客户集中度与数据资产信息披露
2023-05-19张俊瑞李文婷
张俊瑞 李文婷
【摘要】本文基于2014 ~ 2021年我国A股上市公司的数据, 研究客户集中度对企业数据资产信息披露的影响, 发现客户集中度越高, 企业数据资产信息披露水平越低。机制检验表明, 客户集中度通过恶化企业信息披露质量、 降低企业创新能力两个渠道导致数据资产信息披露水平降低。进一步研究表明, 企业产权性质、 市场竞争程度、 企业经营风险均会对客户集中度与数据资产信息披露之间的关系产生影响。具体来说, 在非国有企业、 面临更激烈市场竞争的企业、 经营风险更高的企业中, 客户集中度对数据资产信息披露水平的抑制作用更显著。
【关键词】客户集中度;数据资产信息披露;信息披露质量;创新能力
【中图分类号】 F270 【文献标识码】A 【文章编号】1004-0994(2023)07-0003-8
一、 引言
近年来, 伴随着互联网、 物联网和云计算技术的迅猛发展, 数据越来越成为具有巨大价值的关键资源。“大数据”与普通“数据”的概念不同, 其具有更深层次的内涵, 原因不仅在于数据在数量上的指数型增加, 更在于其日趋复杂的结构和日益突显的潜在价值。党的十九大报告提出, 要“推动互联网、 大数据、 人工智能和实体经济深度融合”。在我国, 数字化的触角已全面延展到社会生活运转的各个领域, 数据要素正成为驱动我国社会创新发展与深化改革的新引擎。2022年7月中国信息通信研究院发布的《中国数字经济发展报告(2022年)》显示, 2021年我国数字经济规模达到45.5万亿元, 同比名义增长16.2%, 高于同期GDP名义增速3.4个百分点, 占GDP比重达到39.8%。在国民经济和社会发展中, 数字经济的地位进一步突显、 规模不断扩张、 贡献不断增大。而数据要素所蕴含的价值效能又进一步拓展新业态成长、 推进国家治理能力现代化。可见, 依托数据要素的数字经济在我国已成为促进经济高质量发展的重要推动力。
在数字经济时代, 数据作为一项关键生产要素, 对企业而言具有重要的价值。数据可以为企业赋能, 帮助企业提高生产效率、 降低相关运营成本、 拓展业务线条、 提高核心竞争力。由于企业可以通过整合、 挖掘自身拥有的大量数据, 提升决策质量, 获得超额经济收益, 数据资产已具备在财务报告中确认为资产的条件(危雁麟等,2022)。目前已有多家上市公司在年度报告中使用“数据资产”这一词汇对其相关信息进行披露, 但由于我国尚未发布相关会计准则和要求, 数据资产信息披露仍属于自愿性信息披露范围, 企业有权决定其会计处理方式。在数据资产日益重要的现今时代, 研究企业数据资产信息披露的影响因素, 对于提高企业的数据价值创造能力与相关信息披露质量, 具有极其重要的理论及现实意义。
企业生产经营的最终目的是通过将产品卖给客户实现经济效益最大化。客户, 尤其是大客户, 作为重要的利益相关者和供应链的主要组成部分, 在此过程中扮演着至关重要的角色, 对企业的重要性不言而喻。客户集中度体现了企业对大客户的依赖程度, 会对企业的生产经营及信息披露活动产生重要影响。现有研究关于客户集中度对企业经营的影响并未达成一致意见, 存在两种相反的观点: 一种认为客户集中有助于企业经营业绩的提升; 另一种则认为客户集中不仅不利于企业经营业绩的提升, 还会损害企业信息披露数量及质量。具体到数据资产信息披露方面, 现有关于客户集中度的研究并未关注到这一问题。考虑到数据资产日益突显的重要性, 研究客户集中度对数据资产信息披露的影响既有助于丰富对客户集中度的认识, 又有助于探究企业数据资产信息披露之间的影响因素。为此, 本文选取2014 ~ 2021年我国A股上市公司作为研究样本, 对客户集中度与数据资产信息披露的关系进行实证检验。
本文的研究贡献主要体现在以下几个方面: 第一, 已有研究主要关注客户集中度对企业会计行为、 整体信息披露质量和公司治理的影响, 并未关注到其对数据资产这一重要的新兴资产信息披露的影响。本文将客户集中度的经济后果拓展到数据资产信息披露领域, 丰富了客户集中度的经济后果研究。第二, 本文结合现有关于客户集中度经济后果的研究结论, 从信息披露质量、 企业创新能力方面探讨客户集中度对数据资产信息披露的作用机制, 从供应链角度为数据资产相关研究提供了一个新视角。第三, 已有数据资产信息披露相关文献主要关注数据资产的计量与披露方式及其经济后果, 鲜少关注到影响数据资产信息披露的各項因素。本文围绕客户集中度探讨供应链关系对企业数据资产信息披露的影响, 丰富了数据资产信息披露相关研究。
二、 文献回顾、 理论分析与研究假说
(一)客户集中度
现有研究认为客户集中度可能对企业经营产生两方面的影响:
一方面, 客户集中度可能对企业经营决策产生正面影响。从客户的角度来说, 作为重要的利益相关者, 为了维护供应链的安全与稳定, 客户可能对主要供应商积极发挥外部监督治理作用, 改善供应商公司治理, 提升供应商信息披露质量(Hui等,2012)。从供应链的角度来说, 稳定的供应链有助于促进优势资源互补, 缓解供应商和客户之间的信息不对称, 降低信息搜集成本和交易成本。王雄元和高开娟(2017)发现, 客户具有“合作效应”, 可以通过促进企业间信息共享和合作降低成本粘性。Chu等(2019)发现, 在供应链中, 客户可以通过知识溢出促进企业创新。从企业自身的角度来说, 稳定的客户结构可以为企业提供优质的资源, 帮助企业从大客户处获得稳定的营业收入和决策有用的信息, 进而进行更好的存货和应收账款管理, 提升管理效率(Kalwani和Narayandas,1995;Patatoukas,2012)。
另一方面, 客户集中度可能对企业经营决策产生负面影响。对大客户的过度依赖会提高企业经营风险。当大客户与企业中断交易时, 企业业绩将遭受冲击, 也会给企业现有客户传递消极影响, 引起连锁反应, 极大程度地恶化企业业绩(Dhaliwal等,2016;Hertzel等,2008)。同时, 过度依赖大客户会提升大客户的谈判议价能力, 企业可能被迫接受苛责条款, 在产品价格、 付款期限等方面向大客户做出让步, 使其利润空间受到挤压、 盈利风险增加、业绩受损(Gosman等,2004)。由于较高的客户集中度提升了企业经营风险, 企业将面对更高的融资成本和融资条件(Dhaliwal等,2016;Campello和Gao,2017), 管理层也会因为经营风险的提升而变得保守, 导致投资不足、 企业经营效率下降(王丹等,2020)。较高的客户集中度还会恶化企业信息披露质量。为了避免客户流失带来的不利影响, 管理层有动机采取盈余管理、 利润平滑等手段操纵信息披露, 以向客户传达公司经营良好的信号(Raman和Shahrur,2008)。此外, 大客户与管理层可能出于一致的利益目的, 沆瀣一气, 粉饰财务报表, 降低企业披露信息的真实性与可靠性(刘文军和谢帮生,2017)。
(二)数据资产信息披露
现有关于数据资产的研究主要集中在数据资产的价值、 数据作为资产的合理性、 数据资产的估值方式以及如何进行数据资产管理上。在数据资产价值方面, Perrons和Jensen(2015)认为, 对于大数据分析领域的公司来说, 数据是一种有价值的资产, 但在石油和天然气行业, 由于数据被视为关于实物资产的描述性信息, 其本身并不具备价值。谢康等(2020)研究发现, 对于绝大部分企业而言, 仅投资大数据资源这一行为并不能直接带来绩效改善, 形成大数据分析能力才是大数据资源改善企业产品创新绩效的必要条件。在数据资产估值方面, 欧阳日辉和杜青青(2022)、 翟丽丽和王佳妮(2016)等学者均有所建树。在数据资产管理方面, 李题印等(2022)、 李红祥和吴佳珅(2016)、 夏红军和安燕娜(2021)分别探究了在大数据时代背景下, 如何剖析制造业企业、 传统出版业、 供电企业的数据资产管理内涵, 明确各项要素、 構建管理框架, 实现数据资产高效管理。
在数据资产信息披露方面, 学者们主要关注如何对数据资产进行确认、 计量与报告, 即数据资产的会计处理方式。有学者提出应将数据资产作为无形资产进行确认, 在“无形资产”科目下设置“数据资产”二级科目, 并在财务报表附注中对具体信息进行详细说明(刘玉, 2014; 游静等,2018)。也有学者认为, 应直接设置一级科目对数据资产进行列示(吕玉芹等,2003;张俊瑞等,2020)。对于数据资产具体如何进行计量与报告, 有学者对其初始计量、 后续计量等均提出了操作性建议(秦荣生,2020)。此外, 现有研究还关注到了数据资产信息披露的经济后果。如: 企业数据资产信息披露能够提高分析师预测准确度, 其具体路径为提供前瞻性信息和改善个股信息透明度(危雁麟等,2022); 数据资产信息披露能够通过提升信息透明度、 吸引技术型人力资本、 缓解融资约束, 进而促进企业价值提升(苑泽明等,2022)。
(三)客户集中度与数据资产信息披露
数据资产作为一种新型资源, 对企业竞争优势的构建产生着越来越重要的影响。企业数据资产信息披露情况可能会受到企业整体信息披露质量及企业创新能力的影响, 而客户集中度既可能影响企业的信息披露质量(陈西婵和刘星,2021;郭瑞,2022), 又可能影响企业创新能力(金静等,2021;徐星美等,2022)。根据上文的分析可知, 现有文献并没有就客户集中度对企业的影响达成一致, 所以客户集中度可能从两个方面对企业数据资产信息披露产生不同的影响。
首先, 较高的客户集中度可能会使企业数据资产信息披露水平提高。从公司治理的角度来说, 大客户出于维护供应链安全与稳定、 降低经营风险的目的, 会主动对主要供应商进行监督, 改善公司治理, 提升会计信息质量(Hui等,2012)。同时, 由于大客户与企业能够形成密切的合作关系, 其知识和信息的交流会更加深入, 可以通过信息反馈、 知识溢出来促进企业开展创新活动, 提升企业创新能力(徐星美等,2022), 从而使企业创造出更多数据资产, 提升企业数据资产信息披露水平。从企业经营绩效的角度来说, 大客户可以通过促进企业间信息共享和合作来提升企业经营效率(王雄元和高开娟,2017)。同时, 稳定的客户关系可以让企业获得长期稳定的现金流。企业经营绩效的提升既可以使管理层将更多的资源和精力投入到研发创新活动当中, 为企业获取更多的数据资产, 又可以减弱管理层操纵信息披露的动机, 提升企业信息披露质量。企业整体信息披露质量的提升既可以直接提高数据资产信息披露水平, 又有助于缓解外部资金提供者与管理层之间的信息不对称, 减轻代理问题, 使企业能够获得更多用于创造数据资产的资源, 进而提升数据资产信息披露水平。因此, 本文提出如下假设:
假设1a: 客户集中度越高, 企业数据资产信息披露水平越高。
其次, 较高的客户集中度可能会使企业数据资产信息披露水平降低。客户集中度可能会从资源及风险两个角度阻碍企业创新, 抑制企业数据资产创造, 进而降低其信息披露水平。当企业的客户集中度较高时, 客户在交易过程中占据主导地位, 可能通过其议价能力压低产品价格, 衍生出一系列挤占和剥削行为(Cowan等,2015), 给企业业绩和现金流带来压力(陈正林,2016), 从而从资源方面抑制企业创新投入。同时, 当客户集中度较高时, 企业会面临较高的经营和财务风险, 其风险承担能力降低, 从而管理层投入创新活动的积极性也会降低, 不利于提升创新绩效(胥朝阳等,2022)。此外, 客户集中意味着失去大客户会使企业遭受重大冲击, 管理层为了维护与大客户之间的关系, 可能会采取盈余管理等手段操纵信息披露以改善客户对企业经营的预期, 从而导致企业信息环境恶化(Raman和Shahrur,2008)。整体信息环境的恶化既不利于企业数据资产相关信息的披露, 也不利于企业获得用以研发数据资产的外部资源, 从而导致数据资产信息披露水平降低。因此, 本文提出如下假设:
假设1b: 客户集中度越高, 企业数据资产信息披露水平越低。
三、 研究设计
(一)样本选择与数据来源
根据人民网报道, 2013年被称为我国的“大数据元年”, 故本文认为企业数据资产由此应运而生, 并选取2014 ~ 2021年我国A股上市公司作为研究样本。数据资产相关数据来源于WinGo(文构)文本数据库, 其余数据均来源于CSMAR数据库。本文对初始样本进行了如下处理: 剔除金融行业企业样本; 剔除ST类企业样本; 剔除变量存在缺失值的样本。最终样本包含23202个公司—年度观测值。为了缓解异常样本的影响, 本文对所有连续变量在1%的水平上进行了缩尾处理。
(二)变量选择与定义
1. 数据资产信息披露。本文运用文本分析技术构建数据资产信息披露的衡量指标。借鉴胡楠等(2021)的文本挖掘方法及危雁麟等(2022)的指标构建方法, 对上市公司年度报告中的数据资产信息进行挖掘, 并在此基础上构建企业数据资产信息披露指标, 评估数据资产信息披露水平。具体来说, 本文以“数据资产”和“数据资源”作为种子词, 运用Word2Vec神经网络模型对上市公司披露的海量财经文本语料进行训练, 得到“数据资产”和“数据资源”在WinGo文本数据库中的深度学习相似词词集。在此过程中, 为了保证相似词词集能够真实地反映企业数据资产信息披露, 仅保留相似度高于0.5的相似词。本文运用如下模型来计算企业数据资产信息披露频率, 并以此度量数据资产信息披露(DataAsset):
(1)
其中: FREitj为相似词词集中第j个词汇在公司i第t年年度报告中的词频; TotalFREit为公司i第t年年度报告的总词频。
2. 客戶集中度。现有研究大多以公司对前五大客户的销售额占总销售额的比例来衡量客户集中度(Centra-lize5), 本文也采用这一方法进行度量。
3. 控制变量。借鉴现有文献, 本文的控制变量包括企业规模(Size)、 财务杠杆(Lev)、 盈利能力(ROA)、 董事会独立性(Indep)、 两职合一(Dual)、 股权集中度(Top10)、 股权制衡度(Balance)、 固定资产比例(PPE)、 流动比率(Quick)、 账市比(BM)、 产权性质(SOE)。主要变量定义如表1所示。
(三)回归模型
为考察客户集中度与数据资产信息披露之间的关系, 本文构建了如下研究模型:
DataAssetit=α0+α1Centralize5it+α2Sizeit+α3Levit+
α4ROAit+α5Indepit+α6Dualit+α7Top10it+α8Balanceit+
α9PPEit+α10Quickit+α11BMit+α12SOEit+Year FE+
Industry FE+εit (2)
模型中具体变量定义如上文所述, 其中还控制了年份固定效应(Year FE)和行业固定效应(Industry FE), 回归模型采用公司层面的聚类稳健标准误。
四、 实证结果
(一)描述性统计
本文主要变量的描述性统计结果如表2所示。
(二)客户集中度与数据资产信息披露
表3第(1)列显示了客户集中度与数据资产信息披露的单变量回归结果, 结果表明两者之间呈显著的负相关关系。第(2)列为加入一系列控制变量后的回归结果, 客户集中度依旧与数据资产信息披露呈显著的负相关关系。第(3)列为进一步控制年份固定效应和行业固定效应后, 即模型(2)的检验结果, 客户集中度(Centralize5)的系数为-0.007, 且在1%的水平上显著, 表明客户集中度越高, 企业数据资产信息披露水平越低。
(三)稳健性检验
1. 变更数据资产信息披露指标。在基本回归模型中, 采用了数据资产相似词词频的方式来衡量企业数据资产信息披露水平。为了保证研究结论的稳健性, 本文采用企业年度报告中与数据资产相关的句子频率作为数据资产信息披露的替代指标(Data_sent)进行稳健性测试。数据资产信息披露句频的计算公式如下所示:
(3)
其中: FRE_sentitj为公司i第t年年度报告中包含相似词词集中第j个词汇的句子数目; TotalFRE_sentit为公司i第t年年度报告中所包含的句子总数。回归结果如表4第(1)列所示, 可以看出, 客户集中度与数据资产信息披露水平显著负相关。
2. 变更客户集中度指标。本文通过变更客户集中度的衡量方式来重新估计客户集中度对数据资产信息披露的影响。参照现有研究, 分别采用对第一大客户的销售额占总销售额的比例(Centralize1)、 前五大客户销售占比的赫芬达尔指数(CentralizeHHI)来衡量客户集中度, 回归结果分别如表4第(2)(3)列所示。结果表明, 变更客户集中度的衡量方式后, 客户集中度与企业数据资产信息披露水平依旧显著负相关。
3. 对客户集中度与数据资产信息披露“U”型关系的检验。现有关于客户集中度经济后果的研究表明, 客户集中度可能并不是简单地对企业产生正面或负面的影响, 而是产生“U”型影响, 即客户集中度在一定程度上可能对企业产生正面或负面影响, 而当其超过一定程度时, 可能会产生相反的影响。例如: 方红星和严苏艳(2020)发现, 客户集中度与创新投入、 创新产出呈显著的正“U”型关系; 江伟等(2017) 的研究表明, 在民营企业中, 企业成本粘性与客户集中度之间呈现“U”型的非线性关系; 张敏等(2012)发现, 在国有持股比例较高的公司中, 随着客户集中度的上升, 公司聘用大型会计师事务所进行审计的概率先降后升, 呈现出“U”型关系。根据前文理论分析, 客户集中度既可能促进企业数据资产信息披露水平提升, 也可能导致企业数据资产信息披露水平下降。因此, 客户集中度与数据资产信息披露之间也可能存在“U”型关系。
本文在模型(2)当中加入客户集中度的二次项(Centralize5×Centralize5)来检验客户集中度与数据资产信息披露之间是否存在“U”型关系, 若该二次项的系数显著, 则说明客户集中度与数据资产信息披露之间存在“U”型关系。回归结果如表4第(4)列所示, 可以看出, Centralize5×Centralize5的系数不显著, 说明客户集中度与数据资产信息披露之间不存在“U”型关系。
(四)内生性问题
1. 反向因果问题。数据资产信息披露水平较低的企业可能更倾向于依赖少数客户, 从而导致客户集中度较高。本文采用工具变量法来缓解这一内生性问题。具体来说, 选取客户集中度的年度—行业均值(Mean_Centralize5)作为工具变量来进行两阶段最小二乘回归(2SLS), 结果如表5所示。回归结果显示, 考虑了可能的反向因果问题之后, 本文的结论依旧稳健。
2. 遗漏变量问题。企业可能出于某些因素而选择与大客户进行合作, 而这些企业也存在数据资产信息披露水平较低的问题。为了缓解这种遗漏变量导致的内生性问题, 本文参考Patatoukas(2012)以及王丹等(2020)的做法, 使用两阶段回归来估计客户集中度对数据资产信息披露的影响。具体来说, 在第一阶段回归中, 采用如下模型来估计当年的客户集中度:
Centralize5it=α0+α1Centralize5it-1+α2MVit-1+
α3ListAgeit-1+α4ROAit-1+α5Levit-1+α6Growthit-1+
α7Quickit-1+Year FE+Industry FE+εit (4)
其中: Centralize5it-1表示上一年度的客户集中度; MVit-1表示上一年度市值的自然对数; ListAgeit-1表示上一年度上市年限的自然对数; ROAit-1表示上一年度的资产收益率; Levit-1表示上一年度的杠桿水平; Growthit-1表示上一年度的销售增长率; Quickit-1表示上一年度的流动比率。
在第二阶段回归中, 用第一阶段估计出的本年度客户集中度(Pre_Centralize5it, 即Centralize5it减去第一阶段回归残差后的数值)作为自变量, 代入模型(2)中进行回归, 结果如表6所示。回归结果依旧表明客户集中度越高, 企业数据资产信息披露水平越低。
3. 倾向得分匹配。客户集中度高的企业和客户集中度低的企业之间的固有差异可能会对本文的研究结论产生影响, 这意味着本文的研究结论可能存在样本自选择问题。为了缓解样本自选择问题的影响, 本文采用倾向得分匹配法进行重新估计。倾向得分匹配的具体步骤是: 首先, 以企业前五大客户销售占比是否超过50%为标准将样本分为客户集中度高、 低两组, 若企业前五大客户销售占比超过50%, 则认为其客户集中度高, 否则反之。其次, 以企业规模(Size)、 财务杠杆(Lev)、 盈利能力(ROA)、 董事会独立性(Indep)、 两职合一(Dual)、 流动比率(Quick)、 账市比(BM)、 产权性质(SOE)等为协变量进行Logit估计, 计算倾向得分。最后, 按照1∶1最近邻匹配法保留倾向得分最接近的样本作为匹配样本, 同时要求满足共同支撑假设和平衡性假设, 设定卡尺为0.05。表7列示了倾向得分匹配前后的平衡性检验结果, 可以看出匹配前两组样本存在较大差异, 而匹配后两组样本不存在明显差异, 说明总体匹配效果较好。表8列示了采用倾向得分匹配法筛选样本后的回归结果, 可以看出, 在考虑样本自选择问题后, 本文的主要结论依旧稳健。
五、 进一步分析
(一)作用机制分析
根据本文理论分析, 较高的客户集中度可能会导致管理层的盈余管理动机增强, 信息披露质量降低, 从而降低企业数据资产信息披露水平; 其也可能抑制企业创新活动, 导致企业缺乏足够的创新能力以创造数据资产, 从而降低数据资产信息披露水平。因此, 本文从信息披露质量和创新能力两个角度来探究客户集中度对数据资产信息披露的作用机制。
1. 信息披露质量。较高的客户集中度可能会导致企业信息披露质量变差, 恶化企业内外部信息环境。整体信息披露质量的恶化一方面会直接影响企业数据资产相关信息的披露水平, 另一方面不利于企业从外部利益相关者处获得用于数据资产创造的资源支持, 从而降低其数据资产信息披露水平。本文选取修正的琼斯模型(Jones,1991)来估计盈余质量, 即用该模型回归所得到的残差的绝对值作为信息披露质量的代理变量(DA), 该值越大表示信息披露质量越差。表9第(1)列和第(2)列为关于信息披露质量(DA)的中介效应检验结果。第(1)列的回归结果表明, 客户集中度越高, 则信息披露质量越差。根据本文的理论分析, 较高的客户集中度会增加企业的经营风险并给管理层带来业绩压力和资金压力, 导致管理层有动机通过操纵盈余来管理信息披露。第(2)列的回归结果表明, 加入信息披露质量变量(DA)之后, 客户集中度依旧与数据资产信息披露显著负相关, Sobel检验的结果显著, 即高客户集中度会导致企业信息披露质量变差, 从而降低数据资产信息披露水平。
2. 创新能力。客户集中度会通过加剧企业融资约束、 提升企业经营风险两个方面阻碍企业创新活动(孟庆玺等, 2018), 降低企业创新能力, 从而导致企业无法有效创造数据资产, 进而降低数据资产信息披露水平。本文参照孟庆玺等(2018)的做法, 采用企业专利申请数量加1后取自然对数来衡量创新能力(RD), RD的数值越大表明企业创新能力越强。表9第(3)列和第(4)列为关于创新能力的中介效应检验结果。第(3)列的回归结果表明, 客户集中度越高, 则企业创新能力越弱; 第(4)列的回归结果显示, 加入创新能力变量(RD)之后, 客户集中度依旧与数据资产信息披露显著负相关, 结果同样通过了Sobel检验, 说明客户集中度通过降低企业创新能力, 导致企业数据资产信息披露水平降低。
(二)异质性检验
1. 产权性质。对于不同产权性质的企业, 客户集中度对数据资产信息披露的影响可能不同。具体来说, 相较于国有企业, 非国有企业受市场因素的影响更大, 高客户集中度带来的经济后果可能更明显。因此, 本文预计相较于国有企业, 在非国有企业中客户集中度对数据资产信息披露的影响更为显著。
本文以产权性质为标准将样本分为国有企业、 非国有企业两组进行异质性检验。具体而言, 以SOE作为分组变量, 若企业为国有企业, 则SOE取值为1, 否则为0。回归结果如表10第(1)列所示, 可以看出, 产权性质与客户集中度交乘项(Int_SOE)的系数显著为正, 说明相对于国有企业, 非国有企业的客户集中度对数据资产信息披露的影响更为显著, 与本文理论分析一致。
2. 市场竞争程度。市场竞争越激烈, 高客户集中度带来的客户议价能力的提高会越明显。这将迫使企业在产品价格和商业信用等方面做出更大的让步, 给企业现金流、 利润空间等方面带来更大压力。这种压力的增加可能会通过恶化企业信息披露质量、 阻碍企业创新活动而导致企业数据资产信息披露水平更为明显的降低。因此, 本文预计市场竞争越激烈, 客户集中度对数据资产信息披露的影响就越显著。
借鉴宋清和刘奕惠(2021)的做法, 采用赫芬達尔指数衡量市场竞争程度, 该指数越大, 表明企业面临的市场竞争越弱。本文以赫芬达尔指数高低为标准将样本分为市场竞争激烈、 市场竞争不激烈两组进行异质性检验, 创建分组变量HHI, 若企业面临激烈的市场竞争, 则HHI取值为1, 否则为0。回归结果如表10第(2)列所示, 可以看出, 市场竞争程度与客户集中度交乘项(Int_HHI)的系数显著为负, 说明在市场竞争更激烈时, 客户集中度对数据资产信息披露的影响更为显著, 符合本文预期。
3. 经营风险。企业面临的经营风险越大, 其对大客户的依赖程度越高, 失去大客户带来的风险及损失越无法被企业所承受。因此, 本文预计企业面临的经营风险越高, 则高客户集中度所导致的管理层采取盈余管理等手段操纵信息披露的可能性越大, 且导致企业面临的资源约束问题越严重, 从而使企业信息披露质量及创新能力越差, 对数据资产信息披露的影响就越显著。
借鉴John等(2008)、 余明桂等(2013)的做法, 采用企业每一观察时段(三年)内经行业调整的ROA的标准差来衡量企业经营风险, 该数值越大表明企业经营风险越大。本文以企业经营风险指标数值高低为标准将样本分为经营风险高、 经营风险低两组进行异质性检验, 创建分组变量Risk, 若企业经营风险高, 则Risk取值为1, 否则为0。回归结果如表10第(3)列所示, 可以看出, 经营风险与客户集中度交乘项(Int_Risk)的系数显著为负, 说明在经营风险更高时, 客户集中度对数据资产信息披露的影响更为显著, 与本文理论分析一致。
六、 研究结论
本文以2014 ~ 2021年我国A股上市公司为研究对象, 围绕客户集中度深入探讨了供应链关系对数据资产信息披露的影响。研究发现: 客户集中度会通过企业信息披露质量和创新能力两个渠道降低数据资产信息披露水平。进一步研究表明, 产权性质、 市场竞争程度、 企业经营风险均会对这一关系产生影响, 具体来说: 在非国有企业、 面临更激烈市场竞争的企业、 经营风险更高的企业中, 客户集中度对数据资产信息披露的影响更为显著。
基于上述结论, 本文提出如下政策建议: 首先, 企业在塑造供应链关系时应当认识到客户集中度的两面性, 理性对待大客户。大客户具备积极作用, 能够给企业带来稳定的经营业绩, 但同时也会对企业施加负面影响, 为企业带来较高的经营不确定性。由于客户集中度可能会对企业经营决策造成较大影响, 企业应当做好对大客户的充分评估, 全面权衡经营业绩和经营风险。其次, 2022年政府工作报告提出, 完善数字经济治理, 释放数据要素潜力, 更好赋能经济发展、 丰富人民生活。微观企业的数据资产创造及信息披露水平决定了宏观经济中数据价值的利用能力。数据是21世纪的基础战略性资源和重要生产要素, 相关部门应当充分考虑供应链关系给企业数据资产信息披露带来的影响, 引导企业塑造健康良好的供应链关系, 从而安全、 有效地推动企业进行数据利用与数据价值创造, 助推经济社会高质量发展。
【 主 要 参 考 文 献 】
陈西婵,刘星.供应商(客户)集中度与公司信息披露违规[ J].南开管理评论,2021(6):213 ~ 226.
陈正林.客户集中、政府干预与公司风险[ J].会计研究,2016(11):23 ~ 29+95.
方红星,严苏艳.客户集中度与企业创新[ J].科研管理,2020(5):182 ~ 190.
胡楠,薛付婧,王昊楠.管理者短视主义影响企业长期投资吗?——基于文本分析和机器学习[ J].管理世界,2021(5):139 ~ 156+11+19 ~ 21.
江伟,底璐璐,姚文韬.客户集中度与企业成本粘性——来自中国制造业上市公司的经验证据[ J].金融研究,2017(9):192 ~ 206.
金静,汪燕敏,孙明.客户关系的稳定性、客户集中度与企业创新[ J].重庆理工大学学报(社会科学),2021(9):109 ~ 120.
李红祥,吴佳珅.数据技术、数据资产与数据价值——大数据时代传统出版业的三重变奏[ J].科技与出版,2016(8):111 ~ 114.
李题印,郁建兴,宣成等.制造企业数据资产管理体系:要素范畴与逻辑框架[ J].情报科学,2022(9):58 ~ 63.
刘文军,谢帮生.客户在公司隐藏坏消息中的角色:合谋者抑或监督者?[ J].产业经济研究,2017(3):104 ~ 115.
刘玉.浅论大数据资产的确认与计量[ J].商业会计,2014(18):3 ~ 4.
吕玉芹,袁昊,舒平.论数字资产的会计确认和计量[ J].中央财经大学学报,2003(11):62 ~ 65.
孟庆玺,白俊,施文.客户集中度与企业技术创新:助力抑或阻碍——基于客户个体特征的研究[ J].南开管理评论,2018(4):62 ~ 73.
欧阳日辉,杜青青.数据估值定价的方法与评估指标[ J].数字图书馆论坛,2022(10):21 ~ 27.
秦荣生.企业数据资产的确认、计量与报告研究[ J].会计与经济研究,2020(6):3 ~ 10.
宋清,刘奕惠.市场竞争程度、研发投入和中小科技企业创新产出——基于风险投资调节的条件过程分析[ J].中国软科学,2021(10):182 ~ 192.
王丹,李丹,李欢.客户集中度与企业投资效率[ J].会计研究,2020(1):110 ~ 125.
王雄元,高开娟.客户关系与企业成本粘性:敲竹杠还是合作[ J].南开管理评论,2017(1):132 ~ 142.
危雁麟,张俊瑞,汪方军等.数据资产信息披露与分析师盈余预测关系研究——基于文本分析的经验证据[ J].管理工程学报,2022(5):130 ~ 141.
夏红军,安燕娜.数据中台视角下供电企业数据资产管理模型构建[ J].情报科学,2021(10):70 ~ 75.
谢康,夏正豪,肖静华.大数据成为现实生产要素的企业实现机制:产品创新视角[ J].中国工业经济,2020(5):42 ~ 60.
徐星美,权小锋,朱姗姗.供应链集中度与企业创新——基于中国制造业上市公司的实证研究[ J].商业经济与管理,2022(4):5 ~ 16.
游静,胡蓉,陈婉丽等.大数据背景下数据资产核算及在区域医疗协同平台中的应用[ J].中国管理信息化,2018(11):43 ~ 45.
余明桂,李文贵,潘红波.民营化、产权保护与企业风险承担[ J].经济研究,2013(9):112 ~ 124.
苑泽明,于翔,李萌.数据资产信息披露、机构投资者异质性与企业价值[ J].现代财经(天津财经大学学报),2022(11):32 ~ 47.
翟丽丽,王佳妮.移动云计算联盟数据资产评估方法研究[ J].情报杂志,2016(6):130 ~ 136.
张俊瑞,危雁麟,宋晓悦.企业数据资产的会计处理及信息列报研究[ J].会计与经济研究,2020(3):3 ~ 15.
张敏,马黎珺,张胜.供应商-客户关系与审计师选择[J].会计研究,2012(12):81 ~ 86+95.
Chu Y., Tian X., Wang W.. Corporate innovation along the supply chain[ J]. Management Science,2019(6):2445 ~ 2466.
Cowan K., Paswan A. K., Van Steenburg E.. When inter-firm relationship benefits mitigate power asymmetry[ J]. Industrial Marketing Management,2015(48):140 ~ 148.
Dhaliwal D., Judd J. S., Serfling M., et al.. Customer concentration risk and the cost of equity capital[ J]. Journal of Accounting and Economics,2016(1):23 ~ 48.
Gosman M., Kelly T., Olsson P., et al.. The profitability and pricing of major customers[ J]. Review of Accounting Studies,2004(1):117 ~ 139.
Hertzel M. G., Li Z., Officer M. S., et al.. Inter-firm linkages and the wealth effects of financial distress along the supply chain[ J]. Journal of Financial Economics,2008(2):374 ~ 387.
Hui K. W., Klasa S., Yeung P. E.. Corporate suppliers and customers and accounting conservatism[ J]. Journal of Accounting and Economics,2012(1-2): 115 ~ 135.
John K., Litov L., Yeung B.. Corporate governance and risk taking[ J].The Journal of Finance,2008(4):1679 ~ 1728.
Kalwani M. U., Narayandas N.. Long-term manufacturer-supplier relationships: Do they pay off for supplier firms?[ J]. Journal of Marketing,1995(1):1 ~ 16.
Patatoukas Panos N.. Customer-base concentration: Implications for firm performance and capital markets[ J]. The Accounting Review,2012(2):363 ~ 392.
Perrons R. K., Jensen J. W.. Data as an asset: What the oil and gas sector can learn from other industries about "big data"[ J]. Energy Policy,2015(81):117 ~ 121.
Raman K., Shahrur H.. Relationship-specific investments and earnings mana-gement: Evidence on corporate suppliers and customers[ J]. The Accounting Review,2008(4):1041 ~ 1081.
【基金项目】国家自然科学基金项目(项目编号:72072143);国家社会科学基金后期资助重点项目(项目编号:20FGLA005);中国注册会计师协会课题(项目编号:2022-G-2);研究闡释党的十九届四中全会精神国家社会科学基金重大项目(项目编号:20ZDA051)
【作者单位】1.西安交通大学管理学院, 西安710049;2.西安交通大学城市学院, 西安 710018。 李文婷为通讯作者