客户集中度对企业非效率投资的影响研究

麻姗姗 侯巧铭

(沈阳工业大学管理学院 辽宁沈阳 100870)

1 理论分析与研究假设

一方面，因为大客户可能会与企业终止交易，所以客户集中度高的公司承担着大客户流失的风险。同时，公司大客户终止合作的信息会向外界传递负面信号，这种信号能动摇外界对于公司的信任。因此公司需要维系稳定的大客户关系，防范大客户流失。这类工作会占用公司管理者的更多时间，增加工作量，诸如搜罗信息、察看并督促项目运转和专用资产投资。企业拥有大客户使客户集中度上升，将会给公司带来风险，也会增加管理者工作量，导致公司管理者在选择投资项目时畏惧风险，倾向于做出保守的投资决策。因此，大部分管理者为了设法躲避风险或者追求个人闲暇时间而放弃某些收益良好并且对公司有积极影响的投资项目，形成投资不足。

根据波特五力模型，公司如果依赖少数客户，那么大客户的议价能力随之增强，凭借议价优势压缩利润，降低公司绩效。大客户还可能要求更长的还款期限，公司经常被迫同意让渡一部分公司资金的使用权来迎合大客户自利性质的要求。公司因为大客户的存在可能会产生大额资金不能及时收回的问题，会有严峻的资金周转压力，公司遭遇现金流不足、资金链突然断裂的风险非常高，外部投资者感知到这种巨大风险后会要求更高的回报作为补偿(王丹，2020)。综上，客户集中度高会导致企业可自由支配的投资资金减少。综合考量下管理者可能由于没有多余的资金，不得不放弃某些投资项目(孟庆玺，2018)。公司投资不足的情况更加严重。

H：客户集中度与公司投资不足程度显著正相关。

依据资源依赖理论，公司的交易集中于大客户时，公司资产的专用性将会按照客户集中度升高而增加，生产的产品迎合了大客户的需求，然而却与标准化的商品存在差异，市场需求可能较小。当公司失去大客户可能导致产品销售量锐减，短期内业绩大幅度下滑，从而影响管理者当期绩效表现。同时管理者成为客户关系的终结点，在代表企业与大客户双方进行反复谈判协商和议价交易时，将大客户转化为管理者的人脉。公司管理者无论是出于绩效考评还是人脉积累都有强烈的动机迎合大客户制定各项决策，维系大客户关系。Williamson(2009)提出进行实物资产专用性投资和人力资本专用性投资是公司积极构建和努力维护公司大客户的基础。因此，管理者会更多地投资于与大客户相关的特定关系资产与联合投资迎合大客户的要求，并且保留过多与大客户相关的资源，进行大客户专用性投资来构建客户关系网。尽管公司产生了投资过度，但是只要管理者能把从大客户得到的利益用来弥补投资过度给自身带来的负面影响时，这类投资就可能持续下去。因此客户集中度越高，公司投资过度的问题越严重(陈俊，2019)。

H：客户集中度与公司投资过度程度显著正相关。

2 研究数据与研究设计

2.1 样本选择和数据来源

本文选取2018—2020年我国深沪两市A股上市的公司为研究样本，样本容量为3415。

2.2 变量定义

本文的被解释变量为非效率投资，参考Richardson(2006)的方法度量公司非效率投资水平 (Inveff)，其中投资过度用Over_Inveff表示，投资不足用Under_Inveff表示。

解释变量：客户集中度(CC)采用上市公司年报附注中所披露的 “向前五大客户的销售金额合计占公司总销售额的比例”来衡量。

参考贾军(2019)等研究成果，在回归模型中需要加入以下控制变量：公司规模(Size)、总资产收益率(Roa)、主营业务收入增长率(Growth)、资产负债率(Size)、独立董事比例(Inde)、管理层持股(Msh)。

2.3 构建模型

本文检验客户集中度与非效率投资的关系，建立模型(1)

模型(1)中以客户集中度(CC)估计系数的符号和系数作为检验依据，客户集中度(CC)的回归系数显著为正，则表明在其他条件不变的情况下企业客户集中度越高，公司越可能发生非效率投资(Inveff)、投资过度(Over_Inveff)、投资不足的情况(Under_Inveff)。

3 实证分析

3.1 描述性统计

为了考察各个指标，本部分从最小值、最大值、均值、中位数以及标准差五个方面对变量进行描述性统计，如表1所示。

如表1所示，对变量进行统计性描述，发现样本中非效率投资水平均值为0.0190，中位数为0.0140。样本中投资不足的平均水平为-0.0170，投资过度的平均水平为0.0236 。客户集中度平均数为0.2380，中位数水平为0.1930。

表1 变量描述性统计结果

3.2 相关性回归

对所选取的被解释变量、解释变量和控制变量进行皮尔森相关分析，得出结果如表2所示。

从表2可以看出，客户集中度(CC)与非效率投资在Pearson矩阵中的相关系数为0.0928，在1%的水平上显著正相关，表明客户集中度与非效率投资呈正相关关系。控制变量除了独立董事比例(Inde)和非效率投资(Inveff)不相关，其他控制变量都和非效率投资(Inveff)显著相关。根据相关性分析的结果可以初步说明选取的解释变量均与因变量有显著的相关关系，初步证明了变量选取的合理性，说明选取的变量能够影响非效率投资。

表2 变量相关性分析

3.3 回归结果

如表3所示，报告了客户集中度与非效率投资的回归结果。

从表3第(1)列报告的回归结果来看，解释变量客户集中度与被解释变量公司非效率投资水平的回归系数为0.0112，且在1%水平上与非效率投资呈显著正相关关系，表明当上市公司的客户集中度越高，公司投资规模偏离最优投资水平的程度越大，企业非效率投资越严重。将非效率投资区分为投资不足和过度投资两种情况。从第(2)列和报告的回归结果来看，解释变量客户集中度与被解释变量公司投资不足水平的回归系数为0.0116，且在1%水平上与投资不足水平呈显著正相关关系，假设H1得到了验证。从第(3)列报告的回归结果来看，客户集中度与公司投资过度水平的回归系数为0.0109，且在1%水平上与公司呈显著正相关关系，假设H2得到了验证。

表3 客户集中度与非效率投资回归结果

3.4 稳健性检验

3.4.1 改变非效率投资计算方法的稳健性检验

本文改变非效率投资的度量方式，参考曹越(2020)的研究，用销售增长率取代托宾Q值来度量非效率投资模型中公司成长性变量(Inveff 2)。

表4的回归结果显示，研究在替换非效率投资变量之后，客户集中度与非效率投资显著正相关。客户集中度提升企业投资不足的水平会随之上升，假设H1结论稳健。客户集中度与投资过度的回归系数在1%水平上显著正相关，假设H2结论稳健。

表4 客户集中度与非效率投资：变换非效率投资的度量方法

3.4.2 考虑内生性问题的稳健性检验

本文根据张继德(2021)的研究，选取滞后一期客户集中度(IV1)作为工具变量，运用两阶段最小二乘法(2SLS)避免内生性问题之后，回归结果见表5。

表5 内生性问题：工具变量回归

考虑内生性问题后由表5结果可得，客户集中度仍然与非效率投资程度、投资过度程度显著正相关。在考虑内生性后，结果支持了H1、H2。

4 结语

本文认为上市公司可能因主动发起或被迫承担超出理想水平的大客户相关专用性投资，形成了投资过度；同时大客户引致的客户依赖性风险增加了公司管理者维系大客户的工作量并且形成了融资约束，导致投资不足。综上所述，公司在制定投资决策时，应该采取必要的措施用于减轻大客户作为企业外部利益相关者对企业非效率投资产生的负面影响，在考虑产品与客户需求匹配性的同时，也要结合标准化生产方式对投入产出设置高标准，努力降低成本费用支出，并与大客户建立战略性伙伴关系，公司需要利用大客户资源实现产品或服务销售，获得现金流入。另外，在客户集中度已影响到企业非效率投资的情况下，企业应当通过挖掘新客户，主动开拓扩展其他的经销途径，争取主动权，降低自身经营风险，从而避免对于大客户资源依赖的产生及大客户“敲竹杠”风险导致的非效率投资活动。