How Does Social Media Influence Financial Fraud in Publicly Listed Companies?

How Does Social Media Influence Financial Fraud in Publicly Listed Companies?

Wei ZHANG, Yi LI

China Journal of Econometrics ›› 2024, Vol. 4 ›› Issue (4) : 899-923.

PDF(394 KB)

中国科学院数学与系统科学研究院期刊网

ISSN 2097-2326 (Online)　ISSN 2096-9732 (Print)　CN 10-1738/F

PDF(394 KB)

China Journal of Econometrics ›› 2024, Vol. 4 ›› Issue (4) : 899-923. DOI: 10.12012/CJoE2024-0176

How Does Social Media Influence Financial Fraud in Publicly Listed Companies?

Author information +

History +

Abstract

With the rise of social media, its impact on the financial transparency of publicly listed companies has received increasing attention. This study investigates how social media, particularly posting activity on East Money's stock message boards, affects the financial fraud behavior of listed companies. Utilizing data from East Money's stock message boards and a bivariate probit regression model, the study finds that the number of posts on the message boards is inversely related to the probability of fraud occurrence and positively related to the probability of fraud detection. This finding indicates that social media may play a dual role in both deterring financial fraud and uncovering it. To address endogeneity issues, the study employs an instrumental variable approach. Additionally, based on the "fraud triangle" theory, the paper proposes and validates two mechanisms through which message board posting activity reduces the likelihood of financial fraud: By decreasing potential opportunities for fraud and increasing the difficulty of rationalizing fraud. Heterogeneity analysis reveals that negative posts and posts by senior users are more effective in curbing financial fraud. This research not only enhances the understanding of how social media can function in corporate governance but also provides insights for regulatory authorities on leveraging social media for financial supervision.

Key words

social media / stock message boards / financial fraud / corporate governance

Cite this article

Download Citations

Wei ZHANG , Yi LI. How Does Social Media Influence Financial Fraud in Publicly Listed Companies?. China Journal of Econometrics, 2024, 4(4): 899-923 https://doi.org/10.12012/CJoE2024-0176

1 引言

公司治理是现代企业制度的重要组成部分. 好的公司治理不仅能够缓解公司的代理问题、保护中小投资者的合法权益、提高公司决策的科学性, 也能推动资本市场健康发展、进而促进整个经济社会的高质量发展.

我国资本市场经过三十余年的发展, 上市公司质量显著提高, 但上市公司治理不规范等问题仍然突出. 作为公司治理存在漏洞的典型表现(汪昌云和孙艳梅, 2010), 财务造假在一些上市公司中时有发生, 比如长期性、系统性财务造假案件康得新、乐视网等, 并购重组造假案件长园集团、宁波东力等. 类似的一些案件不仅会加重股价波动、伤害股东权益, 也会危及投资者对市场的信任、削弱资本市场的功能(Dyck et al., 2010; Schnatterly et al., 2018). 因此, 财务造假是我国资本市场高质量发展所面临的重大挑战, 也是社会各界普遍关注的问题.

完善上市公司治理制度、优化上市公司治理生态是提高上市公司质量、促进有中国特色的资本市场高质量发展的必然要求. 习近平总书记在2020年中央经济工作会议上指出, 要"促进资本市场健康发展, 提高上市公司质量", 也在《求是》杂志上发表的《扎实推动共同富裕》中强调, 要坚决打击财务造假等获取非法收入的行为. 2021年7月, 中共中央办公厅和国务院办公厅联合发布《关于依法从严打击证券违法活动的意见》, 要求"依法从严从快从重查处欺诈发行、虚假陈述、操纵市场、内幕交易、利用未公开信息交易以及编造、传播虚假信息等重大违法案件". 在这之后, 证监会进一步加大了对欺诈发行、财务造假等信息披露违法行为的打击力度, 在近三年间办理财务造假案件超200件, 并会同相关部门进一步构建综合惩防体系, 强化穿透式监管, 鼓励"吹哨人"举报, 压实投行审计等中介机构责任.

已有文献揭示出一系列影响到公司财务造假发生概率的因素, 比如经理人的股权激励(Hass et al., 2016)和人际关系网络(Khanna et al., 2015)、分析师跟踪(Shi et al., 2017)、社会规范(Parsons et al., 2018)、以及传统媒体报道(Miller, 2006). 随着信息技术的高速发展, 社交媒体也蓬勃兴起(Xu and Zhang, 2013; 郭峰等, 2023; 卢锐等, 2023), 它不仅成为投资者传播消息、交流思想的重要平台, 改变了资本市场的信息格局(Blankespoor et al., 2020), 也因此成为投资者参与公司治理的理想工具, 影响着上市公司的决策制定(Ang et al., 2021). 然而, 尽管一些诸如安然丑闻的例子¹暗示, 社交媒体在揭露财务造假方面扮演着一定的角色, 但是目前为止, 还鲜有实证研究直接证明这一点. 本文力图通过分析股吧数据来剖析社交媒体和上市公司财务造假之间的关联.

¹尽管安然丑闻是在2001年才曝光的, 但是早在1997年有人就在雅虎财经的股吧上质疑安然公司的企业文化和财务数据.

"造假三角(fraud triangle)"理论经常被用来理解造假为何发生(Cressey, 1953). 顾名思义, 造假三角理论将影响造假发生的因素分成三类: 第一类是压力(Pressure)因素, 即高管进行造假的必要性和紧迫性; 第二类是机会(Opportunity)因素, 即有利于造假发生且使造假不易被发现的条件; 最后一类是合理化(Rationalization)因素, 即帮助或阻碍造假被合理化的事物. 根据该理论的一个合理猜测, 社交媒体有可能通过减少潜在机会、增加合理化难度这两条路径来抑制造假的发生.

不同于传统媒体(如报纸、广播等)的单向信息传递(即用户只能作为信息的接收方), 社交媒体的用户不仅仅是内容的消费者, 也是内容的生产者(Xu and Zhang, 2013). 由于面临更少的监管要求和表达限制, 来自社会不同阶层、有着不同专业背景的用户汇聚在社交媒体平台上相对自由地表达他们对于公司经营情况、管理团队才能、企业文化塑造等的观点. 这种意见表达有助于公司特质信息更清晰地反应在股价之中, 优化公司所处的信息环境(Blankespoor et al., 2014; Ding et al., 2019; Feng and Johansson, 2019; 郑建东等, 2022). 考虑到公司透明度是决定公司监管质量的重要因素, 社交媒体或许可以帮助外部人更有效地对公司管理层进行监督, 进而减少其进行财务造假的机会(Ndofor et al., 2015). 依据Cressey (1953)的"造假三角"理论, 本文把上述可能的治理机制称作"潜在机会减少"路径.

此外, 根据犯罪经济学的相关理论, 预期的惩罚强度能在很大程度上影响高管进行财务造假的概率(Becker, 1968). 在公司财务造假被揭露后, 投资者会调整他们对公司过去表现的评估和未来发展的预期(Karpoff et al., 2008). 因此, 典型的造假后果是公司市值的巨幅下挫, 从而使得公司高管面临利益相关方的谴责. 如果说有限关注会导致反应不足(Peng and Xiong, 2006; Hirshleifer, 2009, 2011), 那么当投资者对某一事件给予足够多的关注的话, 市场应该会对这一事件做出充分(甚至过度)的反应. 而社交媒体上发布的内容(特别是股吧发帖)经常被用来作为投资者关注的代理变量. 因此, 在社交媒体上引起热烈讨论(即被高度关注)的公司若是进行财务造假, 可能面临更大的股价调整以及由此引发的各方"讨伐", 使得管理层合理化造假的可能性降低, 进而对财务造假"望而却步". 依据Cressey (1953)的"造假三角"理论, 这一机制被称作"合理化难度增加"路径.

为了探究上述假设是否正确, 本文利用了东方财富股吧的数据和中国上市公司的财务造假数据. 利用中国股票市场呈现出来的特点研究社交媒体和财务造假之间的关联具有典型的意义. 首先, 股吧在中国非常活跃. 这一方面是由于中国高速发展的信息技术和巨大的人口基数, 使得社交媒体在中国拥有广泛的受众群体(Huang et al., 2016); 另一方面也是因为个体投资者在中国股票市场上占有绝对的主导地位², 而这些投资者往往由于时间、金钱和能力等的限制, 在专业的信息收集中处于不利地位, 往往更依赖于社交媒体获取信息、表达观点(Ang et al., 2021)³. 其次, 按照Cumming et al. (2015)的说法, 财务造假记录在中国保存的非常完善, 这提供了良好的研究数据基础. 综合这两点, 可以认为, 使用中国数据能够增强关于这类问题的实证检验的效力. 另外, 由于中国上市企业面临着包括财务造假在内的严重的代理问题, 比如瑞幸咖啡等的造假丑闻举世哗然(张新民和陈德求, 2020), 研究财务造假的影响因素对于完善中国企业的治理机制、推动中国企业健康发展也有着更现实的意义.

²根据2020年3月投保基金公司发布的《2019年度全国股票市场投资者状况调查报告》, 截至2019年底, 股票投资者数量达15975.24万, 其中个人投资者占比高达99.76%.

³根据中证中小投资者服务中心在2018年发布的报告, 中小投资者主要的信息渠道为财经类网站或APP, 这一占比为58%, 远远高于传统媒体, 比如各类财经报纸、杂志、电视、广播等. 而在财经类网站中, 东方财富网最受投资者青睐, 超过80%的投资者都将其列为首要的信息获取渠道. 详情请见: https://www.investor.org.cn/investor_interaction/questionnaire/tzzbg/201905/t20190509_365638.shtml.

研究财务造假问题的一大障碍是部分可观测性问题, 即观察到财务造假的样本是那些进行了财务造假并被发现了的, 而没有观察到财务造假的样本可能也进行了财务造假. 为了应对这一问题对于结果的干扰, 本文利用了双变量probit回归模型, 并发现公司股吧上的帖子数量与其发生财务造假的可能性负相关、与其财务造假被发现的可能性正相关. 为了解决内生性问题, 本文选取了广告费用作为工具变量, 采用两阶段最小二乘(2SLS)法的计算结果表明, 股吧帖子和财务造假发生概率之间存在因果关系. 更进一步的分析证明, 社交媒体和传统媒体在抑制财务造假上具有替代作用, 而且"潜在机会减少路径"和"合理化难度增加路径"都可以解释股吧帖子对于财务造假的抑制作用. 另外, 本文对帖子进行了语音语调和发帖用户等级的分类, 发现股吧帖子对财务造假的约束效应在负面帖子和高用户等级的帖子中表现得更为明显. 稳健性检验发现本文的结论不仅适用于财务造假, 还适用于其他类型的造假, 也不依赖于自变量的计算方法和帖子的筛选依据.

本文对于已有文献的贡献主要体现在两个方面. 首先, 本文扩展了对上市公司财务造假影响因素的理解. 如前面所述, 大量研究(Miller, 2006; Dyck et al., 2010; Wang et al., 2010; Biggerstaff et al., 2015; Shi et al., 2017; Parsons et al., 2018; Mayberry et al., 2024)指出了影响财务造假发生以及被发现的因素, 其中内部治理因素包括高管的股权激励、董事会的结构、CEO和其他高管之间的关联等; 外部治理因素包括分析师、审计师、监管者, 甚至文化、社会规范、投资者信念以及传统媒体等. 本文将财务造假的发生以及被发现的概率和社交媒体信息(以股吧发帖为测度)联系在一起, 指出了另外一种阻止公司财务造假的治理力量.

其次, 本文也扩充了最近兴起的关于社交媒体如何影响金融市场的研究. 截止目前, 这类研究的主要关注点还是集中在社交媒体上发布的内容是否具有信息含量、是否能够促进上市公司特质信息的传播. 另有少量的研究聚焦于社交媒体是否可以在公司治理领域扮演一定的角色. 比如Xu and Zhang (2013)发现用户在维基百科上发布的内容可以抑制公司高管延迟披露坏消息的行为; Ang et al. (2021)发现股吧上的批评声可以预测未来公司撤回并购的决定; 孙鲲鹏等(2020)发现互联网信息环境整治之后, 股吧帖子可以削弱管理层的盈余操纵. 本文关注了上市公司的财务造假行为, 发现股吧发帖活动可以起到促进公司财务造假被发现、抑制公司财务造假发生的作用.

文章之后部分将遵循如下结构: 第二部分总结了相关领域的文献并进行了假设推演, 第三部分介绍了样本来源和实证方法, 第四部分展示了研究的主要结果, 第五部分是对全文的总结和讨论.

2 文献综述与理论假说

2.1 社交媒体和公司造假

作为一个全球性的问题, 财务造假会伤害上市公司、投资者、监管者以及其他市场参与者之间的信任, 并且会阻碍资本市场进行资源合理配置的核心任务履行. 鉴于其严重的不良后果, 导致财务造假的原因一直是管理领域和经济学领域的学者们热衷探讨的话题(Zahra et al., 2005; Schnatterly et al., 2018). 很多学者指出财务造假的发生源自于公司治理体系上存在的漏洞, 特别是对于新兴市场, 这一点尤其明显(Cumming et al., 2015). 中国上市公司的一大特点在于股权高度集中, 在某种程度上加剧了公司的代理问题(如Jiang and Kim, 2020). 比如, 控股股东可能存在干涉公司董事会选举的情况, 使得真正意义上的独立董事难以获得任用机会, 不能完全地有效阻止内部人对小股东权益的侵吞(Chen et al., 2013). 从外部治理的角度看, 中国的公司治理法律体系尚不足够健全(Yiu et al., 2019), 对于一些不法行为的处罚力度较弱且监管覆盖面较小(陈运森等, 2021), 比如在旧版《证券法》对重大财务造假的顶格处罚仅为60万元人民币. 此外, 机构投资者比例过低也深刻影响到了其公司治理作用的发挥(Jiang and Kim, 2020). 尽管国家已经充分认识到市场"散户化"的诸多弊端并且已经在大力改变这一局面, 但是要取得显著成效还尚待时日. 相关信息中介能够发挥的外部监管作用也比较有限. 比如, 由于受到较多的限制, 传统媒体报道存在一定的乐观偏差(Wang et al., 2019). 再比如, 分析师出于职业发展等方面的考虑, 给出的预测或者推荐意见也过于乐观(Jiang and Kim, 2020).

而社交媒体的崛起可能为应对公司财务造假问题提供新的解决手段. 社交媒体易于使用、覆盖面广, 在个体投资者中广为流行(Antweiler and Frank, 2004; 张维等, 2022). 一方面, 社交媒体为投资者提供了自由表达见解、发泄情绪的平台, 尽管这形成了社交媒体的信息噪音, 但是由于社交媒体用户在能力素养、职业背景上的差异化和多样性, 社交媒体上的讨论可以起到汇聚群体智慧的效果(Ang et al., 2021); 另一方面, 社交媒体也方便了个体投资者的信息获取和信息整合, 改善了其在信息采集中的不利地位. 综上, 小投资者可以借助社交媒体参与到监督企业运用的过程中来, 形成一股公司治理新的外部力量.

以安然丑闻为例. 曾经的安然公司头戴炫目的金色光环, 然而就是这样一家巨头, 曾在1997年至2000年连续进行财务造假, 在会计报表中虚增利润高达6亿多美元(徐黄凯, 2011). 尽管安然丑闻是在2001年10月份才被公之于众的, 但是早在1997年, 就有吹哨人开始在雅虎金融论坛上发布内容质疑安然公司的企业文化和财务数据, 并警告投资者及时卖出安然公司的股票. 无独有偶, 震惊中国资本市场的康美药业造假案是另一个新近的此类案例. 在2019年4月底, 曾被誉为民族医药健康行业的旗帜的康美药业被爆其2017年财报虚增货币资金299亿; 但其实早在2018年证监会立案前, 东方财富股吧上就曾有若干网友质疑过康美财报的信息准确性. 随后证监会的调查结果显示康美药业在2016、2017的年报中分别虚增货币资金225.8、299.4亿元, 在2018年半年报中虚增货币资金竟高达361.9亿元, 成为中国A股史上最大规模的财务造假案⁴.

⁴详情请见报道: https://finance.sina.com.cn/chanjing/gsnews/2020-05-27/doc-iircuyvi5209701.shtml以及http://paper.people.com.cn/jksb/html/2020-06/09/content_1992931.htm.

由此, 鉴于股吧是一个活跃在投资者之间的重要社交媒体平台, 其上汇聚了大量背景不同、资质不同的投资者的即时观点, 股吧帖子可能会抑制财务造假的发生、帮助财务造假的发现.

假设1 一个公司的股吧上发布帖子数目越多, 该上市公司财务造假发生的概率越低、财务造假被发现的概率越高.

2.2 路径假说

正如前文提到的那样, 一个在造假研究领域广受认可的、被用来分析影响造假影响因素的模型是造假三角理论(如Cressey, 1953; Li et al., 2023). 根据这个理论, 导致管理层进行财务造假的因素可以归结成三类: 压力、机会和合理性. 压力因素指的是增加管理层进行财务造假迫切程度的因素, 比如说高管薪酬的结构(Burns and Kedia, 2006; Harris and Bromiley, 2007)、行业的竞争程度(Bennett et al., 2013)、股东的过高预期(Mishina et al., 2010)等, 都会对管理层构成压力, 驱使他们主导或参与财务造假. 机会因素指的是为管理层提供便利进行财务造假的因素. 以往研究指出, 来自内部和外部的力量都会为管理层的造假提供机会. 具体来说, 当公司的业务结构较为复杂(Ndofor et al., 2015)、内部和外部控制较为混乱的时候(Miller, 2006), 公司管理层更易于进行财务造假. 合理性因素可以理解为能够帮助管理层将财务造假这一违规行为合理化的因素. 一方面, 公司管理层的态度、性格、思考方式会影响管理层能否对其错误行为做出正当解释(Schnatterly et al., 2018), 比如当公司的风险趋向性更强的时候, 比较容易出现腐败现象(Karmann et al., 2016). 另一方面, 一些外部人士也可以帮助管理层将造假行为解释为合理的(Trompeter et al., 2013), 比如如果公司所在的行业中出现了很多造假案例, 公司高管也更倾向于"心安理得"地进行财务造假(Schnatterly et al., 2018). 考虑到造假三角理论与现实较为贴合且被诸多文献使用, 本文就借助这一理论来推演社交媒体对上市公司财务造假的影响路径.

公司透明度是决定公司管理层有多少机会进行财务造假的重要因素. 一般来说, 公司透明度是通过股票价格中的信息含量来加以衡量(Ding et al., 2019; Feng and Johansson, 2019). 通常情况下, 当公司处在一个不透明的信息环境中时, 外部人很难对公司高管实施有效的监管(Wang et al., 2010). 由于造假被抓和被罚的可能性很低, 公司高管将更倾向于实施财务造假. 第一个机制可以被叫做潜在机会减少路径, 它深植于和社交媒体信息价值相关的文献中. 尽管社交媒体上单个信源存在很多不包含任何实质性信息的噪音(Antweiler and Frank, 2004), 但是由于社交媒体上众多信源之间的多样性、异质性, 学者们还是普遍认同社交媒体在向市场传播公司特质信息中所发挥的作用(Blankespoor et al., 2014; Ding et al., 2019; Feng and Johansson, 2019). 根据他们的解释, 由于投资者可以在社交媒体平台上容易地表达自己的观点或者阅读其他人的意见, 部分投资者可以通过参与线上沟通变成知情交易者, 进而可以利用从社交媒体上获取的信息, 并与非知情交易者进行交易, 导致市场价格融入了更多的公司特质信息.

事实上很多研究已经证明, 社交媒体可以汇聚群众的智慧——在社交媒体上集合成的内容包含很多有价值的信息, 可以预测股价的未来走势(Chen et al., 2014; Huang, 2018; Green et al., 2019; 卢珊等, 2023). 不仅如此, Xu and Zhang (2013)更证明了, 集结在社交媒体平台上的信息可以约束管理层的信息披露行为. 他们通过分析维基百科的数据发现, 用户对于公司词条的修改可以调节管理层选择自愿披露坏盈余消息的时间, 因此降低管理层和投资者之间的信息不对称性. 由此, 本文推测, 若保持其他条件不变, 则一个公司股吧上的帖子越多, 该上市公司的股票价格中就会含有更多的公司特质信息, 即公司享有更高的透明度, 那么高管就更有可能被置于更严格的外部监管之下, 进而只有更少的机会进行财务造假. 为此, 本文有如下假设:

假设2 (潜在机会减少路径): 股吧上的帖子数量和股票价格中的公司特质信息含量具有正向关联, 因此会降低财务造假的机会.

此外, 一些针对财务不端行为的研究, 如Khanna et al. (2015), 通常会假定公司管理层在实施不端行为带来的预期收益大于付出的预期成本时才会选择进行该行为. 一方面, 财务造假一旦被揭露, 会给参与或主导财务造假的公司高管以及涉及财务造假的公司带来非常负面的影响. 一个比较常见的后果是在财务造假被揭露时股价会大幅下挫(Karpoff et al., 2008). 这是因为财务造假会向投资者传递一个负面信号, 让投资者改变他们对公司过去表现和未来发展的看法, 甚至会让投资者产生对公司诚实度的质疑. 因为公司管理层往往会受到股权激励或者本身就是公司股东, 所以股价下跌往往造成个人财富的缩水, 降低自身对财务造假做出正当解释的可能性. 同时, 管理层在股价下跌之后也容易遭到公司利益相关方的谴责, 降低其他人士帮助管理层合理化财务造假的可能性. 另一方面, 学术研究表明, 社交媒体上发布的内容(特别是股吧帖子)可以作为投资者关注度的代理变量(Hong et al., 2014; Huang et al., 2016), 经常被投资者在社交媒体上讨论的公司拥有更多的投资者关注; 而市场对某一事件的反应强度随着投资者对这一事件的关注度的提高而提高(Hirshleifer et al., 2009; Hirshleifer et al., 2011). 因此, 当财务造假败露之后, 这些被社交媒体讨论的比较多的公司之股价将会经历更大程度的下跌.

由此, 本文提出了第二个机制——合理化难度增加路径, 即股吧发帖可以通过提高公司管理层造财务假的成本来抑制其财务造假行为. 故有以下假设:

假设3 (合理化难度增加路径): 股吧发帖数目和造假被披露时的市场反应具有正向关联, 因此可以提高财务造假的预期成本.

2.3 异质性假设

财务造假和社交媒体帖子之间的关系可能也会随着帖子特点的不同而不同. 从传播学的角度, 一段文本对其受众的影响取决于其预期语调以及文本作者的号召力. 因此, 本文着重考虑了股吧发帖的两个特点——语气语调和用户等级以及他们是如何影响帖子对财务造假的抑制作用的.

文本内容的语气语调通常包含很重要的信息, 这些所谓的定性信息可以对定量信息进行补充(Tetlock et al., 2008; 姚加权等, 2021). 随着文本分析技术的快速发展, 很多信管、会计、金融等领域的学者开始从公司公告、媒体报道、线上点评中提取情感信息, 并用这些信息去预测公司的盈余表现、产品的销售成绩等. 比如Huang et al. (2014)发现, 管理层在盈余信息披露的时候会利用语气管理误导投资者, 具体来说, 当管理层用过于乐观的语调去描述业绩表现的时候, 往往预示着之后公司的利润率和现金流的下降, 引起市场短期内的正向反应和长期上的负面反应; 郝媛媛等(2010)发现在线影评中积极的情感倾向和较高的正负情感混杂度可以增强评论的有用性. 社交媒体上的帖子的语调可能是正面的, 也可能是负面的. 一般来说, 负面语气的帖子可能会传递更多的负面信息, 而正面语气更强于粉饰太平. 所以, 本文推断, 负面帖子更容易给财务信息披露违规以警示作用.

假设4 股吧帖子和财务造假之间的关系在负面语调的帖子中表现得更加明显.

根据以往的研究, 用户的身份会影响其产出内容的信息含量和读者观感(Zhou and Duan, 2016; Kim et al., 2019). 因此, 社交媒体对财务造假的抑制作用也可能会依赖于发帖用户的等级(发帖用户的专业程度). 通常情况下, 由高级用户或者专家用户发布的消息会包含更有价值的信息、更加权威的论断, 也更能深刻地影响到读者们(Zhou and Duan, 2016; Green et al., 2019). 比如, Green et al. (2019)对Glassdoor网站⁵上的数据进行了分析, 发现更具经验的前雇员对雇主的评分比现雇员对雇主的评分更能预测未来的股票价格变化; Zhou and Duan (2016)分析了CNET网站⁶上专家用户和普通用户的评论数据后, 发现专家级用户给出的评分能够刺激更多的软件下载量, 也会引发更多的后续评论. 因此, 本文的一个合理的猜测是: 来自高级用户的帖子能够在抑制财务造假中发挥更大的作用, 因为这些用户可能拥有更多的信息和更强的影响力.

⁵Glassdoor是美国的一家做企业点评与职位搜索的职场社区.

⁶CNET是美国一个免费电脑软件下载网站.

假设5 股吧帖子和财务造假之间的关系在由高级用户发出的帖子上表现得更加明显.

3 数据来源和实证模型

3.1 样本选择

本文的研究样本覆盖了2010–2018年. 财务造假被惩处的数据、以及上市公司的财务数据均来自国泰安数据库; 股吧的数据是直接从中国规模最大且影响力最强的股吧平台——东方财富股吧的网站上爬取得到的(guba.eastmoney.com). 由于有过财务造假经历的上市公司仅占整个上市公司的很小一部分, 本文参照Yiu et al. (2019)的方法, 在匹配样本中进行了回归分析. 具体来说, 就是对于每一个财务造假样本, 本文都找到了与之在市值、行业和时间段上最相匹配的一个非造假样本与之对应. 经历这样一个匹配过程之后, 样本中一共有501对公司.

财务造假样本在年度上和行业上的分布如表 1所示. 可以看到上市公司财务造假的发生随着年份和行业的不同而有所差别. 比如, 在最初的年份, 进行财务造假的公司数目相对较少, 但是随着时间的延长逐渐增多. 此外, 不同于在美国市场中的发现, 在中国超过50%的财务造假都发生在生产制造业中, 而在美国财务造假案件更多出现在高科技产业中(Wang et al., 2010).

表1 样本分布

	2010	2011	2012	2013	2014	2015	2016	2017	2018	合计
制造业	3	15	29	38	30	42	37	30	28	252
交通运输、仓储和邮政业	0	6	13	9	7	12	15	13	11	86
住宿和餐饮业	0	3	0	7	7	11	2	4	2	36
房地产业	0	1	2	4	7	2	3	1	4	24
金融业	2	3	3	1	4	4	1	1	0	19
建筑业	0	2	0	1	1	1	3	6	5	19
电力	1	2	3	2	2	2	4	1	1	18
采矿业	2	2	1	2	1	3	3	0	2	16
农、林、牧、渔业	0	1	2	1	2	1	3	1	0	11
批发和零售业	0	1	1	2	2	2	0	0	1	9
信息传输、软件和信息技术服务业	0	1	0	0	1	0	2	1	1	6
科学研究和技术服务业	2	0	0	1	0	0	0	0	1	4
租赁和商务服务业	0	0	1	0	0	0	0	0	0	1
合计	10	37	55	68	64	80	73	58	56	501

3.2 双变量probit回归

正确评估社交媒体对于财务造假所面临的一个挑战是部分可观测性. 换言之, 我们只能观察到被揭露的财务造假样本, 而还有一些样本可能进行了财务造假但是没有被揭发, 所以被错误地记为非财务造假样本. 这就对社交媒体作用的识别造成了很大的困难. 为了应对这一问题, 本文采用了双变量probit回归模型(Wang et al., 2010, 2013). 具体来说, 这个模型将识别财务造假分成了两个阶段: 造假发生阶段和造假检测阶段. 对于公司i而言, 造假被发现可以用两个潜变量的联合实现来加以表示. 假设财务造假发生的概率是

F_{i}^{*}

, 财务造假被发现的概率是

D_{i}^{*}

, 这两个概率可以用如下方程表示:

F_{i}^{*} = X_{F, i} β + μ_{i},

(1)

D_{i}^{*} = X_{D, i} γ + v_{i},

(2)

其中

X_{F, i}

是影响上市公司财务造假发生的因素的向量,

X_{D, i}

是影响上市公司财务造假被发现的因素的向量. 变量

μ_{i}

和

ν_{i}

是两个均值为零并遵循二项分布的扰动项, 二者之间的相关系数记做

ρ

. 当

F_{i}^{*} > 0

时,

F_{i} = 1

, 否则

F_{i} = 0

. 相应地, 当

D_{i}^{*} > 0

时,

D_{i} = 1

, 否则

D_{i} = 0

.

O_{i}

作为

F_{i}

和

D_{i}

的乘积, 可以被直接观察到. 如果公司

i

进行过财务造假并且被发现了, 那么

O_{i} = 1

; 而当公司

i

没进行过财务造假或者进行过财务造假但是没有被发现, 那么

O_{i} = 0

. 用

Φ

来代表二元标准正态累积分布函数, 由此, 对应

O_{i}

的模型为:

P (O_{i} = 1) = P (F_{i} D_{i} = 1) = Φ (X_{F, i} β, X_{D, i} γ, ρ),

(3)

P (O_{i} = 0) = P (F_{i} D_{i} = 0) = 1 - Φ (X_{F, i} β, X_{D, i} γ, ρ) .

(4)

那么对于上述模型的对数似然函数为:

\begin{aligned} L (β, γ, ρ) & = \sum_{O_{i} = 1} \log [P (O_{i} = 1)] + \sum_{O_{i} = 0} \log [P (O_{i} = 0)] \\ = \sum_{i = 1}^{N} {O_{i} \log [Φ (X_{F, i} β, X_{D, i} γ, ρ)] + \\ (1 - O_{i}) \log [1 - Φ (X_{F, i} β, X_{D, i} γ, ρ)]} . \end{aligned}

(5)

仿照Khanna et al. (2015)和Yiu et al. (2019), 本文利用一个虚拟变量来表示财务造假案例. 本文最核心的自变量是年度公司股吧帖子数目, 为了防止极端值对其的影响, 本文对数量取了自然对数(POST). 然后和文献Yiu et al. (2019)一致, 本文也在造假发生这一等式中引入了一系列控制变量: CEO是否兼任董事长(CEO)、高管持股占比(OWN)、独立董事占比(INDEPEN)、是否是国有企业(STATE)、是否有海外的审计公司(FAUD)、是否存在海外上市的情况(FLIST)、分析师跟踪(ANALYST)、公司市值(SIZE)、公司年龄(AGE)、资产收益率(ROA)、托宾

Q

(TOBINQ)、销售增长率(GROWTH)和债务权益比(DERATIO).

对于造假检测等式, 本文首先控制了以上介绍的全部变量, 但排除了INDEPEN、TOBINQ、GROWTH和DERATIO这四个. 这是因为之前的研究发现, 在发展中国家, 独立董事在揭发财务造假中所发挥的作用很小, 而且目前也没有证据显示托宾

Q

、销售增长率和债务权益比能够助力于财务造假检测(Yiu et al., 2019). 此外, 考虑到影响财务造假被发现的因素不一定都会刺激个体参与到财务造假中来, 本文还在造假检测等式中加入了一些其他的变量(Khanna et al., 2015): 研发费用(R & D)、行业诉讼(LITIG)、股票异常收益波动(ABVOLAT)、股票异常换手率(ABTURN)和CEO更换率(CEOTURN). 本文的附录部分有对这些变量的详细介绍, 在此不再赘述. 由于造假发生和被发现的概率可能因年度和行业的不同而不同, 故行业和年度固定效应也被包含在了造假发生和造假检测两个等式中. 仿照Wang (2013)和Khanna et al. (2015)等的做法, 本文将造假发生等式中的自变量和同时出现在造假发生等式和财务造假检测等式中的自变量限定在财务造假事件发生的前一年度量, 而对于只在造假检测等式中出现的变量, 本文选择在财务造假发生之后的一年度量.

3.3 描述性统计

表 2给出了基准双变量probit回归模型中出现了自变量的描述性统计. 前7列展示了整个样本的统计量的情况, 而其余列展示了财务造假样本和非财务造假样本的均值以及他们之间的差值. 在财务造假样本中, POST的均值是8.559, 而在非财务造假样本中, POST的均值是8.624. 也就是说, 平均而言, 涉嫌造假的公司比其他公司在股吧上有着更少的帖子. 另一个值得关注的现象是, 对于绝大多数的数量而言, 涉嫌财务造假的样本和非造假样本的差异都不大. 一个可能的解释是本文所选择的匹配方法比较合适, 屏蔽掉了造假和非造假样本在其他方面的差别. 例外是ROA和TOBINQ. 可以看到, 非财务造假公司有着更高的资产收益率和托宾

Q

值, 这和普遍存在的观点, 即公司在赢利表现不尽如人意时更有动机去财务造假是一致的. 同时, 非财务造假公司比财务造假公司有着更多的分析师报告, 这一现象也肯定了分析师可以作为有效的外部监管机制.

表2 主要变量描述性统计

	均值	标准差	5%分位数	中值	95%分位数	造假样本	非造假样本	差别	$t$ 值
POST	8.592	0.922	7.308	8.602	9.984	8.559	8.624	$-$ 0.065	$-$ 1.074
CEO	0.286	0.452	0.000	0.000	1.000	0.279	0.293	$-$ 0.014	$-$ 0.429
OWN	0.068	0.141	0.000	0.000	0.428	0.064	0.072	$-$ 0.008	$-$ 1.263
INDEPEN	0.375	0.060	0.333	0.364	0.500	0.375	0.376	$-$ 0.001	$-$ 0.487
STATE	0.132	0.338	0.000	0.000	1.000	0.124	0.140	$-$ 0.016	$-$ 0.796
FAUD	0.014	0.117	0.000	0.000	0.000	0.016	0.012	0.004	0.680
FLIST	0.013	0.113	0.000	0.000	0.000	0.016	0.010	0.006	1.403
ANALYST	1.424	1.209	0.000	1.386	3.434	1.334	1.514	$-$ 0.180	$-$ 2.988
SIZE	22.307	0.880	20.967	22.265	23.941	22.290	22.324	$-$ 0.034	$-$ 0.830
AGE	2.282	0.714	1.099	2.398	3.178	2.286	2.277	0.009	0.947
ROA	$-$ 0.010	0.632	$-$ 0.118	0.027	0.115	$-$ 0.030	0.011	$-$ 0.041	$-$ 1.878
TOBINQ	2.366	3.866	0.000	1.634	5.799	2.223	2.509	$-$ 0.286	$-$ 1.999
GROWTH	0.345	2.592	$-$ 0.368	0.079	0.939	0.341	0.348	$-$ 0.006	$-$ 0.037
DERATIO	1.763	8.021	0.100	0.788	5.168	1.535	1.991	$-$ 0.456	$-$ 1.527
R&D	0.032	0.046	0.000	0.023	0.108	0.031	0.033	$-$ 0.002	$-$ 0.919
LITIG	28.758	1.864	25.130	28.969	30.912	28.772	28.744	0.028	0.114
ABVOLAT	0.070	0.034	0.036	0.060	0.139	0.070	0.070	0.000	$-$ 0.222
ABTURN	$-$ 0.110	0.550	$-$ 0.951	$-$ 0.055	0.571	$-$ 0.110	$-$ 0.110	0.000	0.009
CEOTURN	0.257	0.437	0.000	0.000	1.000	0.263	0.251	0.012	0.430

4 实证结果

4.1 基准检验

表 3报告了双变量probit回归的结果. 表头中的"造假"代表着财务造假发生的可能性, 展示了造假发现等式的回归结果, 而"检测|造假"代表着财务造假发生且被发现的可能性, 展示了造假检测等式的回归结果. POST的系数在第一列中显著为负(

t

值为

-

4.107), 指向了股吧帖子数目和财务造假发生可能性之间的负向关系. 而在第二列中, POST系数为正,

t

值为3.677, 暗示着股吧帖子和财务造假被发现的概率呈正相关关系.

表3 回归结果

	造假	检测\|造假			造假	检测\|造假
POST	$-$ 0.250***	0.399***		TOBINQ	$-$ 0.019*
	( $-$ 4.107)	(3.677)			( $-$ 1.922)
CEO	0.020	$-$ 0.143		GROWTH	0.029
	(0.200)	( $-$ 1.169)			(0.634)
OWN	$-$ 0.402	$-$ 0.199		DERATIO	$-$ 0.008
	( $-$ 1.171)	( $-$ 0.527)			( $-$ 1.351)
INDEPEN	0.764			R&D		$-$ 0.218
	(1.570)					( $-$ 0.307)
STATE	0.307*	$-$ 0.712***		LITIG		$-$ 1.868**
	(1.813)	( $-$ 3.766)				( $-$ 2.476)
FAUD	0.177	$-$ 0.162		ABVOLAT		1.147*
	(0.491)	( $-$ 0.423)				(1.915)
FLIST	0.548	0.053		ABTURN		0.186*
	(1.329)	(0.131)				(1.943)
ANALYST	$-$ 0.188***	0.184***		CEOTURN		0.606***
	( $-$ 4.773)	(3.097)				(3.993)
SIZE	$-$ 0.012	0.254		截距项	2.033	3.676
	( $-$ 0.211)	(0.155)			(1.458)	(0.726)
AGE	0.080	$-$ 0.438***		年份固定效应	Yes	Yes
	(0.778)	( $-$ 3.010)		行业固定效应	Yes	Yes
ROA	$-$ 0.484*	0.030		Log likelihood	$-$ 661.443	$-$ 661.443
	( $-$ 1.909)	(0.333)		$P r o b > C h i 2$	$< 0.001$	$< 0.001$

注: *、**、***分别表示10%、5%和1%的显著性水平.下表同.

除了上述发现之外, 表 3中的其他现象也很有意思. 比如, 在"造假"列中, ANALYST、ROA和TOBINQ的系数都显著为负. 也就是说, 有更多分析师报告和更好经营业绩的公司更不可能进行财务造假, 这和之前文献(如Khanna et al., 2015)的研究结果是一致的.

从"检测|造假"列的回归结果可以看出, 相较于财务造假发生, 有更多的因素能够影响财务造假能否被发现.和预期一致, 非国有公司以及有着更多分析师报告、更大股价异常波动以及换手率、较短历史和更高CEO更换频率的公司的造假行为更容易被察觉. 但是令人意想不到的是, 行业诉讼强度和造假被发现的概率成反比. 一种可能的解释是如果公司所在的行业诉讼频率高可能会带来"杀鸡儆猴"的效果, 进而改变上市公司的行为, 也就是拥有更强的动力去遵守规则或者隐藏他们的不法行为.

4.2 工具变量法

对结果进行因果阐释的一个障碍是, 有一些遗漏变量可能会同时影响股吧帖子数目和财务造假发生以及被发现的可能性. 因此, 本文采用了工具变量法来识别股吧帖子与上市公司财务造假之间的因果关系. 受到Ding et al. (2019)的启发, 本文的工具变量选择了公司年度的广告费用(ADVER). 这是因为一方面, 广告费用高的公司在宣传方面一般做得较好, 也更有可能拥有高知名度, 吸引更多投资者的关注, 而这些投资者大多同时也是股吧的用户. 而另一方面, 目前还没有证据证明上市公司的广告费用和财务造假发生的概率有直接的联系. 换句话说, 广告费用可能同时满足成为工具变量的两个条件: 与所替代的解释变量高度相关, 而与随机误差项不相关. 本文利用2SLS对股吧帖子对上市公司财务造假的作用进行了分析. 控制变量使用了基准回归中的自变量. 由于在造假发生等式中和造假检测等式中的控制变量存在一定的差异, 本文沿用了Khanna et al. (2015)的做法, 在第一阶段最小二乘回归中进行了针对系统方程的估计, 这样可以保证在第二阶段最小二乘回归中的误差项是相互关联的.

结果呈现在表 4中. 前两列展示了第一阶段回归的结果.和前面的表格一样, 表头为"造假"的列展示了造假发生等式的估计结果, 表头为"检测|造假"的列展示了造假检测等式的估计结果. 可以看到, ADVER的系数显著为正, 也就是说, 股吧贴子数量随着广告费用的增加而变多. 表格中的

F

值高于10, 并且调整过后的

R^{2}

为10%左右, 意味着ADVER可以通过弱工具变量的检验.

表4 工具变量法回归结果

	第一阶段回归			第二阶段回归
	(1)	(2)		(3)	(4)
	POST	POST		造假	检测\|造假
金融结构变量
POST_P				$-$ 0.249***	0.479***
				( $-$ 4.043)	(3.486)
ADVER	0.116***	0.123***
	(3.924)	(4.136)
CEO	$-$ 0.100	$-$ 0.086		0.004	$-$ 0.128
	( $-$ 1.461)	( $-$ 1.276)		(0.040)	( $-$ 0.918)
OWN	0.247	0.245		$-$ 0.445	$-$ 0.125
	(0.978)	(0.973)		( $-$ 1.258)	( $-$ 0.198)
INDEPEN	1.413***			0.744
	(2.733)			(1.101)
STATE	0.043	0.056		0.194	$-$ 0.676***
	(0.465)	(0.596)		(1.176)	( $-$ 3.246)
FAUD	$-$ 0.211	$-$ 0.197		0.183	$-$ 0.193
	( $-$ 0.799)	( $-$ 0.745)		(0.509)	( $-$ 0.480)
FLIST	$-$ 0.011	0.037		0.543	0.015
	( $-$ 0.039)	(0.136)		(1.220)	(0.032)
ANALYST	0.006	0.003		$-$ 0.176***	0.201***
	(0.233)	(0.114)		( $-$ 4.300)	(2.884)
SIZE	0.162***	3.346***		$-$ 0.005	0.366
	(4.401)	(3.987)		( $-$ 0.096)	(0.207)
AGE	0.163**	0.201***		0.073	$-$ 0.506***
	(2.220)	(2.707)		(0.698)	( $-$ 2.798)
ROA	$-$ 0.142***	$-$ 0.151***		$-$ 0.542	0.051
	( $-$ 2.933)	( $-$ 3.131)		( $-$ 1.378)	(0.567)
TOBINQ	0.004			$-$ 0.021
	(0.534)			( $-$ 1.304)
GROWTH	0.000			0.012
	(0.001)			(0.271)
DERATIO	$-$ 0.003			$-$ 0.007
	( $-$ 0.882)			( $-$ 1.246)
R&D		2.028***			$-$ 0.302
		(2.937)			( $-$ 0.333)
LITIG		$-$ 0.250			$-$ 1.876*
		( $-$ 0.514)			( $-$ 1.696)
ABVOLAT		2.652***			0.653
		(2.882)			(0.584)
ABTURN		$-$ 0.056			0.159
		( $-$ 0.990)			(1.399)
CEOTURN		0.054			0.721***
		(0.770)			(3.170)
截距项	5.233***	$-$ 0.486		1.958	2.755
	(5.810)	( $-$ 0.179)		(1.439)	(0.532)
年份固定效应	Yes	Yes		Yes	Yes
行业固定效应	Yes	Yes		Yes	Yes
调整后的 $R^{2}$	10.00%	10.92%
$F$ 值	15.401	17.103
$P r o b > F$	$< 0.001$	$< 0.001$
Log likelihood				$-$ 661.088	$-$ 661.088
样本量	1002	1002		1002	1002

剩余两列重复了表 3中分析, 只不过把预测的股吧帖子数目(POST_P)作为了最主要的自变量. 进行了这样的转换之后, 仍然可以看到, 股吧帖子和财务造假发生概率之间的负向关系以及股吧帖子和财务造假被发现之间的正向关系, 即进一步印证之前发现的规律. 因此, 可以较为肯定的说, 股吧帖子可以削弱财务造假行为的发生, 并可以帮助揭露财务造假行为.

4.3 稳健性检验

为了保证之前的发现不是因为方法或者样本的选择, 本文进行了一系列的稳健性检验.

在第一类稳健性检验中, 我们主要变换了股吧发帖的测度, 将股吧帖子数的度量换成了异常帖子数(RPOST). 这是因为许多因素都会影响到股吧帖子数目的多少, 其中的一些, 比如说公司的市值(SIZE)、资产收益率(ROA)、托宾

Q

(TOBINQ)、资产增长率(AGROW)、分析师报告数目(ANALYST)、新闻报道数目(NEWS)、过去股票价格的表现(PAST)、个体投资者的持股数目(RETAIL)以及百度的搜索指数(BAIDU)等等也可能和财务造假相关. 为了保证这些关联不会干扰导后续分析结果的获得, 本文模仿了Khanna et al. (2015)的做法, 计算了异常股吧发帖数目, 也就是用POST对上述这些变量进行回归, 将回归得到的残差作为异常股吧发帖数目的度量. 然后利用RPOST作为回归的主要自变量重复了表 3中的分析. 表 5展示了回归的结果, 和表 3一样, RPOST的回归系数在造假发生等式中显著为负, 而在造假检测等式中显著为正. 这意味着, 高水平的异常发帖量和较少的财务造假概率以及更高的财务造假发现概率有关.

表5 异常发帖量

	造假	检测\|造假
RPOST	$-$ 0.249***	0.727***
	( $-$ 3.567)	(4.148)
截距项	1.064	7.385***
	(0.819)	(2.615)
控制变量	Yes	Yes
年份固定效应	Yes	Yes
行业固定效应	Yes	Yes
Log likelihood	$-$ 653.899	$-$ 653.899
$P r o b > C h i 2$	$< 0.001$	$< 0.001$
样本量	1002	1002

第二类稳健性检验涉及到股吧发帖中的噪音消除. 在现实中一个可能的问题是, 股吧中存在的大量噪音可能会损害本文结果的有效性. 为了解决这个问题, 本文选取了两种方法来对帖子样本进行筛选. 首先, 第一种方法是删除了没有评论的帖子, 然后用对数化的有评论帖子的数目作为回归的最主要自变量. 结果如表 6的Panel A所示. 尽管相较于表 3中的结果, Panel A中的系数不管是从绝对值还是显著性上来说都下降了一些, 但是POST的系数在造假发生等式中依然显著为负、在造假发现等式中依然显著为正. 其次, 根据我们的统计, 股吧上大约三分之二的帖子包含10个以上汉字. 所以, 第二种方法是删除了少于10个汉字的帖子, 然后利用新筛选出的帖子数量的对数值作为新回归的最主要自变量. 表 6的Panel B中的结果依旧支持了之前的发现.

表6 剔除噪音

	造假	检测\|造假
Panel A: 有回复的帖子
POST	$-$ 0.354***	0.103*
	( $-$ 3.991)	( $-$ 1.751)
截距项	0.949	4.859
	(0.606)	(1.124)
控制变量	Yes	Yes
年份固定效应	Yes	Yes
行业固定效应	Yes	Yes
Log likelihood	$-$ 666.257	$-$ 666.257
$P r o b > C h i 2$	$< 0.001$	$< 0.001$
样本量	1002	1002
Panel B: 包含10个字以上的帖子
POST	$-$ 0.311***	0.173**
	( $-$ 3.549)	( $-$ 2.535)
截距项	0.361	7.085
	(0.247)	(1.643)
控制变量	Yes	Yes
年份固定效应	Yes	Yes
行业固定效应	Yes	Yes
Log likelihood	$-$ 665.798	$-$ 665.798
$P r o b > C h i 2$	$< 0.001$	$< 0.001$
样本量	1002	1002

因此, 上述稳健性检验的结果表明, 股吧帖子数目和财务造假发生概率之间的负向关联以及股吧发帖数目与财务造假被发现概率的正向关联不是偶然得到的.

4.4 替代效应

许多已有的文献(如Dyck et al., 2010等)探讨了新闻媒体在公司治理中所扮演的角色.特别地, Miller (2006)和Dyck et al. (2008)证明了报纸可以抑制企业造假的发生并促进造假的发现. 不过, 尽管传统媒体确实会对上市公司(比如记者们会发布一些调查报道)进行报道, 但是其频率过低. 一个有代表性的例子是: Miller (2006)为了研究报纸报道对于上市公司财务造假的影响, 整理了17年中的报纸报道记录, 但是其只发现了75篇报道能够满足研究的需要. 这种传统媒体报道的稀疏性可能会削弱其对财务造假的影响效应. 此外, 传统媒体都面临着很强的监管(Qin et al., 2018), 可能会使传统媒体在揭示财务造假方面过于谨慎小心. 鉴于之前的结果和以上的分析, 本文研究了社交媒体是否能够代替传统媒体监管财务造假. 仿照Yiu et al. (2019)的做法, 本文在造假发生等式中引入对数化的年度媒体报道数目(NEWS, 作为传统媒体报道的度量)以及该变量和股吧帖子数目之间的交互项(POST

*

NEWS). 如表 7所示, 交互项(POST

*

NEWS)的系数显著为正, 其

t

值为2.082, 暗示着社交媒体和传统媒体之间存在较为强烈的替代效应.

表7 社交媒体和传统媒体对财务造假影响的比较

	造假	检测\|造假			造假	检测\|造假
POST	$-$ 0.551***	0.182**		ROA	$-$ 0.510	$-$ 0.034
	( $-$ 3.065)	(2.546)			( $-$ 1.641)	( $-$ 0.369)
NEWS	$-$ 0.405			TOBINQ	$-$ 0.031*
	( $-$ 1.610)				( $-$ 1.931)
POST*NEWS	0.215**			GROWTH	0.032
	(2.082)				(0.738)
CEO	0.207	$-$ 0.382***		DERATIO	$-$ 0.008
	(1.635)	( $-$ 2.982)			( $-$ 1.349)
OWN	$-$ 0.699*	0.887		R&D		$-$ 1.114
	( $-$ 1.877)	(1.554)				( $-$ 1.240)
INDEPEN	0.246			LITIG		$-$ 1.340**
	(0.468)					( $-$ 2.035)
STATE	0.185	$-$ 0.336**		ABVOLAT		0.627
	(1.033)	( $-$ 2.083)				(0.502)
FAUD	$-$ 0.043	0.717		ABTURN		$-$ 0.242**
	( $-$ 0.103)	(0.949)				( $-$ 2.056)
FLIST	0.691	0.306		CEOTURN		0.359***
	(1.252)	(0.618)				(2.691)
ANALYST	$-$ 0.231***	0.152**		截距项	3.644**	5.047
	( $-$ 5.157)	(2.545)			(2.055)	(1.058)
SIZE	$-$ 0.015	$-$ 0.487		年份固定效应	Yes	Yes
	( $-$ 0.236)	( $-$ 0.304)		行业固定效应	Yes	Yes
AGE	0.098	$-$ 0.181		Log likelihood	$-$ 661.956	$-$ 661.956
	(0.889)	( $-$ 1.291)		$P r o b > C h i 2$	$< 0.001$	$< 0.001$
				样本量	1002	1002

4.5 路径检验

4.5.1 潜在机会减少路径

在证明了股吧帖子对财务造假显著的抑制作用之后, 本文开始探究这个效应背后的路径.

第一条机制是潜在机会减少路径. 为了衡量股吧发帖是否通过减少财务造假的机会来影响财务造, 本文使用了两个常用的度量股票价格信息含量的指标. 第一个是股价的同步性(SYNCH), 其定义是个股的价格有多大的比例能够被市场层面和行业层面的信息所解释. 仿照Ding et al. (2019)的做法, 本文首先利用市场模型进行回归之后得到了调整后的

R^{2}

. 因为调整后的

R^{2}

分布在0和1之间, 本文使用了一个对数转化:

SYNCH = \log (\frac{Adjusted R^{2}}{1 - Adjusted R^{2}}) .

(6)

转化之后, 更低的SYNCH意味着股价中含有更多的公司特质信息.

第二个度量股价信息含量的指标是股票收益和市场收益之间的联动(CORRE), 即股票周收益时间序列和市场周收益时间序列之间的Pearson系数. 根据这一计算方法, 高CORRE, 意味着股价中含有更少的公司特质信息. 为了实现检验的目的, 本文将样本扩大到了2010–2018阶段在中国股票市场上交易的所有股票. 另外, 为了更好地识别股吧帖子对于股价信息含量的影响, 本文在这一分析的回归模型中加入了其他在表 3中出现的变量.

表 8的前两列展示了用SYNCH作为因变量的回归结果, 后两列展示了用CORRE作为因变量的回归结果.和潜在机会减少路径的预期相一致, POST的系数在所有的列中都显著为负, 说明股吧帖子能够提高股价中的信息含量, 进而提高公司的透明度, 降低监管成本, 减少公司高管进行财务造假的机会.

表8 潜在机会减少路径检验结果

	(1)	(2)	(3)	(4)
	SYNCH	SYNCH	CORRE	CORRE
POST	$-$ 0.083***	$-$ 0.152***	$-$ 0.008***	$-$ 0.014***
	( $-$ 3.905)	( $-$ 5.370)	( $-$ 4.008)	( $-$ 5.803)
控制变量	No	Yes	No	Yes
年份固定效应	Yes	Yes	Yes	Yes
行业固定效应	Yes	Yes	Yes	Yes
样本量	21274	21274	21274	21274
调整后的 $R^{2}$	42.87%	45.63%	47.95%	51.98%

4.5.2 合理化难度增加路径

对于合理化难度增加路径的检验, 本文使用了一个常规的方法, 也就是度量股票价格对于一个造假事件公开时的反应, 即本文计算了在

(0, 5)

和

(0, 10)

两个窗口期内的累积超额收益率(CAR, 第0天记为造假公布的那一天), 然后利用这个累积超额收益率对前面使用过的控制变量进行回归.

表 9中的结果证明了合理化难度增加路径的存在. 不管用来计算CAR的窗口是上述两个窗口期的哪一个, 也不管是否包含控制变量, CAR的系数总是负的, 并且在1%或者5%的水平上显著. 考虑到财务造假公告总是引起负面的市场反应, 负的系数可以理解为股吧上帖子数目越多, 市场下跌的幅度也就越大, 财务造假给股东们带来的损失也就更大. 面对如此高昂的代价, 公司的高管就会减少对其造假行为合理化的认知.

表9 合理化难度增加路径检验结果

	(1)	(2)	(3)	(4)
	CAR $(0, 5)$	CAR $(0, 5)$	CAR $(0, 10)$	CAR $(0, 10)$
POST	$-$ 0.015***	$-$ 0.015***	$-$ 0.024**	$-$ 0.025**
	( $-$ 3.366)	( $-$ 3.745)	( $-$ 2.321)	( $-$ 2.506)
控制变量	No	Yes	No	Yes
年份固定效应	Yes	Yes	Yes	Yes
行业固定效应	Yes	Yes	Yes	Yes
样本量	501	501	501	501
调整后的 $R^{2}$	2.07%	1.15%	2.62%	2.35%

4.6 异质性分析

4.6.1 帖子情绪的影响

为了检验帖子情感对于股吧帖子数目和财务造假之间关系的影响, 本文利用了"百度大脑"提供的情感分析算法, 将收集到的帖子分成正面和负面两类, 并分别计算了两种类型帖子的数目. PPOST代表对数化的正面帖子数目, NPOST代表对数化的负面帖子数目. 然后, 本文分别检验正面帖子和负面帖子是抑制还是助长上市公司的财务造假. 从表 10中的造假发生等式中可以看到, NPOST的系数为负, 且在1%的水平上显著; 而PPOST的系数则在1%的显著水平上为正. 当把NPOST和PPOST同时放入回归模型中时, 这一现象依然成立. 也就是说, 其实是负面帖子主要地发挥了阻碍了财务造假行为的作用; 而正面帖子可能发挥了相反的作用. 这一发现符合人们的常识, 也就是负面文字中可能包含更多的信息, 而正面文字更容易粉饰太平.

表10 帖子情绪的影响

	(1)	(2)	(3)	(4)	(5)	(6)
	造假	检测\|造假	造假	检测\|造假	造假	检测\|造假
PPOST	0.232***	0.106*			0.705***	0.031
	(3.068)	(1.657)			(2.778)	(0.179)
NPOST			$-$ 0.318***	0.150**	$-$ 1.133***	0.085
			( $-$ 4.101)	(2.301)	( $-$ 4.588)	(0.532)
控制变量	Yes	Yes	Yes	Yes	Yes	Yes
年份固定效应	Yes	Yes	Yes	Yes	Yes	Yes
行业固定效应	Yes	Yes	Yes	Yes	Yes	Yes
Log likelihood	$-$ 665.936	$-$ 665.936	$-$ 665.587	$-$ 665.587	$-$ 659.446	$-$ 659.446
$P r o b > C h i 2$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$
样本量	1002	1002	1002	1002	1002	1002

4.6.2 发帖用户的影响

在检测用户等级的影响时, 本文根据每一个帖子的发帖用户等级重新对帖子进行了分组. 具体来说, 东方财富股吧会根据用户的注册年限、发表的内容、收获的点赞量等信息给用户赋予1

\sim

10不同的等级(1代表最低等级, 10代表最高等级). 由此, 本文将级别为1

\sim

5的用户称为初级用户, 而将级别是6

\sim

10的用户称作高级用户. 与前面的方法相似, 本文将对数化的初级用户的发帖数目记为JPOST, 将对数化的高级用户的发帖数目记为SPOST, 然后进行了回归分析.

表 11展示了分析结果. 可以看到, 在造假发现等式中, 不管是JPOST还是SPOST, 系数都在统计学意义上显著, 且都为负. 但是不管是从系数的绝对值, 还是从

t

值来说, JPOST的对应量都比SPOST的对应量要小. 也就是说, 尽管来自高级用户和低级用户的发帖都可以对财务造假行为进行约束, 但是, 高级用户的发帖能够产生更强的约束作用. 这一现象在将SPOST和JPOST同时放在一个回归模型中的时候表现的更为显著. 可以看到, JPOST的系数不再显著了, 而SPOST的系数依旧在1%的水平上显著.

表11 用户等级的影响

	(1)	(2)	(3)	(4)	(5)	(6)
	造假	检测\|造假	造假	检测\|造假	造假	检测\|造假
JPOST	$-$ 0.350***	0.182***			0.101	$-$ 0.163**
	( $-$ 4.202)	(2.592)			(0.652)	( $-$ 2.283)
SPOST			$-$ 0.446***	0.123***	$-$ 0.526***	0.191***
			( $-$ 5.172)	(3.437)	( $-$ 4.263)	(4.037)
控制变量	Yes	Yes	Yes	Yes	Yes	Yes
年份固定效应	Yes	Yes	Yes	Yes	Yes	Yes
行业固定效应	Yes	Yes	Yes	Yes	Yes	Yes
Log likelihood	$-$ 663.557	$-$ 663.557	$-$ 659.024	$-$ 659.024	$-$ 656.452	$-$ 656.452
$P r o b > C h i 2$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$	$< 0.001$
样本量	1002	1002	1002	1002	1002	1002

4.7 其他类型的造假

根据Khanna et al. (2015)给出的定义, 广义上的造假行为可以分成三类: 会计造假(也叫财务造假)、运营造假和管理层造假⁷. 在这之前, 本文的分析局限在财务造假上. 是否股吧帖子数目和财务造假之间的关系也能推广到其他类型的造假上? 接下来的分析就将回答这一问题. 在表 12中, 本文将目光转向运营造假和管理层造假. 发生过两类造假的公司相对于全部上市公司来说, 比例较小, 因此可能也会对结果造成干扰. 所以这一部分的分析依旧采用了一对一匹配的方法, 即为每一个造假样本从公司市值、行业和时间上找到一个最相似的非造假样本进行匹配, 一共2981对公司构成了最终的样本集合.

⁷运营造假指的是涉及实际经营业务的造假, 而管理层造假指的是管理层通过非法利用其地位来获取收益的造假.

表12 其他类型的造假

	造假	检测\|造假
POST	$-$ 0.040**	0.297***
	( $-$ 2.113)	(4.767)
控制变量	Yes	Yes
年份固定效应	Yes	Yes
行业固定效应	Yes	Yes
Log likelihood	$-$ 4080.950	$-$ 4080.950
$P r o b > C h i 2$	$< 0.001$	$< 0.001$
样本量	5962	5962

展示在表 12的结果印证了股吧帖子数目和运营造假与管理层造假的可能性呈反向关联、与这两类造假的被发现呈正向关联, 也就是说, 股吧帖子能够抑制上市公司运营造假和管理层造假, 并会有助于揭露这两类造假行为. 但是, 必须指出的是, POST系数在表 10中的值要比表 3中的小很多, 这意味着对于Khanna et al. (2015)定义的三类公司造假行为, 股吧帖子对财务造假类别的抑制作用表现得最强.

5 结论与启示

公司财务造假加剧了社会资金资源的错配, 是金融市场正常运转的重要威胁. 很多学者都致力于研究是什么导致了上市公司财务造假的发生; 而这类文献较少讨论社交媒体如何影响财务造假. 本文在A股市场参与者结构特点和信息环境特点的背景下, 利用了中国上市公司财务造假和股吧帖子的数据, 证明了社交媒体上发布的数量和内容不仅可以显著降低上市公司财务造假发生的可能性, 同时也会显著提高上市公司财务造假被发现的可能性. 进一步, 社交媒体对于财务造假的抑制作用主要是通过减少高管进行财务造假的机会和降低财务造假被合理化的可能性这两个方面来实现的. 这一发现也可以推广到其他类型的造假上去, 并经受住更换指标、删除噪音帖子等处理之后的稳健性检验. 此外, 本文还发现社交媒体和传统媒体在抑制财务造假上具有替代效应; 股吧帖子对于财务造假的约束作用在负面帖子和高级用户发布的帖子上表现的更为明显.

本文的研究意义主要体现在如下几个方面. 首先, 已有文献证明信息中介(如报纸、分析师等)可以甄别或者阻碍上市公司财务造假, 本文结合互联网技术迅猛发展的大背景, 分析了社交媒体内容和上市公司财务造假之间的关系, 提出了一种新的影响财务造假的因素. 第二, 考虑到社交媒体的使用者大多为小投资者, 本文的发现也证明了丰富小投资者信息获取途径和意见表达途径的潜在优势, 即小投资者可以通过专业性社交媒体参与到公司治理中来, 对公司高管的不法行为形成制约, 缓解公司的代理问题. 第三, 本文异质性分析的结果肯定了高级别用户评论和负面评论中暗含着更多的信息, 应适当推行机制, 鼓励高级别用户和理性批评者的"发声", 净化舆论环境. 此外, 监管者也可以从本文的发现中获得启发, 他们可以利用社交媒体上提供的信息线索, 更有效地识别上市公司财务造假行为, 从而更好地保护投资者的权益、维护资本市场健康有序的发展.

附录

表13 变量定义

Panel A: 在双变量probit模型中出现的变量
POST	公司的一年之内的股吧上帖子数目加1再取自然对数
CEO	虚拟变量, 公司的CEO和董事长是一个人时取1, 否则取0
OWN	高管持有多少比例的公司股份
INDEPEN	董事会中的独立董事数目占比
STATE	虚拟变量, 当公司是国有企业时取1, 否则取0
FAUD	虚拟变量, 当公司由国外审计公司(也就是所谓的四大会计师事务所)审计时取1, 否则取0
FLIST	虚拟变量, 当公司在海外市场发行过股票时取1, 否则取0
ANALYST	一年之内发布过针对公司报告的分析师人数加1再取自然对数
SIZE	公司总资产的自然对数值
AGE	公司上市的年份数
ROA	公司的税后净利润除以总资产
TOBINQ	公司股票的市场价值与资本重置成本的比率
GROWTH	公司在某一年的销售额减去过去一年的销售额再除以过去一年的销售额
DERATIO	公司的总负债除以所有者权益
R&D	公司研发费用占总销售额的比率
LIGIT	一年之内公司所处的行业内所有被起诉的公司市值之和的自然对数值
ABVOLAT	一年之内公司股票周度收益的标准差
ABTURN	一年之内公司股票月度换手率减去平均值之后的自然对数值
CEOTURN	虚拟变量, 当公司在一年之内更换过一次以上的CEO时取1, 否则取0
Panel B: 其他变量
NEWS	一年之内针对公司的媒体报道数目加1之后取自然对数值
ADVER	公司年度广告费用加1之后取自然对数值
POST_P	工具变量法中, 利用第一阶段回归得到的预测的POST值
CAR (0, 5)	在财务造假被披露之后的0 $\sim$ 5天窗口期内的累计超额收益率(第0天为财务造假公布的那一天)
CAR (0, 10)	在财务造假被披露之后的0 $\sim$ 10天窗口期内的累计超额收益率(第0天为财务造假公布的那一天)
SYNCH	从(一年的)市场模型回归得到的调整后的 $R^{2}$ 在对数调整之后的值
CORRE	一年之内公司股票周度收益和市场周度收益之间的皮尔森系数
PPOST	公司股吧中一年之内情感正面帖子的数目加1之后取自然对数
NPOST	公司股吧中一年之内情感负面帖子的数目加1之后取自然对数
SPOST	公司股吧中一年之内有等级是6 $\sim$ 10的用户发出的帖子数目加1之后取自然对数
JPOST	公司股吧中一年之内有等级是1 $\sim$ 5的用户发出的帖子数目加1之后取自然对数
AGROW	公司某一年的资产总额除以过去一年的资产总额
PAST	公司过去一年的累计收益率
RETAIL	1减去机构投资者持有的公司流通股的比率
BAIDU	公司股票代码在一年之内的百度搜索量
RPOST	用POST对一系列公司变量(包括SIZE、ROA、TOBINQ、AGROW、ANALYST、NEWS、PAST、RETAIL和BAIDU)进行回归得到的残差

References

Publishing order | Descend order by publishing year | Descend order by cited within

陈运森, 袁薇, 李哲, 监管型小股东行权的有效性研究: 基于投服中心的经验证据[J]. 管理世界, 2021, 37 (6): 142- 158.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202106012.htm

Chen

Y S

, Yuan

W

, Li

Z

, Effectiveness of Regulatory Minority Shareholders' Right Exercise: Evidence from China Securities Investor Services Center[J]. Management World, 2021, 37 (6): 142- 158.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202106012.htm

Cited in this article [1]

郭峰, 吕晓亮, 林致远, 龚志强, 池鱼之殃: 上市公司社交媒体联结与股价溢出效应——基于中国监管处罚的事件研究[J]. 管理科学学报, 2023, 26 (4): 111- 131.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202304006.htm

Guo

F

, Lü

X L

, Lin

Z Y

, Gong

Z Q

, Social Media Connection and Stock Price Spillover Effects: An Event Study Based on Regulatory Penalties in China[J]. Journal of Management Sciences in China, 2023, 26 (4): 111- 131.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202304006.htm

Cited in this article [1]

郝媛媛, 叶强, 李一军, 基于影评数据的在线评论有用性影响因素研究[J]. 管理科学学报, 2010, 13 (8): 78- 88.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ201008007.htm

Hao

Y Y

, Ye

Q

, Li

Y J

, Research on Online Impact Factors of Customer Reviews Usefulness Based on Movie Reviews Data[J]. Journal of Management Sciences in China, 2010, 13 (8): 78- 88.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ201008007.htm

Cited in this article [1]

卢锐, 张亚楠, 蔡贵龙, 社交媒体、公司传闻与股价冲击——来自东方财富股吧论坛的经验证据[J]. 会计研究, 2023, (4): 59- 73.

https://www.cnki.com.cn/Article/CJFDTOTAL-KJYJ202304005.htm

Lu

R

, Zhang

Y N

, Cai

G L

, Social Media, Rumors and Stock Price Fluctuations: Evidence from Guba Stock Forum[J]. Accounting Research, 2023, (4): 59- 73.

https://www.cnki.com.cn/Article/CJFDTOTAL-KJYJ202304005.htm

Cited in this article [1]

卢珊, 王惠文, 赵吉昌, 基于分步降维框架的股吧短文本数据关键信息抽取与个股收益预测[J]. 计量经济学报, 2023, 3 (3): 707- 721.

https://doi.org/10.12012/CJoE2023-0028

Lu

S

, Wang

H W

, Zhao

J C

, Feature Extraction from Guba Short-text Messages and Stock Return Prediction: A Multistep Dimension Reduction Framework[J]. China Journal of Econometrics, 2023, 3 (3): 707- 721.

https://doi.org/10.12012/CJoE2023-0028

Cited in this article [1]

汪昌云, 孙艳梅, 代理冲突、公司治理和上市公司财务欺诈的研究[J]. 管理世界, 2010, (7): 130- 143.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201007015.htm

Wang

C Y

, Sun

Y M

, A Study on Conflicts among Agents, on Corporate Governance and on Listed Companies' Fraud in Financial Statement[J]. Management World, 2010, (7): 130- 143.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201007015.htm

Cited in this article [1]

徐黄凯, "安然事件"引发的法律风暴——萨班斯法案的诞生[J]. 法制与社会, 2011, (34): 53- 54.

https://www.cnki.com.cn/Article/CJFDTOTAL-FZSL201134032.htm

Xu

H K

, The Legal Storm Triggered by the Enron Incident: The Birth of the Sarbanes-Oxley Act[J]. Legal System and Society, 2011, (34): 53- 54.

https://www.cnki.com.cn/Article/CJFDTOTAL-FZSL201134032.htm

Cited in this article [1]

姚加权, 冯绪, 王赞钧, 纪荣嵘, 张维, 语调、情绪及市场影响: 基于金融情绪词典[J]. 管理科学学报, 2021, 24 (5): 26- 46.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202105002.htm

Yao

J Q

, Feng

X

, Wang

Z J

, Ji

R R

, Zhang

W

, Tone, Sentiment and Market Impacts: The Construction of Chinese Sentiment Dictionary in Finance[J]. Journal of Management Sciences in China, 2021, 24 (5): 26- 46.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202105002.htm

Cited in this article [1]

张维, 李奕, 王鹏飞, 社交媒体与资本市场研究进展与展望: 基于文献计量的方法[J]. 计量经济学报, 2022, 2 (1): 32- 57.

https://doi.org/10.12012/CJoE2021-0086

Zhang

W

, Li

Y

, Wang

P F

, Social Media and Capital Markets: A Bibliometric Analysis[J]. China Journal of Econometrics, 2022, 2 (1): 32- 57.

https://doi.org/10.12012/CJoE2021-0086

Cited in this article [1]

张新民, 陈德球, 移动互联网时代企业商业模式、价值共创与治理风险——基于瑞幸咖啡财务造假的案例分析[J]. 管理世界, 2020, 36 (5): 74- 86.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202005008.htm

Zhang

X M

, Chen

D Q

, Business Model, Value Co-creation and Governance Risk of Enterprises in the Era of Mobile Internet: Case Study on Financial Fraud of Luckin Coffee[J]. Management World, 2020, 36 (5): 74- 86.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202005008.htm

Cited in this article [1]

郑建东, 吕晓亮, 吕斌, 郭峰, 社交媒体平台信息交互与资本市场定价效率——基于股吧论坛亿级大数据的证据[J]. 数量经济技术经济研究, 2022, 39 (11): 91- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202211005.htm

Zheng

J D

, Lü

X L

, Lü

B

, Guo

F

, Information Interaction on Social Media Platforms and Capital Market Pricing Efficiency: Evidence from Big Data of Stock Message Board[J]. Journal of Quantitative & Technical Economics, 2022, 39 (11): 91- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202211005.htm

Cited in this article [1]

Ang

J S

, Hsu

C

, Tang

D

, Wu

C

, The Role of Social Media in Corporate Governance[J]. The Accounting Review, 2021, 96 (2): 1- 32.

https://doi.org/10.2308/TAR-2018-0144

Cited in this article [4]

Antweiler

W

, Frank

M Z

, Is All That Talk Just Noise? The Information Content of Internet Stock Message Boards[J]. The Journal of Finance, 2004, 59 (3): 1259- 1294.

https://doi.org/10.1111/j.1540-6261.2004.00662.x

Cited in this article [2]

Becker

G S

, Crime and Punishment: An Economic Approach[J]. Journal of Political Economy, 1968, 76 (2): 169- 217.

https://doi.org/10.1086/259394

Cited in this article [1]

Bennett

V M

, Pierce

L

, Snyder

J A

, Toffel

M W

, Customer-driven Misconduct: How Competition Corrupts Business Practices[J]. Management Science, 2013, 59 (8): 1725- 1742.

https://doi.org/10.1287/mnsc.1120.1680

Cited in this article [1]

Biggerstaff

L

, Cicero

D C

, Puckett

A

, Suspect CEOs, Unethical Culture, and Corporate Misbehavior[J]. Journal of Financial Economics, 2015, 117 (1): 98- 121.

https://doi.org/10.1016/j.jfineco.2014.12.001

Cited in this article [1]

Blankespoor

E

, De Haan

E

, Marinovic

I

, Disclosure Processing Costs, Investors' Information Choice, and Equity Market Outcomes: A Review[J]. Journal of Accounting and Economics, 2020, 70 (2-3): 101344.

https://doi.org/10.1016/j.jacceco.2020.101344

Cited in this article [1]

Blankespoor

E

, Miller

G S

, White

H D

, The Role of Dissemination in Market Liquidity: Evidence from Firms' Use of Twitter[J]. The Accounting Review, 2014, 89 (1): 79- 112.

https://doi.org/10.2308/accr-50576

Cited in this article [2]

Burns

N

, Kedia

S

, The Impact of Performance-based Compensation on Misreporting[J]. Journal of Financial Economics, 2006, 79 (1): 35- 67.

https://doi.org/10.1016/j.jfineco.2004.12.003

Cited in this article [1]

Chen

H

, De

P

, Hu

Y J

, Hwang

B H

, Wisdom of Crowds: The Value of Stock Opinions Transmitted through Social Media[J]. The Review of Financial Studies, 2014, 27 (5): 1367- 1403.

https://doi.org/10.1093/rfs/hhu001

Cited in this article [1]

Chen

Z

, Ke

B

, Yang

Z

, Minority Shareholders' Control Rights and the Quality of Corporate Decisions in Weak Investor Protection Countries: A Natural Experiment from China[J]. The Accounting Review, 2013, 88 (4): 1211- 1238.

https://doi.org/10.2308/accr-50424

Cited in this article [1]

Cressey

D R

, Other People's Money: A Study of the Social Psychology of Embezzlement[M]. New York: Free Press, 1953.

Cited in this article [4]

Cumming

D

, Leung

T Y

, Rui

O

, Gender Diversity and Securities Fraud[J]. Academy of Management Journal, 2015, 58 (5): 1572- 1593.

https://doi.org/10.5465/amj.2013.0750

Cited in this article [2]

Ding

R

, Zhou

H

, Li

Y

, Social Media, Financial Reporting Opacity, and Return Comovement: Evidence from Seeking Alpha[J]. Journal of Financial Markets, 2019, 50, 100511.

Cited in this article [5]

Dyck

A

, Morse

A

, Zingales

L

, Who Blows the Whistle on Corporate Fraud?[J]. The Journal of Finance, 2010, 65 (6): 2213- 2253.

https://doi.org/10.1111/j.1540-6261.2010.01614.x

Cited in this article [3]

Dyck

A

, Volchkova

N

, Zingales

L

, The Corporate Governance Role of the Media: Evidence from Russia[J]. The Journal of Finance, 2008, 63 (3): 1093- 1135.

https://doi.org/10.1111/j.1540-6261.2008.01353.x

Cited in this article [1]

Feng

X

, Johansson

A C

, Top Executives on Social Media and Information in the Capital Market: Evidence from China[J]. Journal of Corporate Finance, 2019, 58, 824- 857.

https://doi.org/10.1016/j.jcorpfin.2019.04.009

Cited in this article [3]

Green

T C

, Huang

R

, Wen

Q

, Zhou

D

, Crowdsourced Employer Reviews and Stock Returns[J]. Journal of Financial Economics, 2019, 134 (1): 236- 251.

https://doi.org/10.1016/j.jfineco.2019.03.012

Cited in this article [3]

Harris

J

, Bromiley

P

, Incentives to Cheat: The Influence of Executive Compensation and Firm Performance on Financial Misrepresentation[J]. Organization Science, 2007, 18 (3): 350- 367.

https://doi.org/10.1287/orsc.1060.0241

Cited in this article [1]

Hass

L H

, Tarsalewska

M

, Zhan

F

, Equity Incentives and Corporate Fraud in China[J]. Journal of Business Ethics, 2016, 138 (4): 723- 742.

https://doi.org/10.1007/s10551-015-2774-2

Cited in this article [1]

Hirshleifer

D

, Lim

S S

, Teoh

S H

, Driven to Distraction: Extraneous Events and Underreaction to Earnings News[J]. The Journal of Finance, 2009, 64 (5): 2289- 2325.

https://doi.org/10.1111/j.1540-6261.2009.01501.x

Cited in this article [2]

Hirshleifer

D

, Lim

S S

, Teoh

S H

, Limited Investor Attention and Stock Market Misreactions to Accounting Information[J]. The Review of Asset Pricing Studies, 2011, 1 (1): 35- 73.

https://doi.org/10.1093/rapstu/rar002

Cited in this article [2]

Hong

H

, Jiang

W

, Wang

N

, Zhao

B

, Trading for Status[J]. The Review of Financial Studies, 2014, 27 (11): 3171- 3212.

https://doi.org/10.1093/rfs/hhu048

Cited in this article [1]

Huang

J

, The Customer Knows Best: The Investment Value of Consumer Opinions[J]. Journal of Financial Economics, 2018, 128 (1): 164- 182.

https://doi.org/10.1016/j.jfineco.2018.02.001

Cited in this article [1]

Huang

X

, Teoh

S H

, Zhang

Y

, Tone Management[J]. The Accounting Review, 2014, 89 (3): 1083- 1113.

https://doi.org/10.2308/accr-50684

Cited in this article [1]

Huang

Y

, Qiu

H

, Wu

Z

, Local Bias in Investor Attention: Evidence from China's Internet Stock Message Boards[J]. Journal of Empirical Finance, 2016, 38, 338- 354.

https://doi.org/10.1016/j.jempfin.2016.07.007

Cited in this article [2]

Jiang

F

, Kim

K A

, Corporate Governance in China: A survey[J]. Review of Finance, 2020, 24 (4): 733- 772.

https://doi.org/10.1093/rof/rfaa012

Cited in this article [3]

Karmann

T

, Mauer

R

, Flatten

T C

, Brettel

M

, Entrepreneurial Orientation and Corruption[J]. Journal of Business Ethics, 2016, 133 (2): 223- 234.

https://doi.org/10.1007/s10551-014-2305-6

Cited in this article [1]

Karpoff

J M

, Lee

D S

, Martin

G S

, The Consequences to Managers for Financial Misrepresentation[J]. Journal of Financial Economics, 2008, 88 (2): 193- 215.

https://doi.org/10.1016/j.jfineco.2007.06.003

Cited in this article [2]

Khanna

V

, Kim

E H

, Lu

Y

, CEO Connectedness and Corporate Fraud[J]. The Journal of Finance, 2015, 70 (3): 1203- 1252.

https://doi.org/10.1111/jofi.12243

Cited in this article [10]

Kim

A

, Moravec

P L

, Dennis

A R

, Combating Fake News on Social Media with Source Ratings: The Effects of User and Expert Reputation Ratings[J]. Journal of Management Information Systems, 2019, 36 (3): 931- 968.

https://doi.org/10.1080/07421222.2019.1628921

Cited in this article [1]

Li

Z

, Ye

K

, Zeng

C

, Zhang

B

, Ending at the Wrong Time: The Financial Reporting Consequences of a Uniform Fiscal Year-end[J]. The Accounting Review, 2023, 98 (3): 367- 396.

https://doi.org/10.2308/TAR-2018-0461

Cited in this article [1]

Liu

Y

, Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue[J]. Journal of Marketing, 2006, 70 (3): 74- 89.

https://doi.org/10.1509/jmkg.70.3.074

Mayberry

M A

, Park

H J

, Zhang

W

, Relative Liability Exposure for Negligence and Financial Reporting Quality: Evidence from the Audit Interference Rule[J]. The Accounting Review, 2024, 99 (4): 1- 28.

https://doi.org/10.2308/TAR-2022-0256

Cited in this article [1]

Miller

G S

, The Press as a Watchdog for Accounting Fraud[J]. Journal of Accounting Research, 2006, 44 (5): 1001- 1033.

https://doi.org/10.1111/j.1475-679X.2006.00224.x

Cited in this article [5]

Mishina

Y

, Dykes

B J

, Block

E S

, Pollock

T G

, Why "Good" Firms do Bad Things: The Effects of High Aspirations, High Expectations, and Prominence on the Incidence of Corporate Illegality[J]. Academy of Management Journal, 2010, 53 (4): 701- 722.

https://doi.org/10.5465/amj.2010.52814578

Cited in this article [1]

Ndofor

H A

, Wesley

C

, Priem

R L

, Providing CEOs with Opportunities to Cheat: The Effects of Complexity-based Information Asymmetries on Financial Reporting Fraud[J]. Journal of Management, 2015, 41 (6): 1774- 1797.

https://doi.org/10.1177/0149206312471395

Cited in this article [2]

Parsons

C A

, Sulaeman

J

, Titman

S

, The Geography of Financial Misconduct[J]. The Journal of Finance, 2018, 73 (5): 2087- 2137.

https://doi.org/10.1111/jofi.12704

Cited in this article [2]

Peng

L

, Xiong

W

, Investor Attention, Overconfidence and Category Learning[J]. Journal of Financial Economics, 2006, 80 (3): 563- 602.

https://doi.org/10.1016/j.jfineco.2005.05.003

Cited in this article [1]

Poirier

D J

, Partial Observability in Bivariate Probit Models[J]. Journal of Econometrics, 1980, 12 (2): 209- 217.

https://doi.org/10.1016/0304-4076(80)90007-X

Qin

B

, Strömberg

D

, Wu

Y

, Media Bias in China[J]. American Economic Review, 2018, 108 (9): 2442- 2476.

https://doi.org/10.1257/aer.20170947

Cited in this article [1]

Schnatterly

K

, Gangloff

K A

, Tuschke

A

, CEO Wrongdoing: A Review of Pressure, Opportunity, and Rationalization[J]. Journal of Management, 2018, 44 (6): 2405- 2432.

https://doi.org/10.1177/0149206318771177

Cited in this article [4]

Shi

W

, Connelly

B L

, Hoskisson

R E

, External Corporate Governance and Financial Fraud: Cognitive Evaluation Theory Insights on Agency Theory Prescriptions[J]. Strategic Management Journal, 2017, 38 (6): 1268- 1286.

https://doi.org/10.1002/smj.2560

Cited in this article [2]

Tetlock

P C

, Saar-Tsechansky

M

, Macskassy

S

, More Than Words: Quantifying Language to Measure Firms' Fundamentals[J]. The Journal of Finance, 2008, 63 (3): 1437- 1467.

https://doi.org/10.1111/j.1540-6261.2008.01362.x

Cited in this article [1]

Trompeter

G M

, Carpenter

T D

, Desai

N

, Jones

K L

, Riley

R A

, A Synthesis of Fraud-related Research[J]. Auditing: A Journal of Practice, 2013, 32 (Supplement 1): 287- 321.

https://doi.org/10.2308/ajpt-50360

Cited in this article [1]

Wang E, Wong T, Zhang T, Hsu C, (2019). Do Chinese Social Media Delineate the Optimistic Bias of Traditional Media?[R]. Working Paper.

Cited in this article [1]

Wang

T Y

, Corporate Securities Fraud: Insights from a New Empirical Framework[J]. The Journal of Law, Economics & Organization, 2013, 29 (3): 535- 568.

Cited in this article [2]

Wang

T Y

, Winton

A

, Yu

X

, Corporate Fraud and Business Vonditions: Evidence from IPOs[J]. The Journal of Finance, 2010, 65 (6): 2255- 2292.

https://doi.org/10.1111/j.1540-6261.2010.01615.x

Cited in this article [4]

Xu

S X

, Zhang

X

, Impact of Wikipedia on Market Information Environment: Evidence on Management Disclosure and Investor Reaction[J]. MIS Quarterly, 2013, 37 (4): 1043- 1068.

https://doi.org/10.25300/MISQ/2013/37.4.03

Cited in this article [4]

Yiu

D W

, Wan

W P

, Xu

Y

, Alternative Governance and Corporate Financial Fraud in Transition Economies: Evidence from China[J]. Journal of Management, 2019, 45 (7): 2685- 2720.

https://doi.org/10.1177/0149206318764296

Cited in this article [6]

Zahra

S A

, Priem

R L

, Rasheed

A A

, The Antecedents and Consequences of Top Management Fraud[J]. Journal of Management, 2005, 31 (6): 803- 828.

https://doi.org/10.1177/0149206305279598

Cited in this article [1]

Zhou

W

, Duan

W

, Do Professional Reviews Affect Online User Choices through User Reviews? An Empirical Study[J]. Journal of Management Information Systems, 2016, 33 (1): 202- 228.

https://doi.org/10.1080/07421222.2016.1172460

Cited in this article [3]

Funding

National Natural Science Foundation of China(71790594)

China Postdoctoral Science Foundation(2023M730240)

RIGHTS & PERMISSIONS

All rights reserved, without authorization

PDF(394 KB)

2319

Accesses

0

Citation

Detail

Sections

Recommended

/

〈

〉