大客户地理邻近性是否抑制了公司股价崩盘风险？

黄 珺 韩菲菲 段志鑫

(湖南大学工商管理学院，湖南 长沙 410082)

一、引言

股价崩盘具有“传染性”特征(徐飞等，2019)[1]，供应商企业股价的大幅下跌会对整个供应链的生产经营产生影响，不利于供应链的稳定协同发展。大客户是供应商企业重要的外部治理机制，其治理成本主要体现为对供应商的监督成本，监督成本的大小是治理效率的重要决定因素(桑士俊等，2007)[2]。随着地理经济学与财务学的交叉研究越发深入(董红晔，2016)[3]，越来越多的学者使用经济主体间的地理距离来衡量信息不对称程度、代理冲突的严重程度及监督成本的大小。研究发现大客户的地理邻近性通过降低其监督成本，有效抑制了公司违规(宛晴等，2019)[4]，提高了供应商企业的会计稳健性(程小可等，2019)[5]。那么，大客户的地理邻近性是否会影响到资本市场？如果会，其对资本市场影响的传导路径是什么？本文将从股价崩盘风险的角度切入，讨论大客户的地理邻近性对公司股价崩盘风险的影响。

关于个股层面的股价崩盘风险影响因素的研究大多基于坏消息隐藏假说(Jin和Myers，2006)[6]，该假说认为股价崩盘是经理人隐藏的坏消息被突然释放到市场中所导致的。已有关于股价崩盘风险影响因素的研究主要从资本市场因素如股票流动性、卖空机制等(Chang等，2017)[7]，公司内部因素如盈余管理、公司避税、CEO过度自信等(Hutton等，2009)[8]，以及公司外部治理因素如分析师跟踪、机构投资者、客户(Lee等，2020)[9]等方面展开。其中，关于客户对企业股价崩盘风险的影响主要关注了客户集中度(Lee等，2020)[9]和客户盈余(彭旋、王雄元，2018)[10]等方面。此外，关于地理邻近性的经济效应研究主要关注了监管机构、客户等外部利益相关者与公司之间的地理距离(Kubick和Lockhart，2016[11]；唐斯圆、李丹，2019[12])。在大客户地理邻近性的治理效应方面，有学者发现大客户与公司之间的地理距离越近，公司的违规倾向越小，所提供的会计信息更加稳健(宛晴等，2019[4]；程小可等，2019[5])。本文则关注资本市场领域，探讨大客户地理邻近性对企业股价崩盘风险的影响。

大客户是企业收入的主要来源，是企业重要的外部治理主体(严若森，2005)[13]。美国财务会计准则(SFAS)第131号要求企业披露收入占公司年度总收入10%以上的客户信息；同样，我国企业会计准则也要求上市公司在年度报告附注中披露其前五大客户信息，这均表明大客户是企业经营风险的重要来源，会对企业的经营决策产生重大影响(Lee等，2020)[9]。一方面，供应链上企业利益绑定关系明显，为了避免更换供应商所带来的转换成本，大客户有动机对供应商企业的经营管理状况进行监督。例如为了保障自身经营安全，大客户会要求供应商企业保持较低的杠杆率，减少公司违规行为(宛晴等，2019)[4]，提供更加稳健的会计信息(程小可等，2019)[5]。另一方面，为维护与大客户的业务关系，企业有动机通过盈余管理(方红星、张勇，2016)[14]来粉饰业绩，并通过隐瞒自身面临的诉讼风险等坏消息(Cen等，2018)[15]来保持良好形象。上述两方面的文献大多都强调大客户的治理需求，较少关注大客户进行治理的监督成本，而监督成本是影响公司治理主体发挥监督效果的关键因素(桑士俊等，2007)[2]，地理位置的邻近能够有效降低公司治理主体的监督成本(赵静等，2018)[16]。基于此，本文使用大客户与公司之间的地理距离，即地理邻近性指标，衡量大客户对公司的监督成本，深入探究大客户对公司股价崩盘风险的影响。

二、文献回顾与研究假设

(一)客户与公司股价崩盘风险

关于客户这一外部治理因素对公司股价崩盘风险的影响，已有文献主要考察了客户盈余和客户集中度与企业股价崩盘风险之间的关系。彭旋和王雄元(2018)[10]发现客户盈余与公司股价崩盘风险显著负相关，即高盈余的客户对公司股价崩盘风险具有积极的“支持效应”。关于客户集中度对公司股价崩盘风险的影响，已有研究得到了不一致的结论。Lee等(2020)[9]进一步将客户划分为公司客户与政府客户，发现公司客户集中度会提高企业股价崩盘风险，但政府客户集中度与股价崩盘风险为负相关关系。褚剑和方军雄(2016)[17]研究结果则表明，客户集中度越高，公司股价崩盘风险越低，且客户集中度对股价崩盘风险的治理作用主要源于供应链整合而非客户议价能力。然而，少数文献研究表明客户集中度与公司股价崩盘风险呈现非线性关系(张超、彭浩东，2019)[18]。

(二)地理邻近性与大客户的治理效应

大量文献探究了地理区位特征对经济主体行为决策的影响，其中，地理距离这一特征也受到了学者们的广泛关注(罗进辉等，2017)[19]。较多文献以各经济主体之间地理位置的接近即地理邻近性衡量主体之间监督成本的下降(田利辉、王可第，2019)[20]及信息不对称程度的降低(赵静等，2018)[16]。已有文献主要基于监管机构、审计师、客户等外部利益相关者与公司之间地理距离的角度，对地理邻近性的经济效应展开了研究。学者们发现，上市公司与所在地监管机构的距离越远，监管效果越差(Kubick和Lockhart，2016)[11]；审计师和上市公司较近的地理距离与较高的审计质量相关(Choi等，2012)[21]。在大客户地理邻近性的治理效应方面，程小可等(2019)[5]发现大客户地理邻近性与公司会计稳健性呈正相关关系；宛晴等(2019)[4]研究表明大客户与公司间地理距离越近，公司的违规倾向越小，严重程度越低；唐斯圆和李丹(2019)[12]的研究则发现上市公司与其前五大客户在地理位置上的接近会降低二者的交流成本、客户的监督成本及审计师的审计成本，从而显著降低了公司的审计费用。

(三)大客户地理邻近性与公司股价崩盘风险

地理区位特征是影响经济主体行为及结果的重要因素，现有研究使用经济主体之间的地理距离来衡量信息不对称程度和代理冲突的严重程度，较近的地理距离即地理邻近性能够促进经济主体间信息的沟通与交流，缓解信息不对称与代理冲突，降低企业外部治理主体的监督成本(宛晴等，2019)[4]，提高审计质量(Choi等，2012)[21]。根据信息不对称理论，股价崩盘是长期以来被管理层隐藏的坏消息集中爆发导致的(Hutton等，2009)[8]，经理人隐藏坏消息的动机和能力是影响股价崩盘风险的重要因素。大客户与公司之间较近的地理距离能够降低大客户的监督成本，促进信息的沟通与交流，影响公司管理层隐藏坏消息的动机和能力，从而影响其股价崩盘风险(Kim和Zhang，2014)[22]。根据交易成本理论，大客户的监督成本主要包括为了解公司生产经营状况付出的信息搜寻与整理成本，以及觉察到公司可能存在道德风险行为时发生的重新谈判与缔约成本(严若森，2005)[13]。

具体而言，大客户地理邻近性从以下两个方面降低大客户的监督成本，降低管理层隐藏坏消息的能力与动机，从而抑制公司的股价崩盘风险。一方面，地理邻近性能够降低大客户的信息搜集成本，从而降低管理层隐藏坏消息的能力。较近的地理距离使得大客户能够以较短的出行时间、较低的交通成本实现与公司的“面对面”交流，大大地提高了近距离交流的可能性与频率，从而挖掘更多“私有信息”(罗进辉等，2017)[19]。此外，地理邻近有助于大客户深入地接触公司所处的社会网络，有效利用供应链内其他企业、政府、媒体等利益相关者的信息溢出，获取更多“软信息”(赵静等，2018)[16]。信息搜集成本的下降使大客户更容易发现公司的坏消息隐藏行为，降低了公司经理人隐藏坏消息的能力，从而抑制其股价崩盘风险。另一方面，地理邻近性能够降低大客户的重新谈判成本，从而降低管理层隐藏坏消息的动机。地理上的邻近促进了大客户与公司的业务交流，近距离的交流可以使大客户更加清楚公司存货管理、固定资产等生产经营状况，并更有可能掌握公司的生产能力、成本结构、业绩压力等关键信息(程小可等，2019)[5]，从而降低大客户的交易成本与重新谈判成本，提高其重新谈判的能力(Cen等，2016)[23]。当大客户觉察到公司可能存在道德风险行为时，大客户能够以较低的重新谈判成本与公司重新谈判，通过提出更加严格的质量标准、要求更宽松的商业信用或中断业务合作来保护自身利益(宛晴等，2019)[4]。大客户较低的重新谈判成本增加了公司隐藏坏消息的成本，降低了经理人隐藏坏消息的动机，从而降低了公司的股价崩盘风险。

综上所述，大客户地理邻近性会降低大客户的信息搜集成本与重新谈判成本，缓解企业间的信息不对称，使得公司经理人隐藏坏消息的动机和能力下降，从而降低其股价崩盘风险。根据以上推断，本文提出以下假设。

H1：大客户与公司之间的地理距离越近，公司股价崩盘风险越低。

三、研究设计

(一)样本选择和数据来源

本文采用2010-2019年我国A股上市公司为研究样本。借鉴已有研究(宛晴等，2019[4]；Itzkowitz，2013[24])，将销售额占公司当年销售额10%以上的客户定义为大客户，并按照如下程序筛选样本：(1)剔除前五大客户销售占比之和大于1的客户信息披露错误样本；(2)剔除客户销售额在公司当年销售额中占比不超过10%的样本；(3)剔除上市公司“前五大客户”数据中诸如“第一名”“客户A”“保密单位”等客户信息不明的样本，剔除自然人客户样本，剔除港澳台地区及海外公司样本，剔除无法查验大客户准确地址的公司样本；(4)剔除金融保险类、ST类公司样本；(5)剔除每年交易周数小于30的样本，保证股价崩盘风险指标计算的可靠性；(6)剔除所有变量中数据缺失的样本。最终获得2259个公司-年度观测值。我们对所有连续变量进行了上下1%的缩尾处理。

样本公司办公地址、“前五大客户”及机构投资者持股比例数据来源于中国研究数据库，大客户企业地址信息源自“国家企业信用信息公示系统”及百度搜索引擎补充，大客户与公司之间的地理距离数据通过Google Map软件测度获得，其余变量数据均来源于国泰安数据库。

(二)变量定义

1.被解释变量：股价崩盘风险

借鉴已有研究(Hutton等，2009)[8]，本文采用如下方法度量股价崩盘风险。首先，根据模型(1)对每一年度个股i的周收益率进行回归：

ri,t=α+β1,irm,t-2+β2,irm,t-1+β3,irm,t+β4,irm,t+1+β5,irm,t+2+εi,t

(1)

其中ri,t为每一年度股票i在第t周的收益，rm,t为市场在第t周经流通市值加权的平均收益率。模型(1)中还加入了市场收益的滞后项和超前项，以调整股票非同步性交易的影响。残差εi,t表示个股收益率中不能被市场收益率波动所解释的部分。股票i第t周经过市场调整后的周收益率Wi,t为：

Wi,t=ln(1+εi,t)

(2)

其次，构造如下两个股价崩盘风险的度量指标。第一个指标是股票i经过市场调整后周收益率的负偏度(NCSKEW)。其中，n为股票i在第t年的交易周数。计算方法如公式(3)。

(3)

第二个指标是股价上升和下降阶段波动性的差异(DUVOL)。根据股票i经过市场调整后周收益率(Wi,t)是否大于年平均收益将股票收益数据分为上升阶段和下降阶段两个子样本，并分别计算两个子样本中股票收益的标准差(Ru，Rd)，然后使用模型(4)计算DUVOLi,t。其中，nu、nd分别为上升周和下降周的周数。

(4)

NCSKEW的数值越大，表示偏态系数负的程度越严重，崩盘风险越大；DUVOL的数值越大，代表收益率分布更倾向于左偏，崩盘风险越大。

2.解释变量：大客户地理邻近性

参考已有文献(宛晴等，2019)[4]，通过“国家企业信用信息公示系统”及百度搜索引擎补充数据库中缺失的大客户企业办公地址信息。在此基础上，使用Google Map软件测度获得两地的地理距离D(黄福广等，2014)[25]。考虑到部分公司在某一年度可能同时存在多个大客户，我们通过两种方法计算公司-年度层面的大客户地理邻近性指标。第一，大客户数目加权的地理距离(DISTANCE1)。根据大客户的数量N计算大客户与公司之间的平均地理距离D1，对D1加1并取自然对数得到DISTANCE1。计算方法如下。

(5)

DISTANCE1=ln(1+D1)

(6)

第二，大客户销售额占比加权的地理距离(DISTANCE2)。根据各个大客户销售额占公司当年销售总额的比例(Pi)对地理距离进行加权得到D2，对D2加1并取自然对数得到DISTANCE2。计算方法如下。

(7)

DISTANCE2=ln(1+D2)

(8)

DISTANCE1和DISTANCE2的值越大，则表明大客户与公司之间的地理距离越远，即大客户的地理邻近性越差。

3.控制变量

参考已有研究(宛晴等，2019)[4]，本文还控制了公司规模、资产负债率等可能影响公司股价崩盘的因素，具体变量定义详见表1。

(三)模型设计

本文构建模型(9)，使用OLS模型检验大客户地理邻近性对公司股价崩盘风险的影响。

(9)

其中，Crashriskt为第t期公司的股价崩盘风险，包括NCSKEWt和DUVOLt两个度量指标。DISTANCEt-1为大客户地理邻近性指标，包括DISTANCE1t-1和DISTANCE2t-1。Controlst-1为第t-1期影响公司股价崩盘风险的控制变量，详见表1。在本文的回归中我们同时控制了年度和行业固定效应，标准误在公司层面上进行了Cluster调整。根据假设H1的预期，模型(9)中DISTANCEt-1的系数β1应显著为正。

四、实证结果与分析

(一)描述性统计

根据表2，两个股价崩盘风险指标NCSKEW、DUVOL的均值分别为-0.304和-0.195，与以往研究报告的数值差别不大(赵静等，2019)[16]。大客户距公司的地理距离D1、D2的均值分别为554.2公里和551.0公里，均值超过500公里，表明公司与大客户并未出现高度聚集现象。此外，D1、D2的标准差分别为661.8和665.8，且最大值与最小值的差大于3500公里，这表明公司与大客户的地理距离在样本中的差异较大，亦符合我国疆土辽阔的现实情况。

表1 变量定义及计算方法

表2 描述性统计结果

(二)相关性分析

未报告的主要变量的相关系数结果表明，NCSKEW和DUVOL的相关系数为0.868，且显著正相关，表明二者的一致性较好。大客户地理邻近性指标DISTANCE1和DISTANCE2与NCSKEW及DUVOL的相关系数均为正，且在1%的水平上显著，说明在不考虑其他因素的情况下，大客户与公司之间的地理距离越近，公司的股价崩盘风险越低，这与我们假设H1的预期一致。此外，我们还按照DISTANCE1从小到大，将样本分为10组，每组中NCSKEW和DUVOL的均值分布如图1所示。整体来看，公司与大客户之间的地理距离与其自身的股价崩盘风险呈正相关关系，大客户在地理位置上的接近能够降低公司的股价崩盘风险，也同假设H1的预期相符。各变量的VIF值均在3以内，说明主要变量间不存在严重共线性问题。

图1 大客户地理邻近性与公司股价崩盘风险

(三)大客户地理邻近性与公司股价崩盘风险的回归结果

表3报告了假设H1的回归结果。当被解释变量为NCSKEW时，DISTANCE1和DISTANCE2的系数均为0.015，在5%的水平上显著；当被解释变量为DUVOL时，DISTANCE1和DISTANCE2的系数均为0.012，在1%的水平上显著。这表明大客户与公司之间的地理距离越近，公司的股价崩盘风险越小，即大客户在地理位置上的邻近降低了公司的股价崩盘风险，验证了假设H1。就经济意义而言，以列(1)为例，DISTANCE1每提高一个标准差，会使NCSKEW提高0.05个标准差，表明大客户地理邻近性对公司股价崩盘风险的影响在经济上也是显著的。

表3 大客户地理邻近性与公司股价崩盘风险

续表3

五、稳健性检验

(一)替换股价崩盘风险度量指标

借鉴已有研究(Hutton等，2009)[8]，本文使用COUNT作为股价崩盘风险的替代指标。如果公司经市场调整后的周收益率(Wi,t)低于该公司当年Wi,t均值的3.09个标准差，则发生暴跌；如果Wi,t高于该公司当年Wi,t均值的3.09个标准差，则发生暴涨。COUNT定义为该公司当年股价暴跌的次数减去暴涨的次数。使用COUNT对模型(9)重新进行回归，回归结果显示，DISTANCE1和DISTANCE2的系数均在1%的水平上显著，主回归结果保持稳健。

(二)替换大客户地理邻近性度量指标

借鉴已有研究(宛晴等，2019[4]；黄福广等，2014[25])，本文使用大客户与公司办公地址之间的最短出行时间作为大客户地理邻近性的替换指标。最短出行时间Time为大客户办公地址与公司办公地址之间汽车、火车、高铁与飞机交通出行方式中的最短出行时间。其中，汽车、飞机的出行时间根据大客户与公司办公地址通过Google Map软件测度获得，火车、高铁的出行时间通过“中国铁路12306”网站获取。其次，通过Google Map软件测算大客户与公司办公地址到各自火车站、高铁站、飞机场的市内通行时间，对各交通工具的出行时间进行调整。最后，使用大客户数目和大客户销售收入占比分别对最短出行时间进行加权计算，得到各大客户到公司以分钟计量的加权平均最短出行时间T1、T2，对T1、T2加1并取自然对数，得到最短出行时间指标Time1、Time2。使用Time1、Time2替换模型(9)中的DISTANCE指标进行回归。回归结果显示，当NCSKEW为被解释变量时，Time1(Time2)的系数为0.021(0.020)，均在5%的水平上显著，主回归结果保持稳健。

(三)Heckman两阶段法

本文的研究对象为公司的大客户(即销售收入占比超过10%)，可能存在样本自选择问题，本文通过Heckman两阶段法进行缓解，定义变量HighDISTANCE1、HighDISTANCE2来度量公司与大客户之间的地理距离是否较远。若DISTANCE1大于行业年度均值，则HighDISTANCE1取1，否则为0；若DISTANCE2大于行业年度均值，则HighDISTANCE2取1，否则为0。其次，借鉴已有研究(罗进辉等，2017)[19]，选取公司办公地所在省份上市公司数量加1的自然对数(Pnumber)作为外生变量。在第一阶段，构建模型(10)进行probit回归，计算出逆米尔斯比率(lambda)。其中，HighDISTANCEi,t-1分别为HighDISTANCE1i,t-1和HighDISTANCE2i,t-1，Controlsi,t-1所包含的控制变量与模型(9)一致。在第二阶段，将lambda纳入模型(9)的控制变量，并对模型(9)重新进行回归。

HighDISTANCEi,t-1=β0+β1DISTANCEi,t-1+β2Controlsi,t-1+ε

(10)

表4报告了两阶段的回归结果。第一阶段回归结果显示，Pnumber的系数为0.089，且在1%的水平上显著。第二阶段的回归结果显示，当被解释变量为NCSKEW(DUVOL)时，DISTANCE1、DISTANCE2的系数在5%(1%)的水平上显著，表明在修正了样本自选择偏差后，主回归结果仍然成立。

表4 稳健性检验-Heckman两阶段回归

续表4

六、进一步分析

(一)外部竞争环境

当所属行业面临激烈的外部市场竞争，企业往往会通过隐藏内部信息来在竞争中保持优势、减弱来自竞争对手的威胁，从而保持较高的信息不透明度。另外，为了维持与大客户的业务往来，企业可能会通过盈余管理等机会主义行为来粉饰业绩、隐瞒所面临的诉讼风险等坏消息来保持良好形象(Cen等，2018)[15]，避免大客户企业转向竞争对手。而管理层激进的机会主义行为及坏消息隐藏行为会导致较高的股价崩盘风险(Hutton等，2009)[8]。因此，外部市场环境竞争越激烈，管理层所面临的市场压力越大，越有可能实施机会主义行为、隐藏坏消息来维系与大客户的稳定合作关系。那么，大客户地理邻近性带来的信息不对称与监督成本的下降则更有助于抑制管理层隐藏坏消息的机会主义行为，从而预计大客户地理邻近性对公司股价崩盘风险的负向影响在外部竞争程度更高的样本组中更为显著。

使用赫芬达尔指数HHI来衡量企业所面临的行业市场竞争程度，按照是否大于年度中位数将样本分为竞争程度高组和竞争程度低组分别进行回归，回归结果如表5所示。在市场竞争程度高组中，DISTANCE1、DISTANCE2的系数均为正，且当被解释变量为NCSKEW(DUVOL)时在10%(5%)的水平上显著，表明当公司面临激烈的市场竞争时，大客户地理邻近性对公司股价崩盘风险的抑制作用更加显著。

(二)公司专有资产水平

为了维持与大客户的业务往来关系，表达长久战略合作的意愿，企业会进行关系专用性投资，提高专有资产持有水平(方红星、张勇，2016)[14]。关系专用性投资具有特定性特征，形成的关系专用性资产与特定的人和条件相关联，一旦企业与大客户关系破裂，重新配置和调整这类资产会面临较高的转移成本和沉没成本，因此，企业有动机通过盈余管理等机会主义行为向大客户传递积极的盈余信息，导致较高的股价崩盘风险。因此，企业专有资产持有水平越高，管理层面临的转移成本和沉没成本越大，其通过隐藏坏消息维持大客户业务关系的动机越强。那么，大客户地理邻近性带来的信息不对称与监督成本的下降则更有可能抑制管理层隐藏坏消息的机会主义行为，从而预计大客户地理邻近性对公司股价崩盘风险的负向影响在专有资产投资水平更高的样本组中更为显著。

表5 行业市场竞争程度分组回归

参考已有研究(Itzkowitz，2013)[24]，本文将研发投入(R&D)大于0的企业定义为专有资产水平高的企业，分样本进行检验。表6报告了按照专有资产水平分组回归的结果。在专有资产水平较高的样本，DISTANCE1、DISTANCE2的系数均为正，且在1%的水平上显著。上述结果表明，对于专有资产水平较高的供应商企业，大客户地理邻近性对其股价崩盘风险的抑制作用更加显著。

表6 专有资产水平分组回归

七、结论与启示

本文以2010-2019年中国A股上市公司为研究对象，考察了大客户地理邻近性对公司股价崩盘风险的影响，进一步探究了外部竞争环境、公司专有资产水平对二者之间关系的影响。研究发现：大客户与公司之间的地理距离越近，公司的股价崩盘风险越低。通过Heckman两阶段法缓解内生性问题、替换股价崩盘风险和大客户地理邻近性指标后，主要结论仍成立。进一步考虑外部竞争环境和公司专有资产水平后发现，大客户地理邻近性对公司股价崩盘风险的抑制作用只在市场竞争高组、专有资产持有水平高组显著。本文的研究结论表明，大客户地理邻近性通过降低其监督成本来抑制上市公司管理层隐藏坏消息的动机和能力，从而降低公司的股价崩盘风险，促进供应链协同发展，维护资本市场稳定。

本文的研究具有以下启示：第一，对于投资者而言，要重视大客户的外部治理作用。在进行投资决策时，投资者可以综合多种因素进行判断，多角度遴选标的企业，提高投资收益。企业所面临的高行业竞争程度、高专有资产持有水平会激发管理层的机会主义行为，导致较高的股价崩盘风险。因此，如果备选标的企业有行业竞争激烈、专有资产较多等特征，投资者可以选择其中有大客户在地理位置上邻近的企业进行投资。第二，对于企业而言，一方面，在选择供应商或大客户时，需要将地理区位特征考虑在内，倾向于选择距离较近的企业进行合作，降低企业之间的信息交流与沟通成本。另一方面，要结合供应链上下游企业的地理区位特征来优化供应链治理。当大客户距其供应商企业较远时，大客户应密切关注其供应商的经营管理活动，全面了解供应商企业信息，提高生产经营协同性，促进供应链稳定发展。