公司创新投入对股票特质风险的影响——基于有中介调节效应的检验

陆静 邱于航 秦大超

(重庆大学经济与工商管理学院，重庆 400030)

一、引言

股票特质风险又被称为特质波动，是指不被共同因子或者市场收益率变化所解释的个股风险，是相对于宏观经济政策变化、汇率变动等系统性风险而言的，主要与公司层面的特征因素及投资者行为有关(Campbell et al.，2001)[8]。在A股市场中，科技概念、热点炒作等现象屡见不鲜，尤其在市场行情较差(较好)时，不乏一些科技概念股票出现逆市大涨(大跌)的情况，这说明A股投资者在投资技术创新类公司时面临着较高的特质风险，其后果是削弱了资本市场的价格发现和资源配置功能，增大了公司的融资成本(江轩宇等，2020)[30]，不利于资本市场稳定发展。当前，我国正处于向创新经济的转轨过程中，在国家大力倡导和政策指引下，A股上市公司的创新投入规模不断创新高，在此背景下，探究创新投入对股票特质风险的影响及其机制，具有重要的现实意义。

国内已有少量文献开始探讨公司创新投入与股价波动风险的关系。一方面，这些文献主要考察公司创新与股价崩盘风险或股价同步性的关系(周铭山等，2017；林川和杜思俊，2019；李启佳等，2020)[43][34][32]。股价崩盘风险往往以股价波动的高阶距来测量，代表小概率事件；而股价同步性衡量的是行业乃至市场层面股价波动的同步性，这两个指标都较少直接反映股票的特质风险，这为本文研究公司创新投入与股票特质风险的关系留下了空白。另一方面，现有研究尚未获得较为一致的结论，如周铭山等(2017)[43]基于我国创业板上市公司的实证研究发现，更多的创新投入通过吸引更多的投资者关注，进一步提高了市场对公司特质信息的解读和传递效率，致使创新投入降低了股价崩盘风险；而林川和杜思俊(2019)[34]的实证结果与之相反，发现公司的创新投入越多，其股价崩盘风险反而更高。这激起了本文对我国上市公司创新投入对股价波动风险影响机制的研究兴趣。

本文可能的贡献在于：第一，丰富了公司创新投入与市场表现之间关系的认识，证实了创新给公司带来的不确定性将导致个股特质风险的增加。已有文献关于创新投入对资本市场表现影响的经验证据非常有限，且目前国内研究主要专注于创新投入与股价崩盘风险或股价同步性的关系，而这两个指标都较少直接反映股票的特质风险。本文从特质风险的角度研究了创新投入与市场表现之间的关系，发现由于创新投入包含了较多公司特质信息，高创新投入公司具有更高的股票特质风险。第二，通过引入投资者异质信念，打开了创新投入影响股价波动机制的黑箱。本文发现，投资者异质信念在创新投入与股票特质风险间发挥着非常重要的中介作用，拓宽了对投资者异质信念经济后果的认识。第三，通过创新信息环境的改善，可以缓解创新投入在资本市场引起的负面效应。公司创新投入的增加会加大股价波动性，如何降低创新投入在资本市场的负面效应，是一个极具现实意义的话题。本文关于调节效应的分析表明，可以通过更加透明的创新信息环境降低创新投入的负面效应，鼓励、引导证券分析师充分发挥信息中介作用，能够有效缓解创新投入对股票市场的负面影响，这对于监管部门、上市公司和投资者都具有重要的参考价值。

二、文献回顾与研究假设

(一)公司创新投入与股票市场

在股票市场中，买入高创新投入公司的股票将面临更高的投资风险。一是技术创新本身就是一种具有高度不确定性和高风险性的投资活动。创新不仅需要高投入，而且新技术或者新产品的研究开发能否取得成功存在极大不确定性，相比于厂房、设备等有形资产投入而言，创新投入产生了更具不确定的未来收益(Kothari et al.，2002)[19]。二是创新信息的有限披露会加剧企业与投资者之间的信息不对称。一方面，创新不仅需要高投入，而且产出具有相当大的不确定性，但管理者没有动机揭示企业创新投入的潜在风险，因为这些风险会直接影响企业价值，进而影响其薪酬水平，因此投资者对创新潜在的风险信息知之甚少。同时，为了防止有关新技术的信息泄露，创新投入越多的上市公司向市场披露的信息往往越少，这导致更严重的信息不对称和股价崩盘风险(Kim and Zhang，2016；李启佳等，2020)[18][32]。另一方面，研发支出的会计处理也不能清晰地反映出创新投入的真实价值及其对公司盈利的贡献，研发支出的费用化可能会导致投资者低估创新投入转化为未来无形资产的能力(Chan et al.，2001)[9]。来自创业板的经验证据表明，我国公司在创新信息披露方面仍不能满足投资者的信息需求，存在明显的信息披露不足(韩鹏和岳园园，2016)[28]。

企业与投资者之间的信息不对称会加剧股价的特质波动(Rajgopal and Venkatachalam，2011)[23]。Gharbi et al.(2014)[13]发现，研发信息披露不足所产生的信息不对称是造成研发密集型公司股价波动风险过高的重要原因。如果管理层有选择地隐藏信息，由此产生的信息风险可能会增加投资者对公司未来获利能力的不确定性判断，从而引起股价波动(Pastor and Veronesi，2003)[22]。Jiang et al.(2009)[17]指出，选择性信息披露会导致更高的特质波动，并且这一现象在不成熟投资者较多的股票市场中表现得更为明显。当公司较少或者选择性地披露创新信息时，投资者只能借助有限的可获得信息对公司创新投入的价值及其潜在风险进行判断，从而对公司未来发展前景的不确定性判断增加，导致股票的特质波动风险上升。

从股票收益的角度看，资本市场存在对公司创新投入价值认识不清或者创新信息滞后反应的现象。国外早期文献认为，由于投资者过于关注短期利润而对公司战略上的创新投入不够重视，高创新投入公司的市场价值可能会被低估(Hall，1993)[14]。创新投入价值难以量化，而资产负债表又不能准确地反映公司创新投入的真实价值，这也可能导致投资者低估公司的市场价值(Chan et al.，2001)[9]。创新的专业性和独特性使得外部人士很难从行业内其他公司的产品和业绩中推测目标公司创新成果的生产力和价值，而有关创新的研发项目、技术可行性以及无形资产价值等详细信息掌握在内部人手中，造成内部人或者公司的套利、机会主义行为(Aboody and Lev，2000；周铭山等，2017)[1][43]。已有研究发现，公司IPO前创新投入强度的增加会导致更高的IPO抑价(胡志颖等，2015)[29]，而对于已经上市的公司，由于市场对创新投入的价值往往认识不足或者反应不及时，持有高创新投入公司股票可以获得长期正超额收益率(Cohen et al.，2013)[10]。Hirshleifer et al.(2013)[15]进一步指出，投资者的有限关注是市场对公司创新信息反应不足的主要因素之一。然而，分析师通过发挥其信息中介职能作用，能够显著提高股票市场对公司创新投入的估值(Zhang and Melissa，2018)[26]。

从市场环境角度看，相较于发达国家市场，A股市场的制度不够完善，投资者结构不够成熟，特别是A股市场中非理性的个人投资者居多；相较于机构投资者，个人投资者缺乏相关的专业知识和技术，很难评估企业创新投入的价值以及创新信息的真实性，这在一定程度上会加剧创新投入对股票特质波动风险的正向影响。

综上，本文提出假设：

H1：公司创新投入越大，股票特质风险越高。

(二)投资者异质信念的中介作用

经典资本资产定价模型(CAPM)的同质性假设认为，投资者对资产收益分布的预期是相同的，这就要求市场中所有投资者都能同时、免费地获得所有信息，并且对这些信息的处理方式相同。如果这两个条件不能同时满足，则投资者的信念就是异质的，即市场中不同投资者对同一股票在相同持有期下的期望收益及其分布的估计是不一样的。Miller(1977)[20]首次提出异质信念这一概念，并将其成因归咎于信息的不完全和投资者的有限理性。Hong and Stein(2007)[16]则进一步将异质信念的形成机制总结为：缓慢的信息流入、有限关注和先验信念的异质性。信息从产生、传播到接收的过程可能需要较长时间，信息的渐进流动意味着投资者接收信息存在着时间差异，而有限关注和先验信念的异质性则意味着不同投资者对接收信息处理方式和结果的不同。现实中，由于资金和专业上的优势，一部分市场参与者拥有更多的信息渠道，比如机构投资者和证券分析师，因而他们比一般投资者拥有更多的非公开信息，由此造成的信息不对称也会加大市场参与者之间的不同信念。

由于公司财务报告披露的与研发支出有关的财务信息并不能准确地反映创新投入的真实价值及其对公司未来盈利能力的贡献，加上缺乏专业知识和技术，普通投资者对公司开发新产品、新技术或其他有关创新的信息难以准确把握，从而对创新投资的价值以及风险的认知产生不同偏差。与此同时，公司对于创新的非财务信息披露也相当有限而且具有选择性，因此，投资者想要获得更详细的创新信息就必须付出更多的时间和精力，这增大了投资者获取创新信息的成本，由此产生的信息不对称也会造成具有相同认知偏差的投资者对股票收益的信念不同。因此，公司创新投入的增加可能会加剧不同投资者对公司未来发展前景的意见分歧，进而对股票的期望收益及其分布产生异质信念。由此，本文提出假设：

H2：创新投入会对投资者异质信念产生正向影响。

作为股票市场参与者的投资者的行为决策会对股价产生直接影响。CAPM模型假定所有投资者具有相同信念，而现实中投资者之间的信念差异往往较大，甚至截然相反。当市场中存在较为严重的卖空限制时，悲观者难以通过卖空交易向市场传递其对未来股价的悲观预期，而乐观者的做多行为将导致当前股价主要反映了乐观者的预期从而被高估(Miller，1977)[20]。此外，不同投资者对于股票期望收益的信念差异会诱发短期内的投机性交易，投机者企图在未来某个时期以更高的价格转售给其他乐观者，造成股价的投机性泡沫(Morris，1996)[21]。已有文献研究表明，投资者之间的意见分歧会正向推动风险资产价格的波动性(Shalen，1993；Anderson et al.，2005)[24][3]。通过构建基于投资者不同信念的消费资本资产定价模型，杨华蔚和韩立岩(2011)[40]从理论上证明了投资者对公司层面风险因素的不同信念将导致股票特质风险的上升。

A股市场存在较严重的卖空限制，近十年来虽有所缓解，但卖空限制仍然存在。A股市场在2010年3月31日实施融资融券交易，之后逐步对满足条件的股票放开融券业务。即使部分股票放开了融券业务，由于较高的资金门槛，一般投资者也难以通过融券对这部分股票进行卖空。这使得A股股票很容易在一段时间内受到乐观者、投机者的做多交易行为影响，导致价格严重偏离其基本面价值，使得股价在未来出现反转，导致股票特质波动增加。研究表明，A股市场投资者信念的异质性程度与股票特质风险存在正相关关系(杨华蔚和韩立岩，2011；左浩苗等，2011)[40][45]，投资者对股价分歧度的增加也会降低市场模型对股票收益的定价效率，进而加大股票的特质风险(刘维奇等，2014)[35]。

已有文献的理论研究和经验证据都表明，在较严重的卖空限制背景下，A股市场中投资者异质信念的上升会加大股票特质风险。基于假设2的分析可知，因为创新信息的不完全披露以及投资者的有限理性，创新投入的增加会加大投资者对于股票收益的信念差异，投资者之间信念差异的扩大又会正向推动股票特质风险，所以，公司创新投入很可能通过投资者异质信念这一中介机制对股票特质风险产生间接影响。因此，本文提出假设：

H3：投资者异质信念在创新投入与股票特质风险之间发挥了中介作用。

(三)公司创新信息环境的调节作用

证券分析师拥有挖掘、收集和传播公司特质信息的能力。分析师通过发挥其信息中介作用，能够将公司创新投入价值和风险信息传递给投资者，提高市场对公司创新投入的定价效率(Zhang and Melissa，2018)[26]。朱红军等(2007)[44]指出，我国证券分析师作为信息服务中介显著提高了股价的信息含量，提高了市场的信息效率。分析师对公司关注度的增加会提高股价信息的传播效率(Brennan and Swaminathan，1993；Ayers and Freeman，2003)[7][5]。分析师通过发布研报向投资者提供更多专业信息，深度挖掘上市公司相关信息，使上市公司信息环境更加透明。公司信息环境越透明，投资者可获得的信息越全面、可靠，使得投资者能够较为准确地了解公司的真实情况，降低企业与市场与之间的信息不对称性，进而降低股价的波动性(辛清泉等，2014)[38]。

由于公司创新信息披露不足以及投资者的有限理性，公司创新投入的增加会加大投资者对于股票收益的异质信念程度，进而对股票特质风险产生正向推动作用。如果公司的创新信息环境得到改善，如公司创新有关的信息被更多地挖掘和披露，公司创新信息环境将变得更加透明，这有助于投资者较为准确地评估公司未来价值而对股票预期回报形成较为一致的判断，进而降低股价特质波动。由此，本文提出假设：

H4：公司创新信息环境的透明度负向调节公司创新投入与投资者异质信念之间的关系。

H5：公司创新信息环境的透明度通过投资者异质信念这一中介机制对创新投入与股票特质风险间的关系进行负向调节。

综上，本文理论模型如图1所示。

图1 公司创新投入与股票特质风险之间的理论模型

三、研究设计

(一)样本选择与数据来源

中国证监会在2007年底发布的《关于做好上市公司2007年年度报告及相关工作的通知》(以下简称《2007年通知》)中首次要求上市公司应当详细规范地披露研发支出以及技术创新情况，并且本文引用的CSMAR数据库的研发支出数据也是从2007年开始记录的，因此，本文上市公司创新投入数据起始时间为2007年，终止时间为2019年。由于创新投入影响的滞后性，本文以2008―2020年国内A股上市公司的股票特质风险为被解释变量，并对样本数据进行如下筛选：(1)剔除金融类上市公司样本；(2)剔除有退市风险(ST或*ST)的上市公司样本；(3)剔除变量数据缺失的样本；(4)剔除年交易天数少于120日的样本；(5)剔除上市时间不足一年的公司样本。经过以上筛选过程后，最终得到18586个公司-年度观测值，创新投入数据的年度分布如表1所示。本文所有数据来源于CSMAR数据库。

表1 创新投入样本数据年度分布

从表1列示的分布结果可以看出，2007―2011年的样本量较其他年份少，可能的原因在于：首先，《2007年通知》主要强调新旧会计制度的衔接，只要求上市公司“应当在年报中披露研发投入”，所以，2007―2011年的研发投入属于自愿性披露信息，有相当一部分公司没有披露该信息；其次，2012年9月，中国证监会修订了《公开发行证券的公司信息披露内容与格式准则第2号——年度报告的内容与格式》，其中第二十一条明确指出“公司应当披露已对报告期产生重要影响以及未对报告期产生影响但对未来具有重要影响的事项，内容包括：……研发支出”，因此，自2012年度开始，只要公司的创新投入存在“重要影响”，那么研发支出就是强制性披露信息，所以，此后的样本量有了较大增加。

(二)变量定义

1.股票特质风险

在实证研究中，股票特质风险的度量指标被称为特质波动率，通常由CAPM模型或者Fama-French三因子模型的残差计算得到。在已有文献计算特质波动率的方法基础上，本文将基于CAPM模型和Fama-French三因子模型计算得出的特质波动率乘以100作为衡量股票特质风险(IRisk)的代理指标。具体计算过程如下：

参考Durnev et al.(2003)[12]计算股票特质波动率的方法，本文将个股收益率按如下模型分年度进行回归：

其中，ri为股票i的收益率，rm为A股市场收益率，rj为公司i所在行业j的行业收益率，ε为残差项，t表示时间。将回归得到的残差值的标准差乘以100，作为衡量个股特质风险的指标，用Ivol_c表示。

此外，本文按照Ang et al.(2006)[4]的方法，将个股的超额收益率对Fama-French三因子指标分年度进行回归：

其中，rf为无风险收益率，MKT、SMB及HML分别为按流通市值加权的市场溢价因子、市值因子和账面市值比因子。同样，将回归得到的残差值的标准差乘以100，作为衡量个股特质风险的指标，用Ivol_ff表示。

参考现有文献的普遍做法，本文使用日度交易数据计算个股的特质波动率。另外，本文将由周度交易数据计算得到的个股特质风险指标用于稳健性检验。

2.创新投入

已有文献多使用研发支出与营业收入的比值衡量公司创新投入(Chan et al.，2001；Gharbi et al.，2014；周铭山等，2017)[9][13][43]，并且我国上市公司财报也采用研发投入与营业收入的比值来反映公司的创新投入情况。因此，为缓解公司规模产生的偏差，本文仍然采用研发投入的强度指标(即研发支出与营业收入比值)衡量公司的创新投入(R&D)。在稳健性检验中，本文将公司所在行业新产品销售收入作为工具变量，并使用两阶段最小二乘法(2SLS)进行实证检验。

3.投资者异质信念

已有文献度量投资者异质信念的常用指标主要包括三个：分析师预测分歧(Diether et al.，2002)[11]、换手率(Boehme et al.，2006；杨华蔚和韩立岩，2009；左浩苗等，2011)[6][39][45]与超额收益的波动率(Boehme et al.，2006)[6]。由于超额收益的波动率与特质波动率在计算方法上存在关联性，而分析师预测分歧也因不能代表A股市场中广大中小投资者的意见分歧而受到质疑，因此，这两个指标都被排除。基于不同信息或者意见分歧，不同投资者对同一股票在相同持有期下预期回报的估计存在差别，乐观者会买入股票而悲观者会选择卖出，而买卖股票的换手率则在一定程度上反映了所有投资者的异质信念。因此，本文选择日均换手率(Turnov)作为度量投资者异质信念的代理变量，计算方法如下：

4.公司创新信息环境

Zhang and Melissa(2018)[26]研究发现，分析师能准确地向其他金融市场参与者(尤其是投资者)传达公司创新活动的信息，并帮助他们了解这些长期投资的真实价值，即分析师能显著降低围绕公司研发投入的信息不确定性。因此，分析师关注度在一定程度上能刻画企业创新信息透明度。

本文将分析师关注度作为衡量公司创新信息环境透明度的代理指标，但分析师并不是随机地选择追踪对象，他们会倾向于关注那些规模大、负债水平低、盈利能力强以及高成长的公司(李春涛等，2014)[31]，而规模大、盈利能力强的公司往往具备较高的抗风险能力或者研发水平。因此，直接将对该公司进行过追踪分析的分析师团队数量作为度量公司创新信息透明度的指标，可能会产生分析师对“优质”公司的自选择问题，并且以分析师团队数量衡量的分析师关注度包含了公司各类信息，并不仅仅是创新信息。因此，为排除公司自身的“优质”特征因素和公司规模、业绩、经营风险等信息，使分析师关注更多地与公司创新信息联系起来，本文参考Yu(2008)[25]以及余明桂等(2017)[42]的做法，构建了模型(4)：

其中，Analysts为对该公司发布的盈余预测和投资评级报告的数量加1的自然对数。Lev、Roe、Size、Bm、Io分别表示年末公司的财务杠杆率、净资产收益率、公司规模、账面市值比和机构投资者持股比，机构投资者包括基金、证券公司、QFII、保险公司、社保基金、信托公司、财务公司、银行8个明细类别(曹丰等，2015)[27]。i表示公司，t表示年份。将模型(4)回归得到的残差值εi,t作为排除了公司自身“优质”因素、公司规模、业绩、经营风险等信息的分析师关注度指标(Netana)，用来度量公司创新信息环境的透明度。

5.控制变量

参考已有文献的研究，本文除了控制公司规模(Size)、财务杠杆率(Lev)、账面市值比(Bm)、净资产收益率(Roe)、股利分红(Div)、现金流波动(Cfvol)与机构投资者持股比(Io)等公司基本面特征外，还将日均换手率(Turnov)、个股收益率(Ret)的上一期值纳入到控制变量。此外，在面对激烈的产品市场竞争时，公司可能会调整研发支出(Aghion et al.，2005)[2]，而市场竞争又会对股票特质风险产生正向推动作用(吴昊旻等，2012)[37]，因此本文将衡量产品市场竞争环境的行业集中度(HHI)指标作为控制变量。

本文具体的变量定义如表2所示。在实证分析中，为了减轻异常值对回归结果的影响，对所有连续变量都进行了上下1%的缩尾处理。

表2 变量定义

(三)模型设计

本文采用上一期创新投入对当期投资者异质信念和股票特质风险进行回归的计量模型，并同时控制时间固定效应与行业固定效应。本文借鉴温忠麟等(2004)[36]给出的步骤分三步检验投资者异质信念的中介作用。

第一步，检验假设1，模型构建如下：

其中，特质风险IRiski,t用股票i在t年的特质波动率Ivol_c与Ivol_ff衡量，R&Di,t-1表示公司i在t-1年的创新投入，Controls为控制变量，Ind与Year分别表示不随时间变化的行业固定效应和不随公司变化的时间固定效应，εi,t为误差项。如果β1显著为正，说明创新投入与股票特质风险呈正相关关系，则验证了假设1。

第二步，检验假设2，构建如下模型：

其中，Turnovi,t为t年表征投资者异质信念的日均换手率。如果系数β2显著为正，说明创新投入对投资者异质信念具有正向推动作用，则验证了假设2。

在对回归模型(5)(6)进行估计后，进行第三步检验，在模型(5)的右边加入变量Turnovi,t，得到如下模型：

检验回归模型(7)的系数δ，如果系数δ也显著，则验证了假设3，即投资者异质信念在创新投入与股票特质风险之间发挥了中介作用；如果β3显著，则说明投资者异质信念发挥的是部分中介作用，如果不显著，则发挥的是完全中介作用。此外，利用Sobel检验对中介效应进行检验，并计算出中介效应比例。

参考叶宝娟与温忠麟(2013)[41]的方法，本文构建了有中介的调节效应模型，并采用依次检验法验证假设4、5以及图1的理论模型，具体模型如下：

其中，分析师关注度(Netana)为调节变量。检验过程依次分为三步：第一步，检验模型(8)的系数c3，如果不显著，则检验结束；如果显著，说明分析师的信息作用调节了创新投入与股票特质风险之间的关系，并进行下一步检验。第二步，检验模型(9)和(10)的系数a3和b1，如果a3显著，说明分析师关注度调节了创新投入与投资者异质信念之间的关系，同时b1也显著的话，则说明分析师关注度通过投资者异质信念这一中介机制对创新投入与股票特质风险间的关系进行调节；如果a3和b1不同时显著，则说明不存在中介的调节效应。第三步，在a3和b1同时显著的前提下，观察模型(10)的系数c'3显著性，如果c'3显著，说明调节效应有部分中介；如果不显著，则说明调节效应是完全中介的，图1的理论模型得到验证。此外，利用Sobel检验对中介效应进行检验，并计算出中介效应比例。

四、实证结果与分析

(一)描述性统计

表3列示了主要变量的描述性统计结果。数据显示：(1)特质波动率指标Ivol_c与Ivol_ff的均值分别为2.184和2.185，都高于它们的中位数2.103和2.110，且标准差都较低，说明样本公司的股票特质风险普遍较高，投资者面临着较高的投资风险。(2)创新投入R&D均值为0.043，说明样本期间公司平均每年研发支出与营业收入的比值仅为0.043，整体研发投入水平较低；75分位值是25分位值的3.7倍，说明不同公司之间创新投入强度的差异性较大。(3)表示投资者异质信念的日均换手率Turnov的均值为2.238%，这意味着A股市场的换手率较高，投资者意见分歧程度较大。(4)从投资者结构方面看，我国股票市场还不够成熟，机构投资者的平均持股比仅为0.063，说明在我国股票市场中专业机构投资者持股相对较少。由于篇幅限制，其他变量的统计特征在此不再赘述。

表3 主要变量的描述性统计结果

本文根据创新投入的年度中位数将样本划分为高创新投入组与低创新投入组，并比较两组样本日均换手率和特质波动率的差异性。表4列示了分组检验的结果。在高创新投入组中，特质波动率Iovl_c、Ivol_ff的均值分别为2.282和2.271，在低创新投入组中，特质波动率Iovl_c、Ivol_ff的均值分别为2.085和2.099，两组样本的均值在1%水平下显著存在差异。此外，高创新投入组的日均换手率Turnov的均值为2.498%，也在1%水平下显著高于低创新投入组的均值1.979%。表4的分组检验结果表明，创新投入对投资者异质信念和股票特质风险都存在统计显著的正向推动作用。

表4 分组检验结果

(二)回归结果分析

表5列示了模型(5)～(7)的回归结果。模型(5)回归结果显示，创新投入(R&Dt-1)对股票特质波动率(Ivol_ct和Ivol_fft)的回归系数分别为0.708和0.874，且在1%水平下显著，说明创新投入显著地正向影响了股票的特质风险。以表5第1列为例，创新投入一个标准差的变化，将导致股票特质波动率I v o l_c的标准差变化约0.030(=0.708*0.043)，这大约是Ivol_c标准差的4.5%(=0.708*0.043/0.680)，且在统计上是显著的。关于Ivol_ff的系数也类似，因此，验证了本文假设1。

参考温忠麟等(2004)[36]检验中介效应的步骤，本文在模型(5)R&Dt-1的系数β1显著的基础上进行了第二步检验。表5模型(6)回归结果显示，创新投入(R&Dt-1)对投资者异质信念(Turnovt)的回归系数为1.717，且在1%水平下显著，说明创新投入会正向影响投资者异质信念，验证了本文假设2。进入检验第三步，模型(7)中Turnovt的系数δ显著为正，而R&Dt-1的系数β3明显减小，且Sobel检验结果表明Turnovt是一个中介变量，中介效用占比为52.848%(44.655%)，即投资者异质信念在创新投入与股票特质风险之间发挥了中介作用，验证了本文假设3。

表5 投资者异质信念的中介效应

控制变量回归结果表明，对于资产规模(Size)更小、杠杆率(Lev)更高、净资产回报率(Roe)更低、个股年回报率(Ret)更高的股票，投资者异质信念和股票特质波动风险更高。

表6为公司创新信息环境调节作用的检验结果。模型(8)回归结果显示，R&Dt-1×Netanat对Ivol_ct的回归系数c3为-0.268，且在10%水平下显著，表明创新投入与股票特质风险的正向关系随着分析师关注度的增加而显著降低，说明更多的分析师跟踪有助于降低创新信息的不对称性，进而降低股票特质风险。在模型(8)系数c3显著的基础上，进入检验第二步，观察模型(9)和(10)的系数a3和b1的显著性：模型(9)回归结果显示，R&Dt-1×Netanat的回归系数a3为-0.815，且在5%水平下显著，说明分析师关注度负向调节了创新投入与投资者异质信念之间的关系；同时，模型(10)回归结果显示，Turnovt的系数b1分别为0.194和0.206，且都在1%水平下显著，且Sobel检验结果表明存在有中介的调节效应。中介效应比例为58.807%(89.480%)，说明调节效应是部分中介，即分析师的信息作用部分通过投资者异质信念这一路径，负向调节了创新投入与股票特质风险间的关系。表6的回归结果支持了本文提出的理论模型(见图1)。

表6 公司创新信息环境的调节效应

五、稳健性检验

(一)加入滞后两阶的创新投入(R&Dt-2)

企业创新往往是比较长期的过程，因此，创新投入对于股票特质风险影响的滞后阶数可能大于一阶。为了缓解这一顾虑，本文在模型(5)～(7)中加入滞后两阶的创新投入(R&Dt-2)，进行重新估计。表7列示了加入R&Dt-2后模型(5)～(7)的估计结果，结果表明在加入R&Dt-2后，创新投入仍显著正向地影响了股票的特质风险，且投资者异质信念仍在创新投入与股票特质风险之间发挥了部分中介作用，结果支持了表5结论的稳健性。

表7 投资者异质信念的中介效应：加入R&Dt-2

(二)用专利申请数量衡量公司创新

除了使用创新投入来衡量公司创新，本文还从创新产出的角度，使用专利申请数量来衡量公司创新。在中国的专利体系下，专利被分为三大类，即发明专利、实用新型专利以及外观设计专利。由于发明专利被认为是三类专利中最为优质、对企业最有价值的一类专利(李诗等，2012)[33]，本文使用1加发明专利申请数量的自然对数(Patentt-1)来衡量公司的创新，更换解释变量后对模型(5)～(7)进行重新估计。表8列示了使用专利申请数量作为解释变量的模型(5)～(7)的估计结果，结果表明，在更换解释变量后，表5结论依然稳健。

表8 投资者异质信念的中介效应：更换解释变量

(三)加入滞后一阶的特质风险(IRiskt-1)

模型(5)(7)可能存在遗漏变量的问题，为了缓解这一问题，本文在模型(5)(7)中加入滞后一阶的特质风险(IRiskt-1)并对其进行重新估计。表9列示了加入IRiskt-1后模型(5)(7)的估计结果，结果表明在缓解遗漏变量这一问题后，创新投入仍显著正向地影响了股票的特质风险，且投资者异质信念仍在创新投入与股票特质风险之间发挥了部分中介作用，支持了表5结论的稳健性。

表9 投资者异质信念的中介效应：加入IRiskt-1

(四)剔除数据严重缺失的年份

根据表1的数据分布结果可以发现，2007―2011年缺失大量创新投入数据，这可能存在样本选择偏差问题。为了缓解这一问题，本文将数据严重缺失的年份剔除，只保留2012―2019年之间的创新投入数据，并对模型(5)～(7)进行重新估计。表10列示了剔除数据严重缺失年份后模型(5)～(7)的估计结果，结果表明，在剔除数据严重缺失的年份后，表5结论仍然稳健。

表10 投资者异质信念的中介效应：剔除数据严重缺失年份

(五)工具变量

由于创新投入与股票特质风险之间可能存在潜在的内生性问题，本文将公司所在行业新产品销售收入(Sale_Ind)作为工具变量，因为上市公司会根据同行业新产品的销售收入情况来调整未来的创新投入。一般来说，同行业新产品的收入越高，公司越有可能加大创新投入。此外，同行业新产品的收入情况是严格外生变量，这保证了工具变量的外生性。表11列示了选择公司所在行业新产品销售收入作为工具变量的两阶段最小二乘法(2SLS)回归结果。第(1)列列示了第一阶段回归结果，自变量为同行业新产品销售收入的自然对数除以100，创新投入(R&Dt-1)的系数为0.035，且在1%水平下显著，表明高的同行业新产品销售收入会吸引上市公司加大创新投入。弱工具变量检验的F值为21.415，大于经验值10，表明同行业新产品销售收入不是弱工具变量。表11第(2)～(6)列列示了在使用工具变量的情况下模型(5)～(7)的回归结果，结果表明，在使用工具变量解决内生性问题后，表5结论仍然稳健。

表11 投资者异质信念的中介效应：工具变量

(六)周度交易数据计算的特质波动率

前文计算特质波动率采用日度交易数据。本文改变数据频率，采用周度交易数据重新计算特质波动率。为了保证有足够的观测值用于回归，本文剔除了年交易周数少于20周的样本，其他样本筛选与前文一致。根据周度交易数据重新计算个股特质波动率，并将其代入模型(5)～(7)，得到的回归结果见表12，与前文基本一致，表明本文的实证结果不受用于计算特质波动率指标的数据频度的影响。

表12 投资者异质信念的中介效应：更换被解释变量

六、结论与建议

本文使用2007―2020年沪深A股上市公司的样本数据，从创新信息的不对称以及投资者行为的角度，分析了公司创新投入对股票特质风险的影响机制。研究发现，由于公司创新信息的有限披露以及投资者的有限理性，公司创新投入将对股票特质风险产生显著的正向影响，并且投资者异质信念在两者之间发挥了部分中介作用。

本文的实证结果表明，公司创新信息的有限披露所产生的信息不对称是造成高创新投入股票特质风险较高的重要原因。分析师的信息中介作用能够有效缓解企业与市场之间创新信息的不对称程度，降低创新投入对投资者异质信念的正向影响，进而负向调节创新投入与股票特质风险之间的正相关关系。这说明透明的信息环境有助于降低投资者对于股票预期收益的意见分歧，从而避免股价过度波动。科技创新公司应当合理地公布有关研发创新活动的信息，尽可能地满足广大投资者对公司创新信息的需求，这有利于公司股票价格的稳定。

在国家创新战略背景下，为了使资本市场更好地服务科技创新实体经济，更加充分地发挥资源配置和价格发现的功能，对于资本市场的主要参与者和监管部门，本文提出如下建议：(1)对上市公司而言，增加有关创新的自愿性信息披露，降低由创新带来的股价波动风险。创新不仅是公司响应国家战略号召，也是其增强市场竞争力、提升公司价值的重要活动，但创新信息在投资者之间的异质信念将导致其股价产生较大波动。上市公司可以通过自愿性信息披露，降低有关创新的信息不对称程度，从而减少股价波动。(2)对投资者而言，应增强风险意识，提高对上市公司基本面尤其是创新活动的识别能力，以有效抑制创新信息产生的异质信念，减少非理性投资行为，从而起到降低股价波动的作用。(3)对以证券分析师为代表的中介而言，应客观、真实地向投资者分析和传达公司信息，帮助投资者合理评估公司价值并提出较为理性的投资策略，在资本市场上起到正确的信息中介作用，进而降低投资者异质信念，促进资本市场稳定发展。(4)对监管部门而言，应进一步鼓励市场参与者披露和解读有关公司创新的信息，提高创新信息环境的透明度。在条件成熟时，不仅要求上市公司披露创新投入的金额，而且要求其披露创新对公司市场价值或股价的短期和长期影响，这不仅有利于降低个股波动风险，而且有利于防范资本市场的系统风险。

本文仅从创新信息的不对称性以及投资者行为的角度去分析公司创新对股价特质风险的影响，缺乏从可能存在的业绩波动角度的进一步讨论。因此，本文关于公司创新投入对股票市场影响机理的探究仍然不够全面，存在进一步补充改进的空间。 ■