摘要：我们在2019年和2022年对中国所有上市公司进行了调查，以探究金融市场的实际影响。超过90%的企业表示他们会积极关注股票市场，而他们这样做的首要原因是：从价格中获取新信息，以及依赖价格进行融资。聚焦于学习渠道，我们研究了企业反馈如何与其特征和行为相关联。那些表示从市场中学习的企业，其特征表明它们能从市场信息中获益更多。这些企业也表现出更高的投资-价格敏感性。我们还揭示了企业从市场中学到了哪些维度的信息。
1 introduction
1.1 研究动机
本文的研究动机源于金融经济学中一个核心且存在争议的问题：股票市场是否仅仅是对实体经济的“旁观者”，还是能够通过某种渠道对实体经济产生实际影响？尽管已有文献提出了“融资渠道”和“学习渠道”（即信息反馈效应）两种作用机制，但学术界对后者的存在性尤其持怀疑态度。
1.2 研究问题
上市公司是否真的关注股票市场？如果是，它们主要关注哪些价格（自身股价、同行股价还是大盘指数）？
企业关注股价的主要原因是什么？究竟是出于“学习渠道”（获取新信息指导投资）还是“融资渠道”（影响再融资能力）？其他渠道（如薪酬、监督、并购）的重要性如何？
对于那些通过股价进行学习的企业，它们具体想从股价中学习哪些维度的信息（如宏观、政策、竞争、客户需求、技术等）？
1.3 研究贡献
首先，对“金融市场实际影响”文献的贡献（特别是学习渠道）
提供直接证据：不同于以往依赖间接推断的研究，本文通过覆盖几乎所有中国上市公司的高回复率调查，首次提供了管理者主动承认“从股价中学习”的直接证据，证实了学习渠道的广泛存在。
揭示学习内容：本文首次系统地揭示了管理者从股价中学习的具体信息维度（宏观/行业、政策/监管、竞争地位等），回应了文献中关于“信息反馈究竟包含什么内容”的关键空白，并验证了理论关于“外部信息聚合价值高”的预测。
验证与深化理解：通过将调查回复与企业特征（如投资者结构、管理层背景、价格信息含量）和实际行为（投资敏感性、并购绩效）相关联，本文不仅验证了调查数据的可靠性，还深化了对“什么样的企业更倾向于学习”以及“学习是否能创造价值”的理解。例如，发现学习型企业的投资-价格敏感性更高，且在并购中表现更好。
解决样本偏差问题：与证监会合作使得调查覆盖了近乎全部上市公司（回复率接近100%），从根本上避免了传统调查研究中常见的样本选择偏差和代表性不足问题。
提供高质量研究范式：本文展示了如何通过严谨的问卷设计（区分不同渠道、具体信息维度）、结合客观数据进行交叉验证（如投资-价格敏感性、停牌行为），来增强调查证据的可信度，克服了调查数据通常被质疑的“噪音”和“回答偏差”问题。
拓展研究议题：尽管已有研究利用调查数据探讨资本成本、资本结构等问题，但本文是第一篇利用如此大规模的权威调查来系统研究金融市场“实际影响”及“信息反馈”机制的研究。
2 调查
2.1 问卷设计
自2017年起，清华大学五道口金融学院与中国证监会每半年联合对中国上市公司进行一次调查，以收集关于宏观经济以及政策制定者和学术界可能感兴趣的各种话题的意见。中国股市的每一家上市公司都会收到证监会发出的调查邀请，问卷由五道口金融学院和证监会的研究人员共同设计，并由监管机构分发。在2019年6月和2022年6月进行的两轮调查中，我们纳入了一组关于股票市场实际影响的问题。
具体而言，我们询问了以下关于实际影响的问题：
I. 贵公司如何关注股票市场？(单选) (两轮调查均包含)
A. 只关注本公司股票价格；
B. 只关注其他相似公司的股票价格；
C. 同时关注A和B；
D. 只关注综合股票指数；
E. 完全不关注股票市场。
II. 如果在问题I中选择A或C：贵公司关注本公司股价的原因是什么？(可多选) (两轮调查均包含)
A. 股价包含对实体投资决策有参考价值的新信息；
B. 股价会影响再融资（增发/债券发行/银行贷款）；
C. 管理层薪酬与股价挂钩，或持有股票或期权；
D. 来自董事会和股东的压力；
E. 避免被收购或兼并；
F. 其他，请说明：___________。
III. 如果在问题II中选择A：在从市场学习时，贵公司的股价对获取以下哪类信息有帮助？(对于每种可能性，选择您的看法（非常同意、同意、中立、不同意、非常不同意）) (仅包含在2022年调查中)
A. 宏观经济或行业状况的信息；
B. 与公司业务相关的政策法规信息；
C. 公司相对于竞争对手的竞争地位信息；
D. 客户对公司产品/服务需求的信息；
E. 公司可能采用的技术发展信息；
F. 资本成本信息；
G. 公司潜在收购其他公司、资产或技术的前景信息；
H. 新冠疫情对公司业务影响的信息；
I. 股价中没有任何可学习的信息；
J. 可以从股价中学习其他信息，请说明：___________。
我们要求企业通过单选方式回答问题I，通过多选方式回答问题II，并通过评级（评级包括“非常同意”、“同意”、“中立”、“不同意”、“非常不同意”）来回答问题III中的每个陈述。
2.2 回复情况
2019年的调查问卷（包含问题I和II）于2019年6月由证监会通过其电子调查系统分发给上市公司，2022年的调查问卷（包含所有三个问题）于2022年6月分发。与证监会合作的主要优势在于我们避免了无应答偏差（即某些主体拒绝回答，或调查无法触达每个受访者）。在2019年的调查中，我们成功从调查时点中国3,628家上市公司中的3,626家收集到了回复，回复率高达99.9%；在2022年的调查中，我们从4,732家上市公司中的4,641家收集到了回复，回复率为98.1%。因此，我们的调查覆盖了中国市场几乎所有的上市公司，从而我们的分析不存在调查研究常见的样本代表性问题。
我们相信联合调查的结果是可靠的，并且不太可能出现回答偏差（即调查结果与受访者的实际意见或事实不符）。尽管问卷是由证监会分发给企业的，但受访者没有动机为了迎合证监会的偏好而提供有偏差的信息，因为：(1) 我们精心设计了纯粹的学术性问题，这些问题不能用于直接评判公司的行为（即这些问题没有“正确”答案）；(2) 在调查中，我们正式声明，回复和其他相关信息将仅用于大样本的政策和学术研究。受访者知道，自2017年以来的前几轮调查中，从未发布或报告过任何关于单个公司的信息。我们也相信受访者理解调查问题及其公司的运营，因此他们的意见能够反映其公司的情况。
图1显示，在2019年的调查中，3,626家回复企业里有413家（11.4%）的受访者担任重要的管理职位，包括董事长、董事、首席执行官（CEO）、首席财务官（CFO）和其他高管。在另外2,265家（62.5%）企业中，答案由同样属于高管的董事会秘书准备。在剩余的948家（26.1%）企业中，答案由其他相关职能部门（例如，投资者关系办公室，这是一个由董事会秘书领导的专门负责资本市场事务的团队）准备。2022年调查的模式类似：在4,641家回复企业中，有282家（6.1%）的答案由董事长、董事、CEO、CFO和其他高管准备；有2,411家（52.0%）由董事会秘书准备；其余1,948家（42.0%）由其他相关职能部门准备。
在后续分析中，我们将受访者根据其职位级别分为三组：(1) 高级别组，包括董事长、CEO、董事、CFO和其他高管；(2) 中级别组，包括董事会秘书；(3) 低级别组，包括其他职能部门。在展示调查结果时，除了全样本结果外，我们还会报告不同组别的统计数据，以检验：(1) 我们的发现是否由董事会秘书驱动；(2) 低级别受访者是否与高级别受访者一样对问题有充分的了解。
2.3 回复企业的描述性统计
在表1中，我们提供了对两轮调查做出回复的企业的描述性统计。
以2022年调查的受访者为例，我们发现，截至2021年，中国股市（以及我们的调查中）有30%的上市公司最终由国家持有，其中48%的公司允许卖空。平均而言，一家上市公司自成立以来大约有21.8年的历史。其总资产为126亿元人民币（18亿美元），市值为134亿元人民币（20亿美元）。平均公司杠杆适度，杠杆率为42.7%。公司估值与美国市场相当，托宾Q值约为2.6。公司盈利能力也较合理，资产回报率（ROA）为5.5%。其资本支出和研发费用分别占总资产的5.3%和2.8%。平均而言，每家上市公司有6.7位卖方分析师跟踪。同时，公司35.6%的流通股由机构投资者持有，包括共同基金、保险公司、养老基金、投资银行和信托公司。报告的内部人交易活动相对较少，其交易量仅占总流通股的0.02%。以1-R²衡量的平均公司股价信息含量水平约为0.8。
3 金融市场实际影响的直接证据
本节总结了企业对调查问卷问题的回复，为金融市场的实际影响提供直接证据。
3.1 实际影响的普遍性
我们的第一个问题（“I. 贵公司如何关注股票市场？”）关注实际影响的存在性，即企业是否关注股价。我们在图2中报告了回复情况。根据面板A，在2022年调查的全样本4,641家企业中，97.7%的回复企业关注股票市场（选项A + B + C + D），95.2%的企业关注自身股价（选项A + C）。考虑到98.1%的中国上市公司对2022年调查做出了回复，我们发现几乎所有中国上市公司确实都关注股票市场。2019年的调查结果显示出非常相似的模式，表明实际影响在中国股市中也具有跨年度的持续性。
面板B、C和D分别报告了不同受访者群体的调查结果。无论受访者在公司中的级别如何，他们的观点高度一致，都指向实际影响的存在。例如，在2022年调查中，高级别组（董事长、CEO、董事、CFO和其他高管，样本量=282）中有92.5%报告称关注自身股价（选项A+C）。中级别组（董事会秘书，样本量=2,411）和低级别组（其他职位，样本量=1,948）的这一比例分别为95.3%和95.5%。同样，2019年调查的结果在性质上是一致的。上述结果表明，我们的发现在不同职位的受访者中是一致的，并非由中级别董事会秘书的报告所驱动。这些发现在基础层面上确立了企业确实关心股票市场，但尚未明确具体渠道。
3.2 实际影响的渠道
我们的第二个问题（“II. 如果在问题I中选择A或C：贵公司关注本公司股价的原因是什么？”）深入探究了渠道，探讨了企业为何关注自身股价。2019年调查中在问题I选择A或C的3,320家企业以及2022年调查中这样做的4,420家企业被要求回答此问题。我们在图3中报告了其答案的汇总。由于企业可以为此问题选择多个答案，每个选项的频数之和超过了企业总数。面板A报告了全样本的结果。企业关注自身股价的最主要原因是：为投资获取信息（学习渠道，选项A）和为投资机会融资（融资渠道，选项B）。具体而言，在2022年调查中，关注自身股价的4,420家企业里，有3,553家（80.4%）选择了选项A，3,038家（68.7%）选择了选项B。类似地，在2019年调查中，选择选项A和B的企业比例分别为75.2%和66.1%。企业关注自身股价的第三大重要原因是来自董事会和股东的压力（监督渠道，选项D），在2022年（2019年）调查中有34.4%（35.6%）的企业确认了这一点。薪酬渠道（选项C）被选择的企业不多（2022年调查为16.6%，2019年为11.3%），可能是因为在相对严格的监管下，管理层持股或股票期权等股权相关薪酬在中国上市公司中并不十分普遍。并购渠道（选项E）是最少被选择的原因（2022年调查为8.3%，2019年为10.2%），因为在中国股市中，由于上市公司股权集中度较高，敌意收购很少见。
同样，面板B、C和D显示，不同受访者群体的观点高度一致。例如，在2022年调查中，高级别组（78.9%）、中级别组（80.6%）和低级别组（80.3%）中约有80%的受访者选择了学习渠道（选项A）。选择融资渠道（选项B）的比例在高级别、中级别和低级别组中分别为66.3%、67.8%和70.3%。2019年的调查结果也表明，在不同受访者群体中，企业对选项A和B的偏好相似。
3.3 管理者从价格中学到了什么信息？
在本小节中，我们回答了当学习渠道最相关时，企业从股价中学到了哪类信息的问题，这是对信息反馈文献的一个重要补充。为了提供直接证据，我们在2022年调查中加入了问题III，要求企业就它们从股价中提取的信息内容陈述选择其看法（“非常不同意”、“不同意”、“中立”、“同意”、“非常同意”），并请选择了学习渠道（即在问题II中选择选项A）的企业作答（关于问题和选项的详细信息见第2.1小节）。图4展示了调查结果。如果一家企业为某陈述选择了“非常同意”或“同意”，我们就认为该企业确认了该陈述。
面板A显示，关于股价中所含信息的内容，宏观经济和行业状况的信息（选项A）对学习型管理者最为有用：在选择了学习渠道的3,553家企业中，有3,204家（90.2%）确认了相应陈述。第二和第三最有用的信息是：与公司业务相关的政策和法规信息（选项B，确认率=86.3%）以及公司相对于竞争对手的竞争地位信息（选项C，确认率=84.9%）。我们列出的其他信息对回复企业也有意义，包括：资本成本（选项F，确认率=61.9%）、客户对公司产品/服务的需求（选项D，确认率=59.5%）、公司可能采用的技术发展（选项E，确认率=54.7%）以及公司潜在收购其他公司、资产或技术的前景（选项G，确认率=53.1%）。我们关于资本成本的结果与Dessaint等人（2025）的研究一致，他们提供了管理者在并购情境下从股价中学习贴现率的证据。此外，值得注意的是，很少有学习型企业（0.8%）“非常同意”选项I（“股价中没有任何可学习的信息”），这表明他们的回答在不同问题间是一致的。
我们还在面板B、C和D中报告了高级别、中级别和低级别受访者的调查结果。其模式与全样本高度一致，即管理者将包含在股价中的宏观、行业、监管和竞争信息作为最优先考虑的事项。已有文献强调，信息反馈在待学习信息对企业而言是外部的、且汇集不同市场参与者信息能带来更大好处的领域尤为重要（例如，Goldstein和Yang，2019；Goldstein，2023）。我们的结果揭示了股价中这些信息维度可能是什么。直观上，宏观、政策和竞争相关的不确定性确实似乎是汇集外部信息将特别有价值的维度。关于客户需求的信息为何价值较低则不那么明确。进一步探索这些维度是未来实证研究一个非常有前景的方向。
3.4 补充分析
在本小节中，我们计算了回复之间的相关性，并考察了它们在行业间和随时间的变化，以进一步加深对市场反馈的理解。
3.4.1 回复之间的相关性
我们首先计算了两轮调查中问题II所报告的市场反馈渠道之间的相关性。我们用虚拟变量Learn、Finance、Compensation、Monitor和M&A分别表示学习、融资、薪酬、监督和并购渠道。如果在对问题II的回复中选择了相应渠道，则虚拟变量取值为1，否则为0。如表2的面板A和B所示，各渠道之间的相关性非常低，这表明它们捕捉到了企业关注股票市场的不同动机。
随后，我们基于2022年调查中对问题III的回复，探讨了企业期望学习的信息类型之间的相关性。对于选择学习渠道的企业，我们为不同的信息内容（宏观、政策、竞争、需求、技术、成本、并购、新冠）定义了指标。如果受访者对相应信息类型选择“非常同意”，这些指标取值为2；选择“同意”取值为1；“中立”取值为0；“不同意”取值为-1；“非常不同意”取值为-2。面板C报告了这些指标之间的两两相关性，范围从0.29到0.77。某些相关性高于其他，这与理论推理一致。例如，宏观信息与政策信息之间的相关性高于宏观信息与并购信息之间的相关性，因为宏观和政策都与整体经济相关，而并购则更具公司特定性。
3.4.2 回复的行业差异
我们还分析了企业回复的行业和时间差异。首先，如附录A1所示，我们发现金融市场的实际影响在各行业普遍存在，但存在显著差异。
例如，表A2的面板A显示，根据2022年调查，在所有行业中，关注股票市场的企业比例从90%到100%不等。
面板B显示，尽管这样做的首要原因是学习目的，但其普遍性也存在差异：在食品/饮料和农业行业，超过85%的企业选择了学习渠道；相比之下，在金融行业（包括银行和非银行金融），选择该原因的企业不到66%。
类似地，表A3显示，企业从股价中提取的信息内容也因行业而异。例如，社会服务行业中有75%的企业确认客户需求信息是有用的，而在钢铁行业，只有49%的企业这样认为。
3.4.3 回复的时间变化
未列表的结果表明，在两轮调查之间，企业并未显著改变其回复，这可能归因于短短三年的间隔。特别是，企业对学习渠道（问题II中的选项A）的态度非常一致。在对2019年调查做出回复的3,626家企业中，大多数（2,228家，占61.4%）没有改变其回复。在其余38.6%的企业中，有773家（21.3%）从不确认学习渠道转变为确认，而有625家（17.2%）从确认转变为不确认。
4 管理学习
鉴于文献中对金融市场实际影响的质疑主要集中在学习渠道的存在性上，我们在后续章节中将重点关注这一渠道。对调查证据的一个普遍担忧是，受访者可能没有认真对待他们的回答，因此他们的答案可能无法反映他们的实际想法或做法。在以下分析中，我们研究企业关于学习渠道的反馈如何与其特征和行为相关联，以进行更可靠的验证。
2022年调查共有4,641家回复企业。我们剔除了财务困境、上市不足6个月、正在退市、停牌、属于金融行业或关键信息缺失的企业，最终得到4,171家企业的样本用于实证分析。
4.1 假设提出
在本小节中，我们针对企业在问题II和III中对学习渠道的反馈提出两组预测。第一组旨在利用企业特征来解释这些反馈，而第二组则试图评估这些反馈的真实性。
在构建第一组基于企业特征的预测时，我们持有一个基本前提：如果一家企业认为股价是有用的信息来源，从而在其投资决策中对价格信号赋予重要权重，那么该企业将在问题II中选择选项A（“股价包含对实体投资决策有参考价值的新信息”）
假设1. (解释学习渠道)。如果满足以下条件，企业更有可能报告其为学习目的而关注股价（在问题II中选择选项A）：
首先，投资者的私人信息增加了股价中对公司管理者而言是新信息的信息量，从而增加了管理者在做出投资决策时依赖价格的程度（参见Grossman和Stiglitz, 1980; Easley和O'Hara, 1987），这构成了假设1(a)的基础。其次，当公司管理者自身拥有更多私人信息时，他们在投资决策中对股价的依赖程度预计会降低（例如，Chen等人，2007; Goldstein和Yang, 2019），这解释了假设1(b)。第三，关于分析师信息精确度和管理专业程度的预测（假设1(c)和假设1(d)）更为微妙。原则上，分析师的信息精确度对公司管理者依赖价格的程度可能产生两种相反的影响。一方面，如果分析师产生的信息并融入价格的信息对公司管理者来说是新的，那么更精确的分析师信息会增加管理者认为价格是重要信息来源的可能性。另一方面，如果分析师主要帮助将管理者的信息传递给市场（例如，Bailey等人，2003; Agrawal等人，2006），那么分析师发布的信息将降低投资者对自身私人信息的依赖，从而降低价格信息含量。Chen等人（2007）发现，在美国市场，第二种效应占主导地位。尽管我们在对分析师信息建模时采取了第二种观点，并预测当分析师信息更精确时，企业对价格的依赖程度更低（假设1(c)），但我们更多地将此预测视为一个实证问题。此外，关于管理者特征，我们假设如果公司管理者更专业，他们能更好地理解市场，因此更有可能利用价格作为指导其实体投资的有用信号（假设1(d)）。最后，假设1(e)提出了一个基于价格信息含量的预测。直观地说，对管理者从价格中学习而言，重要的是股价中新信息的数量。因此，如果企业认为其股价信息丰富且包含新信息，它们就更有可能报告为学习目的而关注股价。当然，这种感知到的价格信息含量与其他企业特征相关，如投资者信息、分析师关注度和管理专业程度。
假设2. (验证学习渠道)。在其他条件相同的情况下，
(a) 报告为学习目的而关注股价的企业（即在问题II中选择选项A）的投资-价格敏感性高于非学习型企业；
(b) 确认从股价中学习信息的企业（即在问题III的某个选项中选择“非常同意”或“同意”）的投资-价格敏感性高于未确认的企业；并且
(c) 学习型企业的投资绩效高于非学习型企业。
假设2(a)旨在验证企业在问题II中关于是否从股价中学习的回答。我们预测确认从价格中学习的企业将在其投资决策中使用这些价格信号，因此表现出比不学习企业更高的投资-价格敏感性。假设2(b)转向企业在问题III中关于他们学习何种具体信息的回答。我们预期，如果企业从股价中学到了大量关于某些维度的信息，他们在投资决策中将更加依赖价格，从而导致更高的投资-价格敏感性。假设2(c)探讨学习的结果。具体而言，我们预测报告从市场学习的企业将因此提高其投资绩效和股东价值。
4.2 解释学习渠道：检验假设1
在本小节中，我们使用2022年调查数据检验假设1的五项预测。假设1旨在理解企业关于是否为学习目的而关注股价的反馈。
4.2.1 方法
我们使用第3.4小节构建的虚拟变量Learn来表示学习渠道，如果企业在问题II中选择A，则该变量等于1，否则为0。然后我们采用以下模型来探索通过学习渠道影响实际效果的因素：
Learn = a + bFactor + cControls + ε, (1)
其中Factor表示可能影响企业关注股价行为的因素，如信息环境、管理者专业程度以及其他市场或企业特征。在所有回归中，我们还控制了企业市值的自然对数（Size）、企业杠杆率（Leverage）、上市历史（History）、国有企业虚拟变量（SOE）、年度股票收益率（Ret）和波动率（Vola），以消除规模、资本结构、上市历史、所有权性质和股票表现的影响。此外，我们还加入了受访者职位、行业和省份固定效应，以吸收仅随受访者级别、企业行业和企业地理位置变化的影响。所有自变量均使用截至2021年的信息构建。由于Learn是一个二元选择变量，我们使用Probit回归来估计方程(1)。
4.2.2 投资者信息
我们使用机构持股比例（InsShares）作为股价中包含的投资者信息的第一个度量指标，假设机构股东拥有关于公司的优越信息，并通过交易将其资本化（例如，Daniel等人，1997；Boone和White，2015）。我们的第二个投资者信息度量指标是Short，这是一个卖空虚拟变量，如果股票允许卖空，则取值为1，否则为0。卖空者是有效的信息生产者，通过交易积极地将（负面）信息贡献给价格（例如，Boehmer等人，2008；Engelberg等人，2012）。我们将方程(1)中的Factor替换为投资者信息代理变量，并关注系数b。表3的第(1)列和第(2)列报告了Probit回归结果。InsShares和Short的边际效应分别为0.0248和0.0261，在5%的水平上统计显著。关于经济影响，InsShares每增加一个标准差，学习概率增加0.6%；允许卖空的企业学习概率比禁止卖空的企业高2.6%。综上所述，以上结果与我们的假设1(a)一致，即如果管理者认为其股价包含更精确的投资者信息，则更有可能从股价中学习。
4.2.3 管理者信息
我们使用两个代理变量来衡量管理者的私人信息。第一个代理变量是内部人交易（Insider），定义为内部人交易笔数占总交易笔数的比例。由于包括公司管理者在内的内部人可能利用其私人信息进行交易以获取超额回报（例如，Finnerty, 1976），变量Insider可以反映管理者拥有的私人信息。管理者信息的第二个代理变量是盈余反应系数（ERC），定义为四个季度盈余公告期间（公告日前后各5天）市场模型异常股票收益率绝对值的平均值。如果ERC很高，说明盈余中包含未公开并融入价格的信息。由于管理者可以接触会计数据，因此在公告前就知道盈余情况，ERC随着管理者私人信息的增加而增加（例如，Chen等人，2007；Gomes等人，2007）。我们根据方程(1)将学习渠道虚拟变量Learn对Insider和ERC进行回归，并在表3的第(3)列和第(4)列报告了Probit回归结果。确实，与假设1(b)一致，我们发现如果管理者拥有精确的私人信息，他们从股价中学习投资信息的可能性较小：Insider和ERC的边际效应为负，且在5%的水平上统计显著。Insider (ERC) 每增加一个标准差，学习概率降低4.2% (1.2%)。
4.2.4 分析师信息
我们使用跟踪企业的分析师数量（NAnalysts）和2021年产生的盈利预测数量（NForecasts）来衡量分析师信息。然后我们将Learn对分析师信息代理变量进行回归，并在第(5)列和第(6)列报告Probit回归结果。NAnalysts和NForecasts的边际效应分别为-0.0007和-0.0007，在1%的水平上统计显著，这表明跟踪企业的分析师越多，企业为投资目的从股价中收集信息的可能性越低。关于经济显著性，NAnalysts (NForecasts) 每增加一个标准差，学习概率降低0.9% (1.6%)。因此，在中国市场，分析师关注度越高的公司报告从市场学习的可能性越低，这与假设1(c)一致。如前所述，这一预测是在假设分析师帮助将管理者的信息传递给市场并降低价格信息含量的前提下得出的，这一观点在美国市场已有支持证据（例如，Bailey等人，2003；Chen等人，2007）。
4.2.5 管理者专业程度
我们使用两个代理变量Professional和Degree来衡量公司层面的管理者专业程度（关于教育和背景对金融决策影响的讨论，参见Guiso和Sodini, 2013）。对于管理团队的每个成员，我们定义一个背景虚拟变量，如果其具有商业、会计、金融、管理和法律等专业服务背景，则取值为1，否则为0。然后，我们通过计算管理团队中背景虚拟变量的平均值来构建公司层面的Professional变量，以衡量管理者专业程度。我们以类似方式构建变量Degree。对于每个成员，我们按以下方案衡量其教育水平：高中（或职业高中）及以下为1，大专为2，本科为3，硕士为4，博士为5。然后，我们通过计算教育变量的平均值来构建公司层面的Degree变量。我们将Learn对Professional和Degree按方程(1)进行回归，并在第(7)列和第(8)列报告Probit回归结果。如假设1(d)所示，Professional和Degree的边际效应分别为0.1343和0.0301，分别在1%和10%的水平上统计显著。关于经济规模，Professional (Degree) 每增加一个标准差，学习概率增加2.0% (1.5%)。
4.2.6 价格信息含量
为检验假设1(e)，我们假设在其他条件相同的情况下，当价格包含更多信息时，企业也会如此感知，因此我们使用先前研究中常用的标准价格信息含量度量指标来代理感知信息含量：(1) 1-R²，即Roll (1988) 和Durnev等人 (2004) 提出的基于R²的价格非同步性（或公司特有收益变化）度量指标。该指标基于收益信息，反映了通过投机者交易活动融入股价的私人信息；(2) AdjPIN，即Duarte和Young (2009) 提出的知情交易概率调整度量指标。它同时利用股票收益和订单信息构建，衡量来自知情交易者的股价私人信息量；(3) PriceDelay，即Hou和Moskowitz (2005) 提出的价格延迟度量指标。它基于股票收益，衡量公司股价对信息反应的平均延迟，反映了股价的信息效率。根据构建方式，1-R²和AdjPIN与价格信息含量正相关，而PriceDelay与价格信息含量负相关。在检验假设1(e)时，我们将Learn对这三个信息含量度量指标进行回归。Probit回归结果报告在第(9)、(10)和(11)列。第(9)列和第(11)列中1-R²和PriceDelay的边际效应分别为0.0742和-0.0023，分别在1%和5%的水平上统计显著，表明总体上当价格信息丰富时，管理者更有可能为获取投资信息而关注其股价。第(10)列中AdjPIN的边际效应为正，但统计上不显著。因此，结果总体上与我们的假设1(e)一致。注意，第(9)至(11)列的结果也可以从另一个角度解释为利用调查证据来评估价格信息含量的实证代理变量。考虑到文献中缺乏公认的度量指标，这一点尤其相关。也就是说，如果相信我们的调查数据，这些结果表明，在中国背景下，1-R²和PriceDelay是比AdjPIN更稳健的价格信息含量度量指标。
4.2.7 国有企业
在所有控制变量中，我们观察到变量SOE的系数在所有回归中均显著为负。这些企业与政府关系密切并有政治考量，可能更倾向于在回答中迎合期望，但实际上它们对学习渠道的支持度较低。这种模式与理论推理一致，并进一步验证了我们的调查方法。直观地说，国有企业承担一定的社会责任，因此其目标对盈利能力的重视程度较低。因此，它们较少依赖股价来提取有助于提高投资盈利能力的信息。
4.3 验证学习渠道：检验假设2
我们首先通过检验投资-价格敏感性与企业调查反馈之间的关联来测试假设2(a)和2(b)，这两个假设将企业是否从价格中学习以及学习什么内容的决策与其实际投资决策联系起来。随后，我们利用并购情境来测试假设2(c)，该假设涉及从股价中学习的结果。
4.3.1 投资-价格敏感性与调查反馈：检验假设2(a)和2(b)
我们首先描述检验方法。为了检验假设2(a)和2(b)，我们首先定义不同的检验样本。全样本期间为2012年至2021年，包括2022年调查中所有4,171家回复企业样本。在检验假设2(a)时，我们根据企业对问题II的反馈将全样本分为两个子样本：Learn子样本包括选择学习渠道的企业，NoLearn子样本包括未选择学习渠道的企业。在检验假设2(b)时，我们利用对问题III的反馈，根据企业从股价中提取的信息类型来定义子样本。具体而言，对于每个关于信息内容的陈述（关于这些陈述的详细信息见第2.1小节），如果企业选择“非常同意”或“同意”，则该企业属于Affirm子样本；否则，属于NoAffirm子样本。也就是说，相对于NoAffirm子样本中的企业，Affirm子样本包含了更可能在特定信息维度上从股价中学习的企业。接下来，我们采用以下公司-年度层面的模型来考察企业反馈与投资-价格敏感性之间的关联：
Capxrndi,t+1 = ai + bt + c*Qi,t + Controlsi,t + εi,t, (2)
其中Capxrnd表示企业的资本支出加研发费用，除以年初总资产；Q表示托宾Q值；Controls是控制变量向量，包括经营产生的净自由现金流除以账面资产（CF）、未来三年的股票收益率（Ret3）以及账面资产的倒数（InvAst）；所有变量均为公司-年度层面。我们还在回归中加入了公司和年度固定效应，以吸收仅随公司和时间变化的影响。我们比较不同子样本中的c来检验假设2(a)和2(b)。
在检验假设2(a)时，我们比较了在问题II中报告学习渠道的企业与未报告的企业之间的投资-价格敏感性。表4报告了根据方程(2)进行的OLS回归结果。在全样本中，Q的系数估计值为正，且在1%的水平上显著（第(1)列），表明总体上企业对股价揭示的投资信号有反应。更重要的是，这种正向效应仅存在于Learn子样本中（第(2)列）；相比之下，NoLearn子样本中的系数估计值在统计上不显著（第(3)列）。两个子样本之间的系数差异为正，且在5%的水平上显著。上述结果与假设2(a)一致，通过显示学习型企业确实按照他们在调查中所说的去做，验证了我们的调查结果。
表5通过比较在问题III中确认学习特定信息类型的企业与未确认的企业之间的投资-价格敏感性，检验了假设2(b)。结果显示，对于所列出的几乎所有信息类型，Affirm和NoAffirm子样本之间都呈现出显著差异。具体而言，我们有两个关键发现。第一，对于每种信息类型，Affirm子样本的投资-价格敏感性始终高于NoAffirm子样本。除新冠相关信息外，所有类型的差异均在1%的水平上统计显著。第二，对于所有信息类型，Affirm子样本中的敏感性在统计上显著（在1%或5%水平）。相比之下，NoAffirm子样本中的敏感性在几种类型（例如，宏观、政策、竞争地位和产品需求）上不显著。这些结果为假设2(b)提供了有力支持，并验证了企业试图提取问题III中列出的信息类型来指导其实体投资。
4.3.2 并购情境下学习带来的价值提升：检验假设2(c)
在本小节中，我们检验假设2(c)，并解决声称从市场学习的企业是否确实提升了股东价值的问题。鉴于不学习的决策可能反映了特定的管理背景或态度，这种决策可能是次优的，因此我们预期学习型企业在某些方面会表现出更好的业绩。为了回答这个问题，我们聚焦于并购情境。具体而言，我们预期如果学习能创造价值，那么从股价中学习潜在并购机会信息的收购方企业应该信息更灵通，并且表现优于非学习型同行。
我们从CSMAR数据库获取2018年至2022年中国市场的并购交易信息。我们使用以下四个代理变量来衡量企业的收购绩效（MA）：(1) NAnnounce，样本期间内企业作为收购方宣布的并购提案数量；(2) NCompletion，企业成功完成的并购数量；(3) BHAR，并购完成后12个月内，经行业、规模和账面市值比调整的买入并持有异常收益率；(4) CAR，并购提案公告日前后各一天（-1天到+1天）的累计异常收益率，使用市场模型估计。
我们基于企业对2022年调查中问题III的选项G的看法（调查问题见第2.1小节，对反馈的分析见第3.3小节），构建了一个代理变量LearnAcq来衡量企业学习并购机会信息的程度。LearnAcq的取值规则如下：如果企业对“当从市场学习时，关于公司潜在收购其他公司、资产或技术的前景的信息是有用的”这一陈述选择“非常同意”，则取值为2；选择“同意”取值为1；“中立”取值为0；“不同意”取值为-1；“非常不同意”取值为-2。如果企业不学习（在问题II中未选择选项A）或根本不关注股价（在问题I中未选择A或C），LearnAcq也取值为-2。
为了检验学习对企业收购绩效的影响，我们进行以下回归：
MA = a + b*LearnAcq + Controls + ε, (3)
表6报告了OLS回归结果。第(1)列和第(2)列中LearnAcq的系数估计值分别为0.0531和0.0167，在1%和5%的水平上统计显著。这表明学习并购信息的企业更频繁地竞购其他公司或资产，并且在更多情况下成功完成交易。关于经济规模，如果LearnAcq增加1（例如，关于学习并购信息的看法从“中立”变为“同意”），提案数量（NAnnounce，均值=1.40）和成功完成交易数量（NCompletion，均值=0.51）分别增加3.8%和3.2%。第(3)列报告了成功完成交易的并购后绩效结果。LearnAcq的系数估计值为0.0140，在1%水平上显著，表明相对于不学习并购信息的收购方企业，学习型收购方更善于选择目标和进行并购后整合，为股东创造更多价值。这个效应相当可观：如果LearnAcq增加1，收购方在并购后12个月的股票表现（BHAR，均值=0.75%）将相对于样本均值增加17.3%。类似地，我们发现LearnAcq与这些并购提案公告前后的股票市场反应呈显著正相关，指向价值提升效应。总体而言，我们的结果支持了在并购情境下从股价中学习能够提升价值的观点。如果收购方从股价中深入学习潜在并购机会的信息，它更有可能竞购其他公司或资产，并成功完成交易的可能性更高。更重要的是，其股票在长期和公告期间表现都更好，表明学习确实提升了股东价值。
5 停牌：企业所言与企业所行
我们已经论证，由于问题的学术性质以及我们长期建立的信任关系，受访者不太可能在我们的调查中提供不实信息。在第4节中，我们还将企业的反馈与其特征和实际投资联系起来，从而验证了关于学习渠道的调查回复。在本节中，我们通过提供另一项验证测试，将企业在学习渠道上的反馈（所言）与其行为（所行）联系起来，进一步加强了这一论点。作为对比，我们也展示了融资渠道的类似测试结果。具体而言，我们考察了企业可能影响价格信息含量和价格水平的停牌主动管理行为，这提供了企业通过直接干预交易过程来确实关心股票市场的进一步证据。
5.1 中国股票市场的停牌
在中国股票市场，上海和深圳证券交易所允许上市公司因多种原因暂停其股票交易，包括：(1) 股东大会，(2) 重大事项，(3) 公司报告，(4) 异常交易，(5) 并购/重组，(6) 重大风险，(7) 媒体报道，以及 (8) 融资活动等。其中一些原因，特别是“重大事项”这一理由，具有足够的灵活性，使上市公司能够自主决定战略性暂停其股票交易。在实践中，企业可以很容易地以“重大事项”为由申请停牌，且无需披露具体原因。我们从CSMAR数据库收集了每家中国上市公司的停牌数据，包括停牌日期、停牌期限和停牌原因。我们的样本期间为2020年至2022年。表7报告了2022年调查中4,641家回复企业的停牌情况统计。在此期间，共有1,532次停牌（平均每年每家公司停牌0.11次），平均每次停牌持续11.8个交易小时。其中1,047次（68.3%）停牌时间超过4个交易小时（一个交易日，即上午9:30至11:30和下午1:00至3:00）。最常使用的原因确实是“重大事项”（51.6%），其次是“交易相关”（31.6%）和“重大风险”（8.5%）。
5.2 停牌的主动管理
我们试图将上市公司的停牌行为（企业所行）与它们在2022年调查中关于实际影响的反馈（企业所言）联系起来，以确认受访者是否提供了有意义的意见。首先，上市公司可以主动利用停牌来影响其股价中包含的信息，因为停牌阻止了交易者将信息融入价格。我们预期那些确认学习渠道的企业停牌的可能性较小，因为停牌会使企业失去股价这一信息信号，从而缩小其信息集。其次，在市场不利的情况下，上市公司也可以停牌以避免极端的价格下跌（例如，Huang等人，2019），因为价格下跌会损害它们从市场筹集资金的能力。因此，我们推测，如果股价大幅下跌，且企业确认融资渠道，它们会更频繁地停牌。正式地，我们提出以下假设：
(a) 那些回复称从股价中学习信息的企业，停牌的可能性较低。
(b) 那些回复称因融资渠道而关注股价的企业，在面临大幅价格下跌时，停牌的可能性更高。
在检验上述预测时，我们遵循Liu等人（2021）的方法，剔除了短于一天（4个交易小时）的停牌来构建测试样本。我们仅纳入因“重大事项”原因停牌的样本，因为企业使用此理由停牌具有最大的自主权（因其他原因，例如交易相关原因的停牌，可能根据交易所规则是强制性的）。然后，我们在公司-月份层面估计以下Probit回归：
Suspi,t = bt + cFeedbackiPriceDropi,t + dFeedbacki + ePriceDropi,t + Controlsi + εi,t, (4)
其中，Suspi,t 是一个虚拟变量，表示公司i在t月是否因“重大事项”原因停牌。Feedbacki 表示关于学习渠道和融资渠道的虚拟变量：Learn，如果企业在问题II中选择A则等于1，否则为0；Fin，如果企业在问题II中选择B则等于1，否则为0。PriceDropi,t 捕捉大幅价格下跌，这是一个虚拟变量，如果公司i在t月的股票收益率处于所有公司-月份的最低四分之一分位数（下四分位数的临界值为-7.6%），则等于1，否则为0。Controls 包含与方程(1)相同的所有公司层面控制变量。此外，我们在所有回归中都加入了年份、月份、受访者职位、行业和省份固定效应。我们在表8中报告了回归结果。
第(1)列和第(2)列使用Learn作为自变量。在第(1)列中，Learn的边际效应为-0.12%，且在1%的水平上显著。因此，对于在2022年调查中报告学习渠道的上市公司，其每月停牌的概率比非学习型企业低0.12%。考虑到样本中无条件停牌概率为0.57%，这一影响是相当可观的。在第(2)列中，我们将Feedback*PriceDrop项纳入回归。Learn的边际效应仍然显著为负。第(1)列和第(2)列中Learn的负回归系数与假设3(a)一致。我们还发现，第(2)列中交互项的边际效应为正且显著，表明那些为获取投资信息而关注价格的企业，在股价大幅下跌后停牌更频繁。虽然这一结果背后的确切机制尚不明确，但一种可能的解释是，严重的价格下跌可能通过引发追加保证金或恐慌性抛售等方式降低价格信息含量。
第(3)列和第(4)列报告了以Fin为自变量的回归结果。第(3)列显示，总体而言，报告因融资目的而关注股价的企业并不频繁停牌，因为Fin的边际效应不显著。然而，在第(4)列中，Fin*PriceDrop的边际效应为正，且在1%的水平上统计显著，这表明如果股价大幅下跌，且企业出于融资目的关注价格，它们会更频繁地停牌以维持价格水平。同样，这些结果证实了假设3(b)。
6. 结论
在本文中，我们采用调查方法来研究金融市场的实际影响。我们在2019年和2022年进行的两轮调查非常全面，覆盖了几乎所有中国上市公司，回复率分别高达99.9%和98.1%。我们的调查显示，超过90%的企业关注股票市场，其主要动机有两个：从价格中学习和确保融资。我们的分析聚焦于学习渠道，因为其存在性是文献中主要的质疑点。我们的调查证据表明，宏观、行业、政策、监管和竞争信息——这些信息对企业而言是外部的，且汇集不同市场参与者信息能带来更大好处——是企业从金融市场学习的最重要信息。这些发现为金融市场通过学习渠道广泛存在实际影响提供了直接证据。
我们研究了调查反馈如何与企业的特征和行为相关联，以解释和验证调查结果。我们发现，当企业的投资者信息更灵通、管理者信息相对不灵通、被分析师跟踪较少、管理者受教育程度更高或拥有更相关背景、以及其股价信息含量更高时，企业更有可能为学习目的而关注股价。我们还发现，确认学习渠道的企业具有更高的投资-价格敏感性。此外，我们的结果表明，在并购背景下，从股价中学习能够提升价值。最后，通过考察企业停牌的决策，我们发现它们报告的动机与实际行为之间存在高度一致性。确认学习渠道的企业停牌可能性较低，从而保留了信息生产。相反，确认融资渠道的企业在股价大幅下跌后更有可能停牌，以维持一定的价格水平。
总而言之，我们的分析突显了市场反馈的普遍性，特别是通过将金融市场与实体经济联系起来的信息学习渠道。
本次阅读遇到的不熟悉的英文单词
specifically 具体的；明确的；专门的；特定的
what matters for 重要的是；重要意义在于
评论