上市公司参与网络互动的动因及影响研究

（闽南师范大学 商学院，福建 漳州 363000）

一、引言

互联网技术给资本市场的信息流动带来深远影响，上市公司无法再用传统方式管理信息披露，一切都变得难以掌控和预测[1]。自从沪深交易所推出投资者关系互动平台①以来，互联网为投资者提供了新型的管理层接触方式[2]。尽管如此，互联网技术并没有改变上市公司与投资者之间的信息地位。作为内部信息的知情人，上市公司牢牢掌握着互动问答的主动权。以2018 年疫苗事件为例，在事件曝光之前，多位投资者在“互动易”平台先后9 次询问疫苗问题②，但长生生物均以“谢谢关注”“以公告为准”等方式敷衍搪塞，致使疫苗问题没能被及时披露出来。那么，上市公司参与网络互动受到哪些因素影响？敷衍搪塞投资者会引起哪些后果？本文从问答博弈视角探讨上市公司参与网络互动的动机，验证回答行为对公司透明度的影响，最后提出规范上市公司参与网络互动的若干政策建议。

互联网技术虽然拉近了投资者与上市公司之间的距离，但基于网络的投资者关系管理依然难有改善。证监会制定的《上市公司与投资者关系工作指引》指出，投资者关系工作是指上市公司通过信息披露与交流，加强与潜在投资者之间的沟通，以实现公司利益最大化和保护投资者合法权益。虽然沟通是投资者关系管理的有效方式[3]，但我国上市公司并不重视与投资者的沟通[4]，中小投资者的权益保障不到位[5]。《证券日报》的一项调查显示，面对投资者的网络提问，许多公司存在敷衍了事的现象[6]，一些公司还存在回答延迟时间较长、回复内容不明确等问题[7]。

造成上市公司与投资者沟通效率不高的原因较多，已有文献主要关注约束机制、外部环境、公司治理与管理层理念等因素。由于缺乏有效的内外部约束机制，上市公司的管理能力不足，通常不尊重投资者[8]。马连福等[9]发现，公司所属地区的外部治理环境越好，投资者关系管理水平越高。赵颖[10]认为适当的股权集中度和管理层持股能够促进投资者管理水平的提升。由于管理层理念淡薄，上市公司存在“重披露而轻沟通”现象，特别是与中小投资者的沟通[4]。由于互动平台的出现时间较短，研究上市公司参与网络互动的文献不多。最新研究表明，绩优公司更愿意通过网络披露更多的信息[11]，内部控制质量更高的公司愿意借助网络与投资者沟通[12]。丁慧等[13-14]认为社交媒体环境下投资者信息的获取与解读能力得到提升，但是实际情况并非如此。如果上市公司采取消极回答策略，投资者难以获得准确信息，市场信息效率也难以显著改善。

鉴于投资者相对弱势的信息地位，忽略上市公司的参与意愿是不妥当的。现实情境中，上市公司敷衍投资者的现象屡见不鲜。难怪有股民抱怨，“所谓投资者互动，不过是上市公司对上敷衍监管、对下忽悠股民的把戏”③。因此，有必要探究上市公司参与网络互动的动因及其影响，特别是对公司信息透明度的影响。本文首先刻画投资者与上市公司之间的问答博弈，在论证博弈报酬的基础上建立单期与多期动态博弈模型，推导问答博弈的基本性质并提出对应的研究假设。然后，基于2010—2017年深交所上市公司的互动问答数据，实证检验本文研究假设。最后，总结上市公司参与网络互动的动因及对公司透明度的影响，为相关部门提出监管建议。

相对于已有研究，本文的特色是构建“问答博弈”模型，讨论投资者提问内容如何影响上市公司的回答策略、回答策略如何影响公司的信息透明度。本文的主要发现有：（1）当互动内容涉及较多的利空信息时，上市公司不会立即采取消极应对策略，直到利空信息占比超过一个临界值。一些学者认为公司管理层有动机推迟披露坏消息[15]。按此逻辑，当投资者提出负面问题时，上市公司拒绝回答或者保持沉默，直到负面信息积累到一定程度，这与本文发现并不一致。（2）利好信息占比不存在类似的临界值，这可能因为利空信息与利好信息对投资者决策、市场的影响是不对称的[16-17]。（3）利好信息与利空信息均能够促使上市公司积极参与网络互动，相对而言，利好信息的影响更大。（4）上市公司参与网络互动的行为对公司信息透明度有显著影响：积极参与网络互动显著提升公司信息透明度，消极参与网络互动显著降低公司信息透明度。

二、基于博弈模型的动因分析

（一）基本设定

网络互动包含三个要素：场景、投资者与上市公司。

1.场景。场景为网络互动提供环境支持。在场景中，有1 家公司和N 个投资者（N>1），投资者与公司遵循“一问一答”互动模式。互动结束后，问答内容被记录并保存。由于网络平台由证券交易所提供，公司在场景中说谎的概率被设定为零④。

2.投资者。投资者满足以下假定：（1）投资者处于信息弱势地位，信息识别是其提问的动机⑤。信息识别是指投资者搜集、筛选、整理、判断各类原始信息并转化为决策信息的过程，也是投资者实现、保护自身利益的前提⑥[18]。（2）投资者的提问内容分为利好与利空两类，利空信息对投资者决策的影响更大[16]。（3）在获得公司回答后，如果信息被准确识别，投资者选择交易；如果信息无法被准确识别，投资者放弃交易⑦。

3.公司。公司满足以下假定：（1）公司处于信息强势地位，知晓所有提问的准确答案⑧。（2）面对投资者的提问，公司可以选择积极回答与消极回答两种策略。积极回答帮助投资者准确识别信息，消极回答无法帮助投资者完成信息识别。（3）公司的回答行为被实时公开，多次积极回答为公司累积正面声誉，多次消极回答为公司累积负面声誉。

（二）单期博弈模型的建立

在单期博弈中，只存在一次“问与答”，公司对回答策略的选择不会对其声誉造成影响。图1 给出了单期博弈模型的报酬设定，下面对报酬设定依据给出详细的说明。

图1 单期博弈模型及报酬设定

1.利空信息对投资者、上市公司的影响比利好信息更大。已有大量研究证实，坏消息对人们决策行为的影响比好消息更大[16]。从心理学角度解释，投资者是风险厌恶的，不喜欢的信息对其造成的影响比喜欢的信息造成的影响更大。

2.投资者的报酬取决于信息是否被有效识别。如果公司采取积极回答策略，在准确获取利好信息时，投资者交易获1 个正报酬；在准确获取利空信息时，投资者交易获2 个正报酬⑨。如果公司采取消极回答策略，投资者选择不交易，其报酬为零。

3.公司的报酬仅与信息扩散有关，与公司的回答策略无关。在网络问答过程中，公司的“报酬”来自于股票在二级市场的短期表现，并非来自公司业绩在长期上的盈利或者亏损。当信息已经出现，积极回应或消极回应，都难以阻止已经出现的影响。大量已有研究证明，公司的解释或者澄清难以挽回信息对股价造成的影响[19-22]。如果投资者提问是利好的，正面信息进入公众视野，公司获得1 个正报酬。如果投资者提问是利空的，负面消息进入公众视野，公司获得2 个负报酬。

4.其他说明。（1）公司无法事先知晓投资者的提问是利好还是利空。本文假定提问利空的概率为p，利好的概率为（1-p）。（2）公司对回答策略的选择不受法规与监管的约束⑩。对于利空提问，公司选择积极策略的概率为a，选择消极策略的概率为（1-a）；对于利好提问，公司选择积极策略的概率为b，选择消极策略的概率为（1-b）。

（三）单期博弈模型的求解

1.先分析投资者的决策。投资者有两种纯策略：交易与不交易。

如果选择不交易，投资者获得的期望报酬为零，E（不交易）=0。

如果选择交易，投资者获得的期望报酬为：

式（1）中，S1、S2、S3、S4分别对应投资者位于四种状态的概率。四种状态即（利空、积极回答）、（利空、消极回答）、（利好、积极回答）、（利好、消极回答），其概率之和为1。

已知提问利空的概率为p（0＜p＜1）⑪，利好的概率为（1-p）。利空条件下公司积极回答的概率为a（0＜a＜1），消极回答的概率为（1-a）；利好条件下公司积极回答的概率为b（0＜b＜1），消极回答的概率为（1-b）。则S1可表示为p×a，S3可表示为（1-p）×b，式（1）可以转化为：

显然，交易的期望报酬大于零。由于E（不交易）=0，在公司积极回答的情况下，投资者确定选择交易；在公司消极回答的情况下，投资者确定不交易。

2.再分析公司的决策。投资者提问直接决定公司的报酬，公司将采取混合策略。在单期博弈中，一个有利的状态为（投资者提问、公司积极回答、投资者交易），其结果有利于投资者信息能力的提升、市场信息效率的改善。此时，需要保证公司选择积极回答的期望报酬大于其选择消极回答的期望报酬。由此，根据图1 有：

令E（积极回答）＞E（消极回答），求解关于p 的不等式：

已知a、b、p 均属于（0，1），假定a=b⑫，讨论以下三种情形：

（1）a→1，b→1，则（4a+2b-3）＞0，2b-1＞0，式（5）等价于：

依据概率的性质，0＜P1＜1，则有a＞0.5，条件可以满足。

对P1求极限得到：

（2）a→0.5，b→0.5，则（4a+2b-3）＞0，2b-1＞0，式（5）等价于：

依据概率的性质，0＜P2＜1，则有a＞0.5，条件可以满足。

对P2求极限得到：

（3）a→0，b→0，则（4a+2b-3）＜0，2b-1＜0，式（5）等价于：

依据概率的性质，0＜P3＜1，则有a＜0.5，条件可以满足。

对P3求极限得到：

上述三种情形中，（1）与（2）可以相容，但它们与（3）存在矛盾。由于博弈均衡需要保证公司采取积极回答策略，a=b=0 是不合理的，情形（3）亦不能成立。

根据（1）与（2）的讨论可知，存在一个临界概率p#，当利空概率p＜p#时，公司采取积极回答策略，从而达到{投资者愿意问，上市公司愿意答}的均衡状态，此状态标记为G。当利空概率p＞p#时，公司采取消极回答策略，从而达到{投资者愿意问，上市公司不愿答}的均衡状态，此状态标记为B。虽然网络提问的成本是微小的，但如果无法获得积极回答，投资者最终会放弃提问，状态B 会演变为｛投资者不愿问，上市公司不回答｝的状态。对于上市公司信息披露和资本市场的信息流动而言，状态G 显然好于状态B。

（四）多期博弈模型的建立

多期博弈中，N 个投资者先后多次提问，公司的回答行为影响自身声誉，具体为：

式（9）中，x 代表公司的回答次数。积极回答次数越多，公司声誉越好；消极回答次数越多，公司声誉越差。在报酬设定时，本文使用符号R（R＞0）表示良好声誉给公司带来的正报酬，而-R 则表示坏声誉给公司带来的负报酬。如图2 所示，好声誉带来R的报酬，坏声誉带来-R 的报酬。除了声誉带来的报酬之外，图2 的其他部分与图1 完全一致。

图2 多期博弈模型及报酬设定

（五）多期博弈模型的求解

多期博弈模型的求解过程与单期博弈模型基本一致，唯一差别是声誉的激励作用。公司选择不同策略的期望报酬可分别表示为：

令式（10）＞式（11），可求解关于p 的不等式。由于声誉会激励公司采取积极回答策略，多期博弈模型均衡点对应的临界概率p#会被放宽。具体来讲，如果单期博弈均衡点对应的临界概率为p#（单），多期博弈均衡点对应的临界概率为p#（多），则有：p#（单）＜1/3＜p#（多）。由于结果明显，此处不再赘述证明。

三、问答博弈的性质与研究假设的提出

（一）单期博弈模型

性质1：给定利空信息，公司积极回答的概率为a（0＜a＜1）；给定利好信息，公司积极回答的概率为b（0＜b＜1）；则a＜b。

管理层选择信息披露时点的影响因素较为复杂，但及时披露好消息、推迟披露坏消息已经得到学术界的普遍认同[15，23-25]。然而，管理层隐藏坏消息在网络互动情境中有所不同，因为问题发起的主动权掌握在投资者手中，管理层只能被动地选择积极回答或者消极回答策略。在这种特殊模式下，上市公司参与网络互动的积极性必然受到提问内容的影响。其中，利好信息促使公司积极参与互动是显然的，因为好消息对公司股价有正面影响[26]。如果将公司对利空提问的回应看作特殊的“传闻澄清”，则公司有动机迅速澄清利空信息[21]。由于坏消息对人们决策行为的影响比好消息更大[16]，可得到本文的第一个研究假设：

H1：保持其他条件不变，利空信息越多，公司参与网络互动的积极性越高；利好信息越多，公司参与网络互动的积极性越高。相对而言，利好信息的影响更大。

性质2：存在一个临界的利空概率p#，当p＜p#时，上市公司更愿意采取积极回答策略；当p＞p#时，上市公司更愿意采取消极回答策略。

已有文献证明好消息与坏消息对市场的影响是不同的，好消息对公司股价有正面影响[26]，坏消息给股票收益带来下行压力[27]。当投资者的提问涉及利空信息时，可以将公司的回答看作一种特殊的“传闻澄清”。从心理学角度看，传闻为当事人带来了恐惧与不安，相关人员有强烈动机评价传闻内容以消除不利影响[28]。从委托代理角度看，公司高管出于考虑个人职业生涯、薪酬待遇等原因，也有必要及时出面澄清负面信息，尽管效果并不理想[21]。然而，已有研究并没有考虑到利空信息影响的“非线性”。根据本文提出的问答博弈模型，当利空信息占比低于某个临界值p#时，上市公司有动机采取积极回应策略；当利空信息占比超过p#时，上市公司将采取“破罐子破摔”的消极回答策略。

由前文的模型推导可知，临界值p#的存在源于上市公司的期望报酬满足不等式：E（积极回答）＞E（消极回答）。此时，有利的市场均衡状态G 会出现⑬。实际上，利空临界概率的数值1/3 与报酬设定有关，这表明1/3 不是p#的唯一值。改变报酬的数值设定，并不影响p#存在的事实。假定利空、利好的影响是对称的，具体为：（1）利空问题得到积极回答，投资者得到的报酬为1；（2）利好问题得到积极回答，投资者获得的报酬也为1；（3）利空问题出现时，公司获得报酬为-1；（4）利好问题出现时，公司获得报酬为1。那么，p#将从1/3 变为1/2。由此，从性质2 可得到第二个研究假设：

H2：保持其他条件不变，当利空信息比例⑭小于p#时，利空比例越高，公司参与互动的积极性越强；当利空比例大于p#时，利空比例越高，公司参与互动的积极性越低。

从实证分析角度看，只要存在一个p#即可，无论p#=1/3 或者p#=1/2，都可以观察到研究假设H2得到验证，只不过结果的统计显著性可能存在差异。当然，借助实证结果的显著性可以判断p#更接近1/3还是更接近1/2，但这并不影响p#存在的事实。实际上，根据前文的多期博弈结果可以推断，由于声誉机制的存在，p#将会大于1/3，表明声誉的存在提高了上市公司对问题利空信息比例的容忍程度。

（二）多期博弈模型

性质3：消极回答降低公司信息透明度，积极回答提高公司信息透明度。

基于互联网的互动问答属于投资者关系管理的范畴，中国证监会制定的《上市公司与投资者关系工作指引》指出，“上市公司应主动听取投资者的意见、建议，形成良性互动”。公司信息透明度是指公司财务、管理等信息公开披露的程度，它是市场有效运行的基本条件，更关系到资源配置的有效性和资本市场的健康发展[29]。由于投资者的注意力和信息处理能力是有限的，即便有些信息已经公开，投资者仍然难以及时理解它们[30]。当投资者借助网络了解公司信息时，积极回答将有利于信息披露，消极回答不利于信息披露。由此，可得到第三个研究假设：

H3：保持其他条件不变，参与网络互动越积极的公司，其信息透明度越高。

四、实证分析与讨论

（一）研究设计

1.研究方法。实证部分以面板数据回归方法为主。首先选用混合面板回归（POLS），其次通过诊断方法选取更加适宜的回归模型，包括固定效应模型或随机效应模型。为了完成研究假设H1后半部分，本文采用Wald 检验比较解释变量回归系数的差异。

【症状】 患病鱼摄食不良，体色全身黑化。严重的患病鱼，可见患部表皮白化，体表、鳍条与鳃盖内侧发红和糜烂，鳃呈现贫血等症状。有时外观上也看不到特别明显的症状（限于患病部位在脑部的情况下）。

2.数据来源与样本选择。实证分析选取三类数据：上市公司参与网络互动的问答数据、上市公司的财务数据、股票交易数据。其中，财务数据与股票数据来自CSMAR 数据库。借鉴岑维等[31]、谭松涛等[2]的做法，互动问答数据取自深交所的投资者关系互动平台。研究样本选取2010—2017 年在深交所正常上市的公司，剔除了符合下列条件之一的样本：（1）在一年内，网络互动次数少于50 次的公司⑮；（2）在研究区间内处于异常状态的股票，例如ST 或*ST等；（3）在研究区间内，数据出现大面积缺失的公司。经过整理，最终得到“公司-年度”观测值8912 个。

3.变量定义与构造。（1）公司参与网络互动的积极性（ACTIVE）。本文使用“回答延迟天数”评价公司参与网络互动的积极性，采用回答日期与提问日期之间的工作日天数计算，用Delay 表示。如果公司当天回答投资者的提问，则Delay=0；第2 天回答，则Delay=1；依次类推。如果公司超过12 个月没有回答投资者的提问，设定Delay=365。实证分析中，采用Delay 的年度均值。Delay 越小，表明公司参与网络互动的积极性越高。Delay 越大，表明公司参与网络互动的积极性越低。

基于稳健性考虑，本文选取另一个评价变量——投资者提问被公司回答的比例，用AnswerRate 表示。每一家公司对应的问题回答比例按如下方法计算：

式（12）中，t 表示年份，从t 年5 月1 日开始至（t+1）年的4 月30 日，TOTALt表示t 年内“投资者的提问总次数”，ANSWERt表示t 年内“提问被公司回答的总次数”。AnswerRate 越大，表明公司参与网络互动的积极性越高。AnswerRate 越小，表明公司参与网络互动的积极性越差。

（2）利空信息与利好信息。借鉴Tetlock et al.[27]的做法，本文通过情感词汇的比率度量互动内容⑯的利好与利空。在语言表达中，一些词汇具有明显的情感特征，或是正面（积极）的，或是负面（消极）的，它们可以用来度量文字资料的正面或者负面属性。自2012 年以来，国内学者整理了多个情感词汇表，较早的文献包括Li et al.[32]、汪昌云等[33]、易洪波等[34]、尹海员等[35]。其中，Li et al.[32]、汪昌云等[33]的词汇表包含词汇较为全面，且具有较强的财经特色与传媒特色。考虑到情感词汇的可获取性与维护的可持续性，本文选取Li et al.[32]于2012 年开始整理并维护至今的FinDict⑰。

对于每一家公司，互动内容的利空信息计算方法如下：

式（13）中，t 表示年份，从t 年5 月1 日开始至（t+1）年的4 月30 日，Nt，NEG表示一年度内全部互动包含的负面词汇个数，Nt，Total表示一年度内全部互动包含的词汇总个数。

（3）利空比例（NP）。根据博弈模型的性质2，p代表投资者提问为利空的概率。然而，确切界定一段文字是利好还是利空比较困难。一般认为，如果利空信息相对于利好信息有明显优势，该段文字有更大的可能是利空的。鉴于此，本文进行简易处理。在每一家公司的t 年内，“利空比例”指利空信息与利好信息的比例，由式（13）与式（14）相除得到⑱，可作为研究假设H2的解释变量。从频率角度考虑，利空比例（NP）与提问的利空概率无法等价，但是考虑p#不是一个精确数值，NP 与利空概率之间的差异是可以接受的⑲。

（4）信息披露考评（CREDIT）。自2001 年以来，深交所发布并多次修订了《深圳证券交易所上市公司信息披露工作考核办法》（以下简称《考核办法》）。《考核办法》从真实性、准确性、完整性、及时性、合法合规性和公平性共六个方面评价上市公司的信息披露水平，并给予A、B、C、D 四个档次的评级。其中，A为最高等级，B 表示中等水平，C 等级稍差，D 等级最差。由于信息披露是上市公司立足于资本市场的核心工作，考评等级在很大程度上揭示了上市公司的信息披露水平。从2002 年开始，深交所对场内的上市公司执行每年一次的年度考核，十六年来未曾间断。由于考核结果具有较强的权威性与广泛的社会影响，本文选取信息披露考核等级作为上市公司信息透明度的代表，用于检验研究假设H3。

4.控制变量。上市公司参与网络互动的积极性与公司管理水平、公司经营业绩有关，本文控制变量选取第一大股东持股比例、管理层持股、是否国有控股、CEO 权利、独立董事占比、女性CEO、总资产收益率、公司规模、资产负债率、市值账面比。此外，控制变量还包括分析师跟踪、所属行业、是否为融资融券标的、是否为创业板公司、所在年份。表1 给出了全部变量的描述，所有连续变量均完成上下1%的winzorize 处理。

5.模型设定。为了检验研究假设H1，本文设定如下模型：

式（15）中，t 表示年份，与Talk_NEG、Talk_POS 的年度划分一致。Active 代表上市公司参与网络互动的积极性，分别用LnDelay 和AnswerRate 代表。Talk_NEG代表互动内容的利空信息，Talk_POS 代表互动内容的利好信息，Controls 是表1 中的控制变量。

研究假设H2的检验模型加入了解释变量利空比例（NP），具体见式（16）。由于利好与利空是相对的，式（16）也会讨论利好比例（PN）。在研究假设H3的模型中，被解释变量替换为考核等级CREDIT，解释变量替换为上市公司参与网络互动的积极性，包括LnDelay 和AnswerRate，具体见式（17）。结合实证分析中的具体情形，上述回归模型的解释变量会有细微调整，此处不再赘述。

表1 变量介绍

（二）描述性统计分析

如表2 所示，几个关键变量的统计结果揭示出一定的意义。LnDelay 的均值为1.965 9，折算成工作日天数为7.139 天，表明投资者的提问平均1.5 周后会得到答复。AnswerRate 的均值为0.932 4，表明有93.24%的提问可以得到回答。LnANALYST 的均值为1.460 5，折算成跟踪团队约为4.3 个，表明公司普遍得到了分析师的关注。CREDIT 的均值为0.693 7，而考评等级B 的分数为0.67 分，表明公司整体信息披露等级并不乐观。Talk_POS 的均值为5.845 0，高于Talk_NEG 的均值2.065 0，说明互动内容的利好信息相对较多⑳。

表2 变量的描述性统计分析

（三）研究假设的检验

1.研究假设H1。表3 给出了以LnDelay 为被解释变量的回归结果。在控制了相关变量之后，利空信息Talk_NEG 的系数为-0.197 3，利好信息Talk_POS的系数为-0.178 9，它们均在1%水平上显著为负，表明利空信息与利好信息都会促使公司及时回答投资者的提问。表4 给出了以AnswerRate 为被解释变量的回归结果，利空信息Talk_NEG 的系数为0.028 4，利好信息Talk_POS 的系数为0.022 0，均在1%的水平上显著，表明利空信息与利好信息均会促使公司更多地回答投资者的提问。综合分析，表3 与表4 的回归结果支持了研究假设H1的前半部分，即利空信息与利好信息都能促使公司积极参与网络互动。

表3 利空信息、利好信息与公司参与网络互动的积极性（LnDelay）

表4 利空信息、利好信息与公司参与网络互动的积极性（AnswerRate）

综合分析，利空信息与利好信息都会促使公司积极参与网络互动，这是上市公司参与网络互动的外部动因。然而，a 与b 之间的相对大小关系却难以判断。本文将在稳健性分析部分选择固定效应模型或随机效应模型替换当前的混合面板模型，进一步探讨a 与b 之间的大小关系。

2.研究假设H2。该假设的目标是确认利空比例（NP）是否存在一个临界值p#，使得p#两侧的研究样本出现截然相反的回归结果。本文选取利空比例（NP）的1/3 分位数，得到NP1/3=0.275。采用LnDelay为被解释变量，如表5 中的模型（1）和（2）所示：当NP＜0.275 时，其回归系数为负值（-4.146 7）且在1%的水平上显著为负，表明利空比例越高，公司的回答延迟越短；当NP＞0.275 时，其回归系数为正值（0.117 2）且在5%的水平上显著，表明利空比例越高，公司的回答延迟越长。采用AnswerRate 为被解释变量，如表5 中模型（3）和（4）所示：当NP＜0.275时，其回归系数为正值（0.910 3）且在1%的水平上显著，表明利空比例越高，公司回答提问的比例越高；当NP＞0.275 时，其回归系数为负值（-0.015 6）且在1%的水平上显著，表明利空比例越高，公司回答提问的比例越低。上述分析表明，利空概率存在一个临界值p#，在其两侧，利空信息对上市公司参与网络互动的影响恰好相反，且至少在5%的水平上显著，研究假设H2得到支持㉑。

表5 利空比例与公司参与网络互动的积极性（p#=1/3）

3.研究假设H3。本研究假设希望确认公司参与网络互动的行为对其信息透明度有显著影响。如表6 所示，CREDIT 是公司年度考评等级转化的数值，代表公司信息透明度。结果显示，LnDelay 的系数为负值（-0.010 3）且在1%的水平上显著，AnswerRate的系数为正值（0.059 1）且在1%的水平上显著，表明积极参与网络互动的上市公司，下一年度的考评等级对应的数值越高，公司信息透明度越高，研究假设H3得到实证支持。

基于稳健性的考虑，本文对表6 中的两个模型进行适当调整。根据表6 的设计，解释变量是被解释变量的滞后一期。虽然这种做法的本意是缓解内生性问题，但在本实证中存在一定的不足。根据《考核办法》，被解释变量CREDITt+1的年度考核时间是（t+1）年的5 月1 日至（t+2）年的4 月30 日，而解释变量LnDelayt与AnswerRatet的年度时间范围是t年5 月1 日至（t+1）年的4 月30 日。显而易见，公司在t 年参与网络互动的行为没有影响CREDITt+1的形成，因为中间存在一个年度的时间差。

表6 公司参与网络互动对公司信息透明度的影响

对于研究假设H3而言，被解释变量CREDIT 与解释变量LnDelay 与AnswerRate 在同一年度不存在内生性问题，因为考评是事后工作，不会对公司已经发生的行为产生影响。本文在表7 中做了对应的调整，将被解释变量与解释变量放在同一个年度。回归结果显示，LnDelay 的系数为-0.0106，AnswerRate 的系数为0.068 6，二者均在1%的水平上显著。表7 的回归结果与表6 的回归结果一致，研究假设H3得到进一步证实。

表7 公司参与网络互动对公司信息透明度的影响（同期）

（四）稳健性分析

前文实证分析过程中已经完成了一些稳健性分析，包括：采用AnswerRate 变量替换LnDelay，代表上市公司参与网络互动的积极性；将式（17）中的被解释变量与解释变量放到同一个年度内。

为了进一步检验实证结果的可靠性，本文更换计量回归模型。虽然混合面板模型（POLS）控制了行业、年份、公司治理、公司业绩等十多个变量，但也可能会遗漏关键变量，因而可以尝试采用固定效应模型或随机效应模型。本文使用R 语言plm 工具包中的phtest()函数对式（15）的模型进行豪斯曼检验，结果拒绝随机效应。进一步使用plm 工具包中的plmtest()函数在个体固定效应与时间固定效应之中进行选择，结果支持个体固定效应。

与混合面板相比，固定效应的回归结果并没有太多变化。此外，通过Wald 系数约束条件检验也支持了研究假设H1中的a＜b。由于篇幅所限，结果没有汇报。最终，上述分析表明研究假设H1、H2都得到实证支持。

五、研究结论与政策建议

随着网络时代的到来，投资者关系互动平台已经成为上市公司重要的非正式信息披露媒介，但监管部门尚没有出台有针对性的管理细则。为了研究上市公司参与网络互动的行为，为有关部门提供必要的政策建议，本文建立并求解了投资者与上市公司之间的问答博弈模型，讨论了博弈模型的基本性质。基于2010—2017 年深交所正常的上市公司的财务数据、股票交易数据、投资者关系互动平台的问答数据以及深交所的信息披露考评数据，本文实证检验了博弈模型的三个基本性质，有如下发现：（1）互动内容的利空信息与利好信息都能够促使上市公司积极参与网络互动，相对而言，利好信息的影响比利空信息更大。（2）利空比例，即互动内容中利空信息与利好信息的比值，存在一个临界值p#，当利空比例小于p#时，利空比例越高，上市公司参与网络互动的积极性越高；当利空比例大于p#时，利空比例越高，上市公司参与网络互动的积极性越低。（3）上市公司参与网络互动的行为对公司信息透明度有显著影响，积极参与互动显著改善上市公司信息透明度。

基于上述理论分析与实证分析，本文认为监管部门应当采取必要措施维持市场始终位于｛投资者愿意问，上市公司愿意答｝的均衡状态，主要做好以下工作：（1）及时并严格处罚上市公司违规行为，增加公司违规成本，特别是声誉成本。公司违规行为的减少可以降低投资者发起利空提问的可能性，使利空比例尽可能低于临界值，防止触发公司“破罐子破摔”的临界点。（2）扩大网络互动平台的影响力，帮助投资者挖掘公司信息。随着互动平台影响力的扩大，投资者数量急剧增加。在可以挖掘到新信息的条件下，投资者提问热情高涨，互动行为对公司声誉累积效果更加明显。（3）不要处罚上市公司的消极回答行为。消极回答行为虽然与《上市公司与投资者关系工作指引》的要求不符，但处罚消极回答行为并不能导致积极回答行为的出现，还有可能陷入“上有政策、下有对策”的恶性循环。实际上，不处罚的做法可以给声誉机制留下足够的空间，不仅可以提升公司对利空信息的容忍程度，还能促进公司采取积极回答策略。

本文亦存在诸多不足之处：（1）博弈模型的设定、求解还需要进一步完善。（2）利好、利空的度量还有改进空间。虽然词频统计方法已经取得广泛认同，但网络互动与财经新闻、分析师报告有很大不同，许多用词不够规范。笔者会在未来的研究中继续寻求改善方法。

注释：

①上交所推出网络平台是“e 互动”，于2013 年上线运营；深交所推出网络平台是“互动易”，于2010 年上线运营。

②9 次提问分别发生在2017 年11 月3 日、2017 年11月8 日、2017 年11 月23 日（2 次提问）、2017 年12 月6 日、2017 年12 月26 日、2018 年1 月23 日、2018 年1 月24 日、2018 年2 月11 日。

③出自东方财富股吧的“金健米业吧”一位投资者的网帖，该帖子得到了众多网友的支持。

④公司不会留下对自己不利的说谎证据。此外，本文还假定公司不会违法泄露内幕信息。

⑤由于信息需求是“个性化”的，投资者难以搜索到与自己需求完全匹配的问题和答案。

⑥准确信息对投资者的交易行为是有利的。在信息被准确识别后，投资者未来的股票交易、债券交易、参加股东答会等行为都会取得更好的结果。如果信息无法识别，投资者难以形成有效决策，不会发生后续的交易行为。

⑦该假定的本意是投资者可以从信息识别中获益。如果信息无法被准确识别，理性投资者不会选择盲目交易。本文作者感谢第十四期广州香樟经济学Seminar 各位学者给出的宝贵意见。

⑧在互动问答中，由证券事务代表、董事会秘书或其他人员代表公司回答问题。对于不知晓答案的情形，本文假定回答者能够向公司的控股股东、管理层或实际控制人求证实情。为了方便分析，本文博弈模型中的“公司”只是一个代号，其背后应当是实际控制人。本文作者感谢匿名审稿人提出的意见。

⑨需要特别指出的是，报酬的具体数值是1 或者2，甚至0.5，均不影响本文的主要结论。利空占比临界值p#的存在是本文的核心结论之一。从后续p#的推导可知，只要利空与利好的影响是一致的，p#就会存在，无论相对大小是多少。

⑩实际上，当前并没有强制措施处罚上市公司敷衍投资者提问的行为。

⑪如果p=0，表明投资者只问利好问题、不问利空问题，这种情形与实际不符，故本文不考虑端点情形。

⑫在本部分的讨论中，a 与b 之间的大小关系不影响推导结果，本文后续会讨论a 与b 的相对大小。

⑬有利市场均衡状态G 不仅是问答模型的推导结果，也是市场监管部门、广大投资者期待的且在实践中存在的结果。

⑭本文采用利空比例近似替代利空概率，即便如此，利空概率与利空比例也不是等价的，但由于只要保证存在一个p#即可，二者的之间存在一定的差异也是可以接受的。

⑮一年内大致有52 周，除去国庆与春节，剩余50 周，该条件保证投资者与公司之间平均每周至少有一次互动。

⑯实际上，完整的互动既包含提问也包含回答，但是，提问与回答合并到一起才能构成一个完整的意思表达。因此，本文实证部分将提问与回答合并对待，统称为“互动内容”。

⑰FinDict 由Li et al.（2014）发展而来。2016 年以来，作者团队阅读了1 000 多份证券行业研究报告，10 万多条财经新闻，不仅增补、修正了原有情感词汇，还增加了24 个证券行业专有词汇，具体内容可在作者主页（www.tiejun.wang）获取。

⑱当分母为零时，直接使用分子替代。

⑲从计算过程看，利空概率=利空信息/（利空信息+利好信息），而利空比例=利空信息/利好信息。

⑳由于情感词汇在财经文字中的分布具有不对称性，Talk_POS 大于Talk_NEG 不能等价于互动内容就是利好的。

㉑在稳健测试中，本文调整了不同的分位数，结果显示1/3 分位数只是一个近似临界值。实际上，1/3 与本文假定的博弈报酬有关。研究假设H2是为了证明存在一个临界值，而不是一个具体的数值。