科技金融对股价崩盘风险的影响研究——基于公司内外部治理视角.pdf

财税金融保险第39卷第4期2023年8月吉 林工 商 学院 学 报JOURNAL OF JILIN BUSINESSAND TECHNOLOGY COLLEGEVol.39,No.4Aug.2023科技金融对股价崩盘风险的影响研究基于公司内外部治理视角任宗强1，陈康豪1，刘少云2，1（1.温州大学 商学院，浙江 温州 325035；2.浙江农商联合银行温州管理总部，浙江 温州 325011）摘要 科技金融作为有机结合科技创新与金融资本的体系，能有效提高市场韧性，进而推动资本市场高质量发展。以公司内外部治理视角为切入点，将其具象为融资与非融资渠道以研究科技金融对股价崩盘风险的影响与机制，以20092020年沪深A股上市公司为研究样本，通过熵值法构建科技金融指数并进行实证分析。研究发现：（1）科技金融会显著抑制股价崩盘风险，且其作用路径为融资与非融资渠道；（2）融资与非融资渠道两者起的中介效应不同：科技金融通过增强融资渠道的水平来抑制股价崩盘，科技金融通过抑制非融资渠道的水平从而抑制股价崩盘风险；（3）通过不同的分组回归发现，科技金融对股价崩盘的抑制效果在非国有企业、高丰富性企业及大企业中作用更为显著。研究有助于厘清科技金融与股价崩盘风险的关系及其作用路径，为推动资本市场发展，抑制股价崩盘风险有提供参考。关键词 科技金融；股价崩盘风险；融资渠道；非融资渠道中图分类号 F832.5文献标识码 A文章编号 1674-3288（2023）04-0083-09收稿日期 2023-06-29基金项目 国家社科基金项目“面向智能制造的传统企业创新能力提升机制与路径研究”（17BGL044）作者简介 任宗强（1975-），男，山东临沂人，管理学博士，温州大学商学院副教授、硕士研究生导师，研究方向为金融泡沫与科技创新；陈康豪（1999-），男，浙江温州人，温州大学商学院硕士研究生，研究方向为金融风险与金融创新；刘少云（1968-），男，浙江温州人，博士，浙江农商联合银行温州管理总部主任，温州大学商学院硕士研究生导师，研究方向为金融风险与战略管理。一、引言随着大数据、金融云、区块链等创新工具被广泛运用，科技金融焕发出前所未有的活力。2022年的政府工作报告指出“创新科技金融产品和服务，提升科技中介服务专业化水平”。科技金融亦能健全资本市场功能，“十四五”规划也明确提出“完善科技创新体制机制，鼓励科技金融产品的创新及发展”。然而，创新与风险具有一体两面的关系，即创新始终伴随着风险。因此，在“科技金融快速发展”并伴随着“股价崩盘现象频发”的时代背景下，如何抑制股价崩盘风险成为一个亟待解决的难题。大型股价崩盘在降低资源配置效率的同时会造成国家经济损失以及扰乱社会秩序，如2020年美国道琼斯指数四次熔断、2015年中国“千股跌停”、2017年辉山乳业临近午盘暴跌90%等，为资本市场敲响了警钟。因此，研究科技金融是否能够影响股价崩盘及其作用机制具有重要的现实意义。赵昌文等（2009）1提出了科技金融的定义：科技金融是促进科技创新和发展的一系列金融工具、金融制度、金融政策等构成的体系。房汉庭（2010）2基于金融创新角度，认为科技金融是科技创新和金融创新的结合。科技金融对企业创新效率、融资规模、经济增长等均具有促进作用，但鲜有文献研究科技金融对股价崩盘风险的影响。此外，科技金融对非融资渠道及金融体系的完善对融资渠道有较明显的影响，而股价崩盘风险亦会受到上市公司的内部控制和外部监督等因素影响，二者存在一定的内部关联，为研究科技金融与 83融资渠道及非融资渠道提供了切入点。基于上述研究背景，本文将科技金融与股价崩盘风险纳入同一研究框架下，利用沪深A股上市企业数据检验科技金融对股价崩盘风险的影响，探讨融资与非融资渠道的中介作用及机理。二、文献综述与研究假设（一）科技金融对股价崩盘风险的影响陈国进和张怡君（2009）3将股价崩盘定义为：在没有任何信息披露的情况下，市场指数或者个股价格突然暴跌的现象。股价崩盘表现出来的主要形式是在证券市场中，人们大量抛售股票所导致的股票及债券等证券产品价格无限度下跌。Jin和Myers（2006）4基于代理理论和信息不对称理论，阐述了股价崩盘风险问题的理论研究基础。根据已有文献研究，学者普遍认为信息不对称与委托代理成本是造成我国企业股价崩盘风险的主要因素。而科技金融其具备的特性能有效抑制股价崩盘风险。一方面，科技金融体系能充分地动员闲散资金，并通过缓解信息不对称问题使得企业成功融资。另一方面，吴非等（2021）5认为，科技金融能为企业内部信息的高效流转创造条件，加快信息处理和挖掘效率，塑造有效的内部治理环境，缓解企业普遍存在的代理问题。因此，二者存在一定的内部关联。由此提出假设1：H1：科技金融能抑制股价崩盘风险。（二）科技金融、融资渠道与股价崩盘风险一方面，科技金融对融资渠道具有正向影响。刘妍和吴海燕（2021）6基于A股上市公司为实证样本，得出科技金融能对融资效率有正向提升。王硕和张烨宁（2021）7通过对科技金融二元融资模式的研究，认为科技金融对企业的融资具有良好的保障作用。Zetzsche 等（2018）8发现科技金融能通过提供信贷支持的方式支持中小企业。张萌萌等（2020）9认为，科技金融产生的金融创新能够有效地提升企业融资渠道的多样性，目前影响较大的三种方式为投贷联动、风险投资和知识产权融资。邱晗等（2018）10从技术优势的角度出发，认为科技金融能够精准评估外部融资环境，从而在融资过程中降低信息不对称的干扰，减少企业的融资成本。另一方面，融资渠道能有效抑制股价崩盘风险。首先，当企业的融资渠道畅通时，企业的融资约束会减轻，企业因担心融资摩擦而隐藏负面消息的概率会降低，从而抑制股价崩盘风险。其次，若企业的融资约束上升，其很可能陷入流动性危机，加剧财务风险，使公司陷入财务困境。此外，Burkart和Ellingsen（2004）11认为，融资能有效抑制现金流引致的过度投资问题，防止因过度投资对公司带来的损害。由此提出假设2：H2：科技金融对融资渠道具有正向影响，且融资渠道起中介效应。（三）科技金融、非融资渠道与股价崩盘风险钱水土和张宇（2017）12提出非融资渠道的概念，认为非融资渠道主要指项目资金使用的管理效率及结构有效性。国内外文献主要从管理层激励、董事会、股东持股等方面进行研究。1.基于管理层激励视角方面，彭俞超等（2018）13证实，企业对短期利润的追求会导致其隐藏负面消息，这会导致股价崩盘现象的出现。Gillan等（2015）14与Jia等（2018）15认为，企业对高管的保护会降低董事高管的责任及勤勉程度。李鑫等（2021）16发现，管理层的股权激励与实体企业金融化呈显著负相关关系。2.从董事会角度来说，Alali等（2006）17认为董事长、总经理兼任现象的存在，会造成公司经营绩效被抑制的情况。Andreou等（2016）18研究发现，高管年龄与股价崩盘风险有显著关系。孙开焕和张永鑫（2018）19认为，完善的董事会制度可以提升公司的治理水平。顾海峰和卞雨晨（2020）20认为，董事会资本的提升会加强信息传递效应，有利于公司治理。3.基于股东持股的角度，Prommin等（2016）21的研究表明，过度的内部持股会显著削弱公司价值。杨兴全和尹兴强（2018）22将中国A股上市公司作为实证样本，研究表明，股权融合度与股权多样性对公司的现金持有水平有较明显的影响。熊凌云等（2020）23在研究中发现，公司对股东保护越好，其现金持有量越低，且这一负相关关系具有稳健性。科技金融对管理效率的提升有一定的正向影响。钱水土和张宇（2017）12研究表明，科技金融体系的完善能抑制信息不对称问题，并能有效提升非融资渠道的效率。一方面，科技金融能规范企业信息。企业在申请科技贷款之前，首先需要提升自身的财务信息完整度，这能有效优化企业信息。另一方面，科技金融能提升监管力度，能利用有效的评估和甄别机制来代替零散投资者对企业弱效的监管职责，提升资金使用及非融资渠道效率。由此提出假设3：84H3：科技金融对非融资渠道具有正向影响，且非融资渠道起中介效应。三、研究设计、数据样本及模型构建（一）样本选择与数据来源研究样本为20092020年沪深A股上市公司，并做如下筛选：剔除金融类企业、剔除ST、*ST类企业、剔除数值缺失的企业。使用数据来源于同花顺iFIND数据库、EPS数据库。经筛选整理后，最终得到16 349个观测值，并对连续变量采取上下1%的缩尾处理。（二）相关变量定义1.科技金融。选取以下指标作为科技金融变量。（1）科技金融产出：高技术产业利润/科技经费支出、技术市场成交额/科技经费支出、科技论文数/科技经费支出、专利授权量/科技经费支出、销售收入/主营业务收入。（2）科技金融经费：科技经费支出/GDP、研发经费支出/GDP、国家财政科技拨款/财政支出、研发机构政府部门资金/科技经费支出。（3）科技金融资源：科研活动人员、高技术企业数/总人口、研发机构数/总人口、股票市值/GDP。（4）科技金融融资：风险投资金额、风险投资机构数量、金融机构贷款/科技经费支出。由于该指标系统包含较多的指标数量，通过借鉴相关的方法，采用客观的熵值法对每一指标赋予一定的权重，并根据公式（1）所表达的线性加权的方式来测算科技金融指数。Ui=j=1pwijUij，j=1pwij=1（1）其中，Ui为系统i的综合发展得分，p为系统i中指标的个数，wij为系统i中第j项指标经熵值法测算后的权重。Uij为系统i中j项指标的值，经过计算得到的科技金融指数记为FinTech。2.股价崩盘风险。将NCSKEW（负收益偏态系数）和DUVOL（股票收益率上下波动比率）作为度量股价崩盘风险的指标。两个指标的具体计算过程如下：首先对股票周个股回报率和周市场回报率进行回归：Ri,t=i+1Rm,t-2+2Rm,t-1+3Rm,t+4Rm,t+1+5Rm,t+2+i,t（2）其中Ri,t表示股票i在第t周的收益率，Rm,t表示第t周经流通市值加权平均的市场收益率。其次，构建周特质收益率Wi,t：Wi,t=ln()1+i,t（3）在以上两者的基础上，构建NCSKEW和DUVOL：NCSKEWi,t=-n()n-132W3i,t/(n-1)(n-2)(W2i,t)3/2（4）DUVOLi,t=log(nu-1)downW2i,t/(nd-1)upW2i,t（5）其中，nu和nd分别代表股票i第t周持有收益率Wi,t大于和小于其年平均收益率的周数。3.融资渠道。选取以下指标作为融资渠道的变量。（1）内源融资：现金流比率（Cashflow）=货币资金/总资产，总资产周转率（ATO）=企业年初的销售收入/资产净额，应收账款占比（REC）=应收账款/营业收入；（2）外源融资：资产负债率（Debt）。采用熵值法对融资渠道各个变量进行赋权，经过计算得到的融资渠道指数记为FinChannel。4.非融资渠道。选取以下指标作为非融资渠道的变量。（1）所有权结构：第一大股东持股比率（Top1），股权制衡度（Balance1）=第一大股东持股比例/其余股东的持股比例；（2）董事会：独立董事比例（Indep）=独立董事/董事会成员；（3）管理层激励=管理层持股比例（Mshare），管理费用率（Mfee）=管理费用/主营业务收入。采用熵值法对非融资渠道各个变量进行赋权，经过计算得到的非融资渠道指数为NonFC。5.控制变量。（1）股票波动率（Sigma）：周股票持有收益的年标准差；（2）股票回报率（Ret）：周股票持有收益的年平均值；（3）月均超额换手率（Dturn）：周股票持有超额换手率的月平均值；（4）企业成长性（Growth）：上一年末主营业务收入增长率；（5）公司规模（Size）：上一年末总资产自然对数；（6）总资产净利润率（ROA）：85税后净利润/总资产；（7）资产负债率（Lev）；（8）账面市值比（BM）：企业账面价值/已售股票价值。本文还设置了行业虚拟变量（Ind）和年份虚拟变量（Year）。（三）模型构建根据温忠麟等（2004）24对中介效应的检验方法，采用逐步检验回归系数的方法，将检验分为三步：第一步，检验科技金融能否显著抑制股价崩盘风险：NCSKEWi,t=0+1FinTechi,t+2Controli,t+Year+Ind+i,t（6）第二步，检验科技金融能否显著影响融资与非融资渠道：FinChanneli,t=0+1FinTechi,t+2Controli,t+Year+Ind+i,t（7）NonFCi,t=0+1FinTechi,t+2Controli,t+Year+Ind+i,t（8）第三步，检验科技金融、融资与非融资渠道同时放入回归方程时对股价崩盘风险的影响：NCSKEWi,t=0+1FinTechi,t+2FinChanneli,t+3Controli,t+Year+Ind+i,t（9）NCSKEWi,t=0+1FinTechi,t+2NonFCi,t+3Controli,t+Year+Ind+i,t（10）四、实证结果与分析（一）描述性分析表1是各变量的描述性统计结果。从表中可以看出，NCSKEW与DUVOL的均值分别为-0.3782和-0.2535，与学者们的研究基本一致。其标准差分别为0.7364和0.4754，说明不同企业之间的股价崩盘风险存在较大的差异。FinTech的均值为0.4431，标准差为0.1290，说明每年的科技金融指数的波动幅度较小。融资渠道的均值为0.3665，标准差为0.3239，表明各个企业的融资渠道之间存在较大差异。非融资渠道的均值为0.2083，标准差为0.0692，说明各个企业的非融资渠道的差异较小。其他变量的数值与各学者研究结果保持基本一致，样本数据具有一定可信度。表1描述性统计结果变量NCSKEWDUVOLFinTechFinChannelNonFCSigmaRetDturnGrowthSizeROALevBM观测值16 34916 34916 34916 34916 34916 34916 34916 34916 34916 34916 34916 34916 349均值-0.3782-0.25350.44310.36650.20830.06120.0037-0.02000.151722.51410.03630.49231.2908标准差0.73640.47540.12900.32390.06920.04360.01300.34290.44011.34500.05880.19911.3308最小值-5.1099-2.78440.2475-0.47550.0607-0.0121-0.0425-2.3600-0.659719.4149-0.39820.02740.0514最大值4.50342.72840.74761.83140.56074.74751.08281.29094.330426.39780.24420.924610.1418（二）回归分析1.融资渠道的中介作用利用温忠麟和叶宝娟（2014）25提出的检验方法来检验融资渠道在科技金融与股价崩盘风险之间是否发挥了中介效应。86首先，以股价崩盘风险作为因变量，科技金融作为自变量进行回归分析，分析结果如表2第（1）列所示。科技金融对股价崩盘风险在1%的水平上显著为负，且其回归系数1为-0.1922。由此得出科技金融对股价崩盘风险的总效应为显著抑制。其次，将融资渠道作为因变量，科技金融作为自变量进行回归分析，分析结果如表2第（2）列所示。与此同时，构建股价崩盘风险为因变量，科技金融、融资渠道为自变量的模型并进行回归分析，分析结果如表2第（3）列所示。根据总结果可以得出，融资渠道对科技金融的回归系数1为0.0234，并且在5%的水平上显著为正，且股价崩盘风险对融资渠道的回归系数2为-0.1167，并且在1%的水平上显著为负。由此可以判断该模型的中介效应显著。最后，由于1在1%的水平上显著，说明融资渠道在科技金融对股价崩盘风险的作用中发挥了部分中介效应。因此，该研究结果证实了假设H2。表2融资渠道回归分析结果VARIABLESFinTechFinChannelSigmaRetDturnGrowthSize（1）NCSKEW-0.1922*（-3.34）-2.0145*（-6.03）-13.1868*（-16.53）0.0970*（4.75）0.0003（0.02）0.0203（1.49）（2）FinChannel0.0234*（1.93）-0.3349*（-4.90）-1.0538*（-6.41）0.0239*（5.56）0.0629*（22.04）-0.0544*（-19.11）（3）NCSKEW-0.1604*（-2.54）-0.1167*（-2.55）-1.9444*（-5.44）-13.8142*（-16.09）0.1063*（4.74）0.0066（0.44）0.0081（0.54）VARIABLESROALevBMConstantYearIndNR2（1）NCSKEW-0.0097（-0.07）0.0109（0.17）-0.0444*（-5.21）-0.5248*（-1.85）YesYes16 3490.0399（2）FinChannel0.7924*（26.63）-0.1053*（-7.57）-0.0022*（-1.27）1.6328*（27.32）YesYes16 3490.1753（3）NCSKEW0.0931（0.58）-0.0233（-0.32）-0.0412*（-4.64）-0.2157（-0.67）YesYes16 3490.0408注：*、*、*分别代表在1%、5%、10%的水平上显著，括号内为t值。下同。2.非融资渠道的中介作用将非融资渠道作为因变量，科技金融作为自变量进行回归分析，结果如表3第（2）列所示。与此同时，构建股价崩盘风险为因变量，科技金融、非融资渠道为自变量的模型并进行回归分析，结果如表3第（3）列所示。根据总结果可以得出，非融资渠道对科技金融的回归系数1为-0.0266，并且在1%的水平上显著为负，股价崩盘风险对非融资渠道的回归系数2为0.2347，并且在10%的水平上显著为正。由此可以判断该模型的中介效应显著。由于出现与假设矛盾的情况，即股价崩盘抑制非融资渠道，所以本文认为可能有以下几点原因：（1）由于选取的非融资渠道的变量借鉴了其他学者的研究，而其他学者研究的方向及作用机理与本文并不相同。因此，变量的选取会对结果产生较大影响。（2）科技金融对非融资渠道的促进可能存在区域或企业异质性，而本文是在全国范围内进行实证研究，可能与其他学者的研究结果有差异。87表3非融资渠道回归分析结果VARIABLESFinTechNonFCSigmaRetDturnGrowthSize（1）NCSKEW-0.1922*（-3.34）-2.0145*（-6.03）-13.1868*（-16.53）0.0970*（4.75）0.0003（0.02）0.0203（1.49）（2）NonFC-0.0266*（-8.09）0.1146*（6.05）0.2042*（4.50）-0.0071*（-6.17）-0.0027*（-3.38）-0.0050*（-6.42）（3）NCSKEW-0.2085*（-3.51）0.2347*（1.54）-2.0214*（-5.90）-13.0552*（-15.90）0.0933*（4.46）0.0003（0.02）0.0173（1.23）VARIABLESROALevBMConstantYearIndNR2（1）NCSKEW-0.0097（-0.07）0.0109（0.17）-0.0444*（-5.21）-0.5248*（-1.85）YesYes16 3490.0399（2）NonFC-0.0215*（-2.68）0.0049（1.31）0.0045*（9.26）0.3176*（19.59）YesYes16 3490.0262（3）NCSKEW0.0284（0.20）0.0213（0.32）-0.0427*（-4.85）-0.5088*（-1.71）YesYes16 3490.0398五、稳健性检验采取以下三种方式对科技金融抑制股价崩盘风险进行稳健性检验。（一）重新构建被解释变量上文对衡量股价崩盘风险的指标进行了解释，即NCSKEW（负收益偏态系数）与DUVOL（收益上下波动比率），因此本文通过将NCSKEW替换为DUVOL进行稳健性检验，结果见表4列（1）。在替换变量后，科技金融的系数在10%的水平上显著，且系数方向与基准回归一致，表明基准回归结果具有较强的稳健性。表4稳健性检验结果VARIABLESFinTechDigitalConstant（1）DUVOL-0.0497*（-1.34）-0.0871（-0.48）（2）NCSKEW-0.1091*（-2.24）-0.1991（-1.50）（3）NCSKEW-0.0205*（-2.31）-0.9301*（-2.45）VARIABLESYearIndNR2（1）DUVOLYesYes16 3490.0445（2）NCSKEWYesYes16 3490.0392（3）NCSKEWYesYes16 3490.0414（二）采用聚类标准误的方法使用以企业个体和年份为聚类变量的聚类稳健标准误，可以更好地捕捉组内相关性的特征，从而获得真实标准误的一致估计。结果见表4列（2）。科技金融的系数在5%的水平上显著，且系数方向与基准回归一致，通过了稳健性检验。88（三）更换解释变量及调整研究样本为了减轻可能因样本选择导致的回归结果偏误，将样本的时间长度调整为20112020年，并将科技金融指数替换为北大数字普惠金融指数/100，回归结果如表4列（3）所示。以上结果也表明本文的基准结果稳健。六、内生性检验上述基准回归结果表明，科技金融能通过融资渠道与非融资渠道来抑制股价崩盘。由于科技金融是地区层面的数据，而股价崩盘风险是企业层面的数据，单个企业的股价崩盘不太可能影响地区的科技金融发展水平，所以基本不会产生“反向因果”引起的内生性问题。但由于采用的是固定效应回归模型，可能存在内生性问题。借鉴黄群慧等（2019）26的研究，本文利用移动电话普及率作为科技金融的工具变量，分别采用2SLS回归和GMM回归进行估计。在进行回归分析之前，检验了工具变量的外生性和过度识别问题，二者均通过检验。在考虑了可能存在的内生性问题后，根据表5回归（1）与回归（2）的结果，科技金融与股价崩盘风险的系数方向与基准回归结果一致，且均通过了显著性检验。因此，本文结果通过了内生性检验。表5内生性检验结果FinTech_consControl（1）2SLS-0.2016*（-3.42）-0.1942（-1.57）Yes（2）GMM-0.2016*（-3.27）-0.1942（-1.54）YesYearIndNR2（1）2SLSYesYes16 3490.0397（2）GMMYesYes16 3490.0397七、异质性检验（一）企业产权异质性根据企业的不同产权，将样本内的企业分为国有企业与非国有企业。表6的第（1）和（2）列展示了检验结果。在国有企业分组的回归结果中，FinTech的系数为负，但未通过显著性检验。而在非国有企业的回归结果中，其系数为负且抑制程度大于国有企业，并通过了1%的显著性检验。这表明科技金融在非国有企业中对股价崩盘的抑制效果比国有企业好。可能的原因是：其一，由于国有企业的委托代理问题比较严重，信息质量相对较差，这导致管理者会选择暂时性隐藏公司坏消息，这容易产生股价崩盘现象；其二，由于国有企业的内部机制相较非国有企业较为固化，对科技金融的接受程度较低，这使得科技金融难以通过两条中介渠道来抑制国有企业的股价崩盘。（二）环境异质性由于公司的战略决策和对科技金融这类新兴事物的接纳受外部环境的影响，因此本文通过计算样本中企业的环境丰富性，将环境丰富性中位数作为区分样本容量的标准，将企业分为高丰富性与低丰富性企业。表6的第（3）和（4）列展示了检验结果。在高丰富性企业中，其回归系数为负，且在1%的水平上显著；而在低丰富性企业中，其系数为正，但未通过显著性检验。这表明当环境动态性程度较高时，公司为了适应环境的变化需要保持较高的动态能力，即时刻保持对新兴事物的敏锐程度。而科技金融的出现恰好满足企业的需要，即在高丰富性企业中，科技金融对股价崩盘的抑制作用更佳。（三）企业规模异质性由于企业规模的差异会影响组织架构及信息传递速度，进而影响科技金融对股价崩盘的抑制效果，因此本文根据企业规模的中位数为分界点将企业分为大企业组和中小企业组，其回归结果为表6的列（5）和列（6）。回归结果显示，大企业与中小企业均通过了显著性检验，但大企业的科技金融对股价崩盘的抑制效果比中小企业要好。这可能是因为大企业能够提供更多的可供抵押资产，信息不对称问题较少，这导致科技金融能更有效地通过融资渠道与非融资渠道对股价崩盘产生抑制作用。89表6异质性检验结果变量FinTech_consControlYearIndNR2（1）国有-0.0486（-0.63）0.2563（0.58）YesYesYes9 1140.0409（2）非国有-0.3930*（-4.34）-1.3330*（-3.33）YesYesYes7 2350.0409（3）高丰富性-0.2247*（-3.29）-0.4525（-1.28）YesYesYes9 4670.0510（4）低丰富性0.0025（0.02）-0.7057（-0.95）YesYesYes6 8820.0326（5）大企业-0.1837*（-2.02）-0.7103（-1.11）YesYesYes8 1690.0479（6）中小企业-0.1574*（-1.84）-1.1149*（-2.07）YesYesYes8 1800.0401八、结论与建议本文利用20092020年沪深A股上市公司数据，系统地考察了科技金融对股价崩盘风险的影响与机制。研究发现：第一，科技金融能显著抑制股价崩盘风险的产生，且该结果通过了稳健性检验。第二，从机制路径来看，科技金融会通过融资与非融资渠道的共同作用来降低股价崩盘风险，其中，融资渠道与股价崩盘呈显著负相关，非融资渠道与股价崩盘呈显著正相关。最终，科技金融会通过促进融资渠道及抑制非融资渠道的作用路径来抑制股价崩盘风险。第三，异质性分析结果表明，科技金融对股价崩盘的抑制效果在非国有企业、高丰富性企业及大企业中作用更为显著。基于上述结论，提出如下政策建议：第一，政府应积极支持和规范科技金融的发展，促进科技金融与实体经济的深度融合，改善企业的融资渠道与非融资渠道，激发企业的创新动力和竞争优势。一方面，加快推进科技金融技术标准和监管框架，支持金融科技企业创新发展。另一方面，加强科技金融风险防控能力建设，提高科技金融普惠性和可信度。此外，政府还需加大对中小企业引入科技金融的扶持力度，推动中小企业与互联网平台、银行等合作共赢，降低中小企业融资成本和门槛。第二，政府应根据不同所有制、不同规模、不同环境丰富度的企业特点，制定差异化的科技金融政策，以适应企业对融资渠道与非融资渠道的差异性需求，避免一刀切的做法，实现政策效果最大化。首先，应建立健全科技金融政策协调机制，统筹规划产业链上下游、区域内外、国内外市场等多方面因素。其次，根据不同企业特征和发展阶段，制定相应的税收优惠、财政补贴、信贷支持等政策措施。最后，鼓励地方政府出台符合本地实际情况的科技金融试点示范项目，并及时总结经验教训。第三，政府应加强金融科技人才培训，建立一套科学的金融科技人才能力评估体系，提高金融科技人才的专业素质和创新能力。首先，政府应鼓励优秀的金融科技人才来金融机构工作，同时加强对海外金融科技人才的引进。其次，建立金融科技人才交流平台，促进金融机构之间、金融机构与高校之间、金融机构与科研机构之间的交流与合作。此外，建立一套完善的激励机制，鼓励金融机构加大对金融科技人才的培养和引进力度。参考文献1 赵昌文，陈春发，唐英凯.科技金融M.北京：科学出版社，2009.2 房汉廷.关于科技金融理论、实践与政策的思考J.中国科技论坛，2010，（11）：5-10.3 陈国进，张贻君.异质信念、卖空限制与我国股市的暴跌现象研究J.金融研究，2009，（4）：80-90.4 Jin L.and Myers C S.R2Around the World：New Theory and New TestsJ.Journal of Financial Economics，2006，（2）：257-292.905 吴非，胡慧芷，林慧研，任晓怡.企业数字化转型与资本市场表现：来自股票流动性的经验证据J.管理世界，2021，（7）：130-144+10.6 刘妍，吴海燕.科技金融发展、产权性质与战略性新兴产业融资效率基于两阶段链式DEA模型J.科技和产业，2021，（9）：30-36.7 王硕，张烨宁.科技金融二元融资模式的国际比较及启示J.西南金融，2021，（1）：50-60.8 Zetzsche A D.，Buckley P R.，ARNER W D.，et al.From FinTech to TechFin：The Regulatory Challenges of Data-Driven FinanceJ.N.Y.U.Journal of Law&Business，2018，（6）：393-446.9 张萌萌，鲁若愚，李广野.金融创新对科创型企业融资的影响基于金融科技的视角J.税务与经济，2020，（1）：39-43.10 邱晗，黄益平，纪洋.金融科技对传统银行行为的影响基于互联网理财的视角J.金融研究，2018，（11）：17-29.11 Burkart M.，Ellingsen T.In-kind Finance：ATheory of Trade CreditJ.TheAmerican Economic Review，2004，（3）：569-590.12 钱水土，张宇.科技金融发展对企业研发投入的影响研究J.科学学研究，2017，（9）：1320-1325.13 彭俞超，倪骁然，沈吉.企业“脱实向虚”与金融市场稳定基于股价崩盘风险的视角J.经济研究，2018，（10）：50-66.14 Gillan S L.and Panasian C A.On Lawsuits，Corporate Governance，and Directors and Officers Liability InsuranceJ.Journalof Risk and Insurance，2015，（4）：793-822.15 Jia N.，Tang X S.Directors and Officers Liability Insurance，Independent Director Behavior，and Governance EffectJ.Journalof Risk and Insurance，2018，（4）：1013-1054.16 李鑫，佟岩，钟凯.管理层股权激励与实体企业金融化J.北京工商大学学报，2021，（4）：54-66.17 Alali F.，Anandarajan A.，Jiang W.The Effects of Corporate Governance on Firm s Credit Ratings：Further Evidence UsingGovernance Score in the United States J.Journal ofAccounting and Economics，2006，（1）：203-243.18Andreou C.P.，Louca C.，Petrou P.A.CEOAge and Stock Price Crash RiskJ.Social Science Electronic Publishing，2016，（3）：1287-1325.19 孙开焕，张永鑫.德国公司员工参与治理的监事会制度启示J.北方经贸，2018，（9）：126-133.20 顾海峰，卞雨晨.董事会资本、风险承担与企业创新投入J.西安交通大学学报，2020，（6）：13-21.21 Prommin P.，Jumreornvong S.，Jiraporn P.，et al.Liquidity，Ownership Concentration，Corporate Governance，and Firm Value：Evidence from ThailandJ.Global Finance Journal，2016，（2）：73-87.22 杨兴全，尹兴强.国企混改如何影响公司现金持有？J.管理世界，2018，（11）：93-107.23 熊凌云，蒋尧明，连立帅.控股股东杠杆增持与企业现金持有J.中国工业经济，2020，（8）：137-155.24 温忠麟，张雷，侯杰泰，刘红云.中介效应检验程序及其运用J.心理学报，2004，（5）：614-620.25 温忠麟，叶宝娟.中介效应分析：方法和模型发展J.心理科学进展，2014，（5）：731-745.26 黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验J.中国工业经济，2019，（8）：5-23.责任编辑：王少林（上接第82页）（二）改进建议建议将CAS31中现金流量表的第一部分“经营活动”改为“营业活动”，将其范围限定于筹资和投资活动以外的活动。以便厘清经营活动的范畴问题，这样才能与 基本准则 的“经营”二字的界定保持一致。九、结语总之，基本准则 和具体准则之间以及各具体准则之间应该在术语的用词上保持一致，各术语定义的内涵和外延的界定也应保持一致，在准则的语句表述上要避免出现赘述，保持逻辑严谨，切实维护会计准则体系的权威性与准确性。不断完善企业会计准则体系，推动企业会计准则体系高质量发展，提高企业会计信息质量，为构建新时代、新发展、经济高质量发展提供有力支撑。参考文献1 财政部.企业会计准则（合订本）M.北京：经济科学出版社，2019.2 邓永勤，李新蕊，冯晓晴.论其他综合收益重分类J.财会月刊，2017，（13）：15-19.责任编辑：王少林 91