司的业务往来与信息交流。在此过程中，大客户能够掌握更多公司的成本结构，存货周转以及业绩压力等关键信息，进而降低了契约签订过程中的交易成本[53]。当察觉到公司可能存在违规行为时，大客户能够以更低的成本展开重新谈判，通过提出更严苛的质量标准与售后服务要求，索取更高的商业信用，压缩专有资产投资，中止共同生产或联合投资等方式来保障自身利益。较低的重新谈判成本使得公司违规后更可能面临来自大客户的严厉惩罚。

综合上述分析，本文提出如下假设：

H：大客户与公司间的地理距离越近，公司的违规行为倾向越小，严重程度越低。

三、研究设计

(一)样本选择与数据来源

参考Itzkowitz(2013)[32]、殷枫和贾竞岳(2017)[27]的研究，本文将销售额占公司当年销售额10%以上的客户定义为大客户。选择2009-2015年我国A股上市公司为研究对象，按照如下规则进行筛选：(1)根据上市公司财务报表附注中“前五大客户”部分获取关键客户信息，剔除其中诸如“客户A”“第一大客户”“客户一”等客户信息无法查验样本，剔除自然人客户样本，剔除港澳台地区及海外公司样本，剔除客户信息披露错误样本(例如前五大客户销售占比之和大于1等)，剔除无法查验大客户准确地址的公司样本；(2)剔除金融保险类公司；(3)剔除ST和PT类公司样本；(4)剔除财务指标缺失样本；(5)对所有连续变量进行上下1%缩尾处理。最后共获得595家上市公司，1329对大客户-公司配对关系，共1356个公司年度观测值。“前五大客户”信息源自上市公司财务报表附注，大客户及上市公司地理位置信息源自网络搜索，大客户及上市公司间地理距离则通过Google Earth软件测度获得，公司各项财务指标源自CSRMAR国泰安金融数据库。

(二)变量定义

1.公司违规

本文使用两类指标来度量公司违规：一是公司违规行为，参考Hass等(2016)[3]、周泽将等(2018)[6]等研究，定义当年公司是否发生违规行为FRAUD。如果当年公司发生违规行为，包括虚构利润、虚列资产、虚假记载、推迟披露、重大遗漏、披露不实归、欺诈上市、出资违规、擅自改变资金用途、占用公司资产、内幕交易、违规买卖股票、操纵股价、违规担保和一般会计处理不当等，并被证监会、交易所以及财政部等处罚，则FRAUD为1，否则为0。二是公司违规严重程度，参考蔡志岳和吴世农(2007)[5]、Firth等(2014)[54]等研究，定义当年公司违规严重程度PUNISH。如果公司无违规行为，PUNISH为0，如果公司受到公开谴责，PUNISH为1，如果公司受到公开批评，PUNISH为2，如果公司受到公开处罚或更加严重的惩处，则PUNISH为3。如果当年公司发生多次违规行为，PUNISH取其中受处罚最严重程度为准。

2.大客户地理邻近性

首先根据上市公司财务报表附注中所披露的“前五大客户”信息，将销售收入占公司总销售收入比例超过10%的客户定义为大客户。随后参考黄福广等(2014)[55]的方法，通过网络搜索确定大客户与上市公司总部的地址信息，使用Google Map确定大客户与公司总部所在地具体地址的经纬度坐标，再通过Google Earth软件，利用经纬度坐标测量二者间的地理距离D。考虑到部分公司可能存在多个大客户，本文使用如下两种方式计算公司层面的大客户地理邻近性指标。

第一种按照大客户数目进行加权。根据公司大客户总数N，求出各个大客户至公司总部的平均距离D1，并对D1加1取自然对数得到Dis1。具体公式如下：

(1)

Dis1=ln(1+D1)

(2)

第二种是按照大客户销售收入比重进行加权。根据不同公司大客户销售额度Si占大客户销售总额度S之比加权求出各个大客户至公司总部的距离D2，并对D2加1后取自然对数得到Dis2。具体公式如下：

(3)

Dis2=ln(1+D2)

(4)

Dis1与Dis2数值越大，表明大客户与公司的地理距离越远，公司的大客户地理邻近性越弱。

3.控制变量

参考Hass等(2016)[3]、周泽将和刘中燕(2018)[6]的研究，本文还控制了如下可能影响公司违规的因素，具体包括CEO和董事长是否两职合一(DUAL)、董事会规模(BZ)、监事会规模(CV)、独立董事比例(IDD)、第一大股东持股比例(FS)、管理层持股比例(MS)、资产负债率(LEV)、资产净利率(ROA)、市值账面比(MB)、资产规模(SIZE)、公司年龄(AGE)、公司产权性质(SOE)、当年是否亏损(LOSS)。同时，本文还控制了年度(YEAR)和行业(IND)虚拟变量。相关变量的定义与计算方法详见表1。

表1 变量定义及计算方法

(三)模型设计

本文构建模型(5)，使用Probit模型检验大客户地理邻近性对公司违规行为的影响。

FRAUDi,t=β0+β1Dis1i,t/Dis2i,t+β2DUALi,t+

β3BZi,t+β4CVi,t+β5IDDi,t+β6FSi,t+β7MSi,t+β8LEVi,t+β9ROAi,t+β10MBi,t+β11SIZEi,t+β12AGEi,t+β13SOEi,t+β14LOSSi,t+∑YEAR+∑IND+εi,t

(5)

此外，由于变量PUNISH为顺序变量，因此本文构建模型(6)，使用Order Probit模型检验大客户地理邻近性对公司违规程度的影响。

PUNISHi,t=β0+β1Dis1i,t/Dis2i,t+β2DUALi,t+

β3BZi,t+β4CVi,t+β5IDDi,t+β6FSi,t+β7MSi,t+β8LEVi,t+β9ROAi,t+β10MBi,t+β11SIZEi,t+β12AGEi,t+β13SOEi,t+β14LOSSi,t+∑YEAR+∑IND+εi,t

(6)

上述模型的回归结果均在公司层面进行Cluster处理。

四、实证结果

(一)描述性统计

图1报告了大客户-公司地理距离分布的情况。其中，横轴表示大客户-公司间地理距离所处区间，纵轴表示大客户-公司配对数目。可以看出，1329对大客户-公司关系中，地理距离在200公里以内达到523对(341+182)，占比为39.35%；而地理距离在1000公里以上的达到397对(198+133+66)，占比为29.87%。上述结果表明，大客户与公司的区位分布在一定程度上呈现出集聚态势，同时仍有一定比例的大客户远离公司，难以及时掌握公司实际运营管理情况，这为本文的研究问题提供了现实基础。

表2报告了公司年度观测值样本的描述性统计结果。在公司违规方面，FRAUD的均值为0.1490，表明样本中有14.9%的公司发生过违规行为。PUNISH均值为0.1984，表明整体而言，公司违规后所受到的处罚程度较轻。在大客户地理邻近性方面，D1和D2的均值分别达到607.7094公里和605.2733公里，大客户与公司间的地理距离均值超过600公里，表明公司与大客户并未呈现出高度聚集现象。而D1和D2的中位数小于均值，分别为392.3218公里和379.9729公里，表明样本数据存在一定右偏态势，即相对而言公司更可能与地理距离较近的大客户形成合作关系。同时可以看到D1和D2的标准差分别达到648.9781和653.9225公里，极差分别达到2789.2808和2800.7947公里，表明不同公司与其大客户间地理距离的差异较大，符合我国幅员辽阔的现实情况，也为本研究提供了充分的现实基础。控制变量方面，样本中LEV均值仅为39.58%，表明拥有大客户的公司倾向保持较低的负债率，符合Kale等(2007)[13]、Banerjee等(2008)[15]等的研究。此外，样本中38.86%的公司为国有公司，9.22%的公司亏损。

图1 大客户-公司地理距离分布情况

变量样本量均值标准差最小值中位数最大值极差FRAUD13560.14900.35620.00000.00001.00001.0000PUNISH13560.19840.54040.00000.00003.00003.0000Dis113565.21312.11180.06115.97467.93397.8729Dis213565.19462.11570.06115.94017.93807.8769D11356607.7094648.97810.0630392.32182789.34382789.2808D21356605.2733653.92250.0630379.97292800.85772800.7947DUAL13560.26110.43940.00000.00001.00001.0000BZ13568.83411.85525.00009.000018.000013.0000CV13563.61281.08861.00003.00009.00008.0000IDD13560.36740.05050.25000.33330.71430.4643FS13560.34630.14870.09420.30940.75780.6636MS13560.15710.22330.00000.00270.89180.8918LEV13560.39580.22550.03890.37020.96400.9251ROA13560.03960.0588-0.26470.03980.19930.4640MB13560.75580.75120.05370.52004.27314.2194SIZE135621.58891.214119.032621.348425.55486.5222AGE13561.78511.01170.00001.79183.13553.1355SOE13560.38860.48760.00000.00001.00001.0000LOSS13560.09220.28940.00000.00001.00001.0000

(二)相关性分析

表3报告了本文关键变量的相关性分析结果。可以看出，大客户地理邻近性指标Dis1和Dis2与公司违规行为FRAUD以及公司违规严重程度PUNISH间均呈现显著的正相关关系，表明在不考虑其它控制变量的情况下，大客户与公司间地理距离越远，公司违规行为越多，违规严重程度越高，初步验证本文假设。本文还按照由小到大的顺序将Dis1分成10组，每组FRAUD和PUNISH的均值如图2所示。可以发现，随着大客户与公司间地理距离的增加，公司违规行为和严重程度均显著上升，符合本文假设预期。

表3 相关性分析

注：下三角进行pearson检验，上三角进行sperman检验，*、**、***分别表示10%、5%及1%水平上显著。

图2 大客户地理邻近性与公司违规

(三)单变量检验

按照Dis1和Dis2的中位数，将样本分成大客户-公司间地理距离较近(H_Dis1=0和H_Dis2=0)与大客户-公司间地理距离较远(H_Dis1=1和H_Dis2=1)两组，并且比较公司违规指标的均值差异。结果如表4所示。大客户-公司间地理距离较远组中FRAUD和PUNISH的均值均大于地理距离较近组，且均在1%水平上显著。这与本文假设保持一致。

表4 单变量分析(按照大客户-公司间地理距离分组)

注：按照H_Dis1和H_Dis2分组进行T检验，*、**、***分别表示10%、5%及1%水平上显著。

(四)回归分析

为检验大客户地理邻近性与公司违规之间的关系。使用Probit回归检验模型(5)，结果如表5中(1)、(2)列所示。使用Order Probit回归检验模型(6)，结果如表5中(3)、(4)列所示。可以看到，Dis1和Dis2的系数均为正，且在1%水平上显著。说明大客户与公司间地理距离越远，公司越发生违规的倾向越强，同时违规程度也越高。回归结果支持本文假设H。

控制变量方面，FS和LEV的系数显著为正，ROA系数显著为负，表明第一大股东持股比例较高，负债水平越高，盈利能力越差，公司越有可能发生违规行为，同时违规程度也越高。特别的，当被解释变量为PUNISH时，SOE系数显著为负，而当被解释变量为FRAUD时，SOE系数则并不显著，说明相较于国有公司，非国有公司在违规倾向上并无明显差异，但一旦发生违规行为，其严重程度更高。

五、稳健性检验

(一)替换大客户地理邻近性指标

借鉴黄福广等(2014)[55]的方法，本文使用大客户与公司总部之间陆路交通的最短出行时间测度大客户地理邻近性。该指标的测度方法如下。

表5 回归分析-大客户地理邻近性与公司违规

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

以谷歌地图(Google Map)的两地出行时间为标准，手工搜集从大客户抵达公司总部具体地址需要的陆路交通方式(高铁、动车、普通火车、地铁、汽车等)出行时间Time。同时，考虑到陆路交通设施改善，特别是我国高铁、动车等开通对个体出行时间的影响，本文依据“火车票网”(www.huochepiao.com)的历史火车通行时长、城市所在地原火车站地址以及市内出行时间等对大客户与公司总部间陆路出行时间进行校队调整,以精确测度高铁、动车等开通前两地间的陆路出行时间。随后根据大客户数目以及销售额占比分别加权计算各大客户抵达公司总部的平均陆路出行时间Time1和Time2，再分别加1后取自然对数，得到T1与T2。随后分别替换模型(5)和模型(6)中的Dis1和Dis2进行检验。回归结果如表6所示，T1和T2的系数均在1%水平上显著为正，主回归结果保持稳健。

表6 稳健性检验-替换大客户地理邻近性指标

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

需要指出的是，与黄福广等(2014)[55]使用包含飞机在内的两地间最短出行时间测度地理邻近性的做法不同，本文采用大客户与公司间陆路交通的最短出行时间来度量地理邻近性。采取上述做法主要基于如下两点。一是信息交互的行为主体不同。黄福广等(2014)[55]强调风险投资者这一战略层面的行为主体，本文则着重考察大客户这一业务层面的行为主体，信息的传递源自各个层级的业务人员。因此在本文预设的情境中，陆路交通方式更具有普遍性。二是信息交互的成本不同。飞机能够大幅度缩短两地间的出行时间，但其经济成本也远高于陆路交通方式。相较于风险投资者，大客户及公司中的各级业务人员出行更多需要依赖陆路交通工具。因此，如果将飞机纳入大客户与公司间最短出现时间指标中，主观上会扭曲大客户对于公司监督成本的测度。

(二)替换回归模型

本文分别使用Logit回归模型与OLS回归模型检验模型(5)和模型(6)。回归结果如表7所示。可以发现，在替换模型后，大客户地理邻近性指标Dis1和Dis2的系数仍至少保持在5%水平上显著为正，说明在替换模型后，主回归结果仍然稳健。

(三)内生性检验

考虑到可能存在某些未能观测到的要素对于大客户地理距离以及公司的创新决策同时产生影响，即可能存在内生性问题，参考Ghoul等(2013)[41]的做法，本文选取上市公司与大客户地理距离的年度行业均值(D_iv)作为工具变量，使用两阶段工具变量法进行回归检验。第一阶段回归结果如表8中。D_iv的系数均于1%水平上显著为正，F值分别达到117.7207和91.1183，显著大于10，而Cragg-DonaldWald以及Kleibergen-PaapWald统计量均大于10%水平临界值，拒绝弱工具变量假设，表明该工具变量能够较好解释疑似内生变量。

第二阶段回归结果如表9所示，经调整后自变量分别由Pre_Dis1与Pre_Dis2表示，可以看出，Pre_Dis1与Pre_Dis2系数依然显著为正，且至少在5%水平以上显著。说明在控制内生性问题之后，主回归结论依然稳健。

表7 稳健性检验-替换回归模型

注：括号内为Z值或T值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

六、影响机制分析

(一)基于公司治理水平的截面分析

已有文献表明，公司治理水平是影响公司违规的重要因素。良好的公司治理机制能够缓解公司内外部的信息不对称，监管与约束公司内部人的机会主义行为，进而抑制违规行为的发生[56]。本文假设中指出，地理邻近性通过降低大客户的监督成本，提升其治理效率来抑制公司违规行为。如果上述逻辑是正确的话，可以合理预期，当公司已有治理机制难以抑制内部人的机会主义行为，即公司治理水平较低时，大客户地理邻近性对公司治理的改善作用更强，能更有效地抑制公司违规。因此，本文推测在治理水平较低的公司中，大客户地理邻近性对公司违规的抑制作用更加明显。

表8 内生性检验-第一阶段回归

注：括号内为T值，*、**、***分别表示10%、5%及1%水平上显著

本文选取分析师跟踪水平，机构投资者持股和独立董事比例衡量公司治理水平。分析师是公司与投资者之间的重要信息媒介。利用各类信息渠道与专业知识，分析师能够及时发现公司各类违规行为并传递至资本市场中，发挥监督作用[10，57]。因此公司的分析师跟踪水平越高，治理水平也越高。机构投资者是重要的市场参与力量。不同于中小投资者，机构投资者具有较高的独立性与长期投资的意愿[58]，能够通过“用手投票”的方式监督公司的各类机会主义行为[59]。因此公司的机构投资者持股比例越高，治理水平也越高。此外，独立董事能够监督公司内部人自利倾向，降低公司代理冲突[60]。因此独立董事比例越高，公司治理水平越高。

表9 内生性检验-第二阶段回归

注：括号内为Z值或T值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

随后，按照分析师跟踪人数、机构投资者持股比例和独立董事比例的年度行业中位数进行分组，对模型(5)和模型(6)分别进行检验。回归结果如表10，表11和表12所示。可以看出，在治理水平较低的公司中，大客户地理邻近性与公司违规间呈显著负相关关系；而在治理水平较好的公司中，二者的关系却并不显著。上述结果表明，大客户地理邻近性能够改善公司治理水平以抑制公司违规。

(二)基于大客户治理需求的截面分析

本文假设指出，通过降低大客户的监督成本，地理邻近性能够显著提升大客户的治理能力，进而抑制公司违规。如果该推断成立，那么当大客户具有更为强烈的治理需求时，其地理邻近性抑制公司违规的作用应当更加明显。

本文从供应商公司是否属于耐用品行业、专有资产水平以及大客户产权性质三个角度考察不同治理需求下大客户地理邻近性与公司违规的关系是否存在差异。具体的，耐用产品可能需要大量维修、装配及改良升级等后续专项服务，如果公司出现经营或财务危机，大客户所采购产品的后续服务将难以得到保障，因此对于耐用品行业的公司，大客户的依赖程度更高，具有更强的治理需求。而如果公司与大客户间存在较多专有资产，则表明二者之间联系紧密，生产经营过程中的协同要求比较高，一旦企业出现经营或财务危机，大客户将不得不找寻全新供应商，继而面临高昂的转换成本。因此对于专有资产水平较高的公司，大客户的依赖程度更高，具有更强的治理需求。在当前我国产品市场，不同产权性质的大客户所面临的生存压力却不尽相同。在面临经营困境时，由于政府“父爱主义”及“预算软约束”的存在，国有大客户更容易获取银行贷款，也更容易得到政府的政策支持，具有更强的能力度过经营危机[61-62]。而非国有大客户则不得不承担生产秩序破坏，更换供应商等所带来的高昂成本，也更容易遭遇经营失败。因此，非国有大客户具有更强烈的动机参与公司治理，也更可能利用较近的地理距离监督公司的违规行为。

参考Banerjee等(2008)[15]、Itzkowitz(2013)[32]、王雄元和彭旋(2016)[30]的方法，本文将电子、金属与非金属、设备仪器类行业界定为耐用品行业，将研发投入(R&D)大于0的公司界定为专有资产水平较高的公司，并分别进行分样本检验。同时，手工收集整理大客户的产权性质，按照所有大客户均为国有企业或非国企选取两个子样本，并对原假设进行检验。

回归结果如表13、表14及表15所示。对于公司处于耐用品行业、专有资产水平较高以及大客户均为非国有企业的分样本中，Dis1和Dis2的系数均于1%水平上显著为正，而在非耐用品行业、专有资产水平较低以及大客户均为国有企业的分样本中，Dis1和Dis2的系数均不显著。上述结果说明当大客户更加依赖公司，具有更强的治理需求时，地理邻近性强化治理能力的作用将更为明显。

表10 基于公司治理水平的截面分析-按分析师跟踪分组

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

表11 基于公司治理水平的截面分析-按机构投资者持股分组

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

表12 基于公司治理水平的截面分析-按独立董事比例分组

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

表13 基于大客户治理需求的调节效应分析-按是否耐用品行业分组

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

表14 基于大客户治理需求的截面分析-按专有资产分组

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

表15 大客户产权性质差异

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

七、进一步检验

(一)经营活动违规VS信息披露违规

公司的违规行为可以分为经营活动违规与信息披露违规。公司的经营活动违规直接威胁到大客户的经营生产安全。而信息披露违规可能引发大客户对于公司未来经营或财务状况的担忧。那么，对于不同类型的违规行为，大客户地理邻近性的影响是否存在差异，需要进行一步探讨。借鉴权小峰等(2016)[63]的研究，将欺诈上市、出资违规、擅自改变资金用途、占用公司资产、内幕交易、违规买卖股票、操纵股价、违规担保归类和一般会计处理不当定义为经营活动违规OPERATE；将虚构利润、虚列资产、虚假记载、推迟披露、重大遗漏、披露不实归类为信息披露违规DISCLOUSE。随后分别对模型(5)进行检验。结果如表16所示，(1)、(2)列为大客户地理邻近性对公司经营活动违规的影响，(3)、(4)列是大客户地理邻近性对公司信息披露违规的影响，可以看到，Dis1和Dis2的系数均显著为正。说明无论是经营活动违规还是信息披露违规，大客户地理邻近性都能够发挥积极的治理效应。

表16 信息披露违规VS公司经营违规

注：括号内为Z值，*、**、***分别表示10%、5%及1%水平上显著，回归系数标准误经过cluster处理。

八、研究结论

公司违规一直是我国资本市场的“顽疾”。探寻抑制公司违规的手段，一直以来都是监管层与投资者的关注热点。公司违规不仅会导致资本市场资源错配，也可能威胁产品市场中供应链体系的安全。作为供应链体系的核心，大客户在抑制公司违规方面将如何发挥作用，值得深入讨论。

基于地理经济学与委托代理理论，本文以2009-2015年我国A股非金融类上市公司为对象，手工收集大客户与公司间的经纬度坐标，使用Google Earth等软件计算二者间地理距离数据，并基于此构建大客户地理邻近性指标，用以衡量大客户的监督成本。随后探讨大客户地理邻近性与公司违规之间的关系。研究发现：大客户与公司间地理距离越近，公司的违规行为倾向越小，严重程度越低，即大客户地理邻近性能够有效抑制公司违规。在使用指标敏感性、模型敏感性、两阶段工具变量法等多种方式进行稳健性检验后，上述结论仍然成立。考虑到公司治理水平及大客户治理需求的差异后发现，大客户地理邻近性对公司违规的抑制作用在公司治理水平较低时更为明显，在公司处于耐用品行业、具有专有资产水平以及大客户均为非国有企业等大客户治理需求更强时更为明显。表明地理邻近性能够降低大客户的监督成本，使其发挥积极的公司治理效应。此外，本文还发现大客户地理邻近性对公司的经营活动违规与信息披露违规都能起到抑制作用。

本文的研究结论具有以下三方面的实践价值。一是，对于投资者而言，需要认识到大客户在公司治理当中的作用。结合大客户的治理举措，例如宣布长期合作、互相持股、共建研发中心或是削减订货、加收预收款项、招募新供应商等，判别公司运营状况并评估投资风险，遴选优质标的，提升投资收益。二是，对于大客户及公司而言，需要利用地理区位优势优化供应链体系。加强与地理距离较近交易主体间的各类正式或非正式信息交流，合理利用谈判优势，减少交易成本，营造良好的供应链生态。特别的，对于距离公司较远的大客户，应当密切关注公司的经营管理活动，降低公司道德风险。三是，对于监管者而言，需要结合公司的大客户区位分布制定差异化的监督策略。对于远离大客户的公司，需要强化监督力度，降低其违规可能性，保护投资者权益。