网络水军与资源配置效率：基于大股东减持视角

摘要：清朗的互联网环境是我国建立“网络强国”之基础，水军作为极具诱导性的群体严重干扰了网络秩序。本文建立一种新的水军识别策略，并以大股东减持为场景，探究水军在资本市场中的作用。研究发现：(1)相对于未发生大股东减持，大股东减持期间水军活跃度明显上升；(2)上述趋势在股价波动性高、个人投资者关注度高、分析师跟踪数量少的公司更明显；(3)对于存在水军活动的减持样本，其股价在完成减持前迅速上升，而后出现“断崖式” 下跌，而无水军组不存在此种趋势。上述结果意味着，大股东雇佣水军拉升股价后进行减持， 扰乱了证券交易秩序，降低了资本市场资源配置效率。本文开拓了资本市场中水军行为的研究，对于投资者保护、资本市场环境以及网络治理具有重要意义。

关键词：互联网环境；网络水军；社交媒体；投资者保护；大股东减持 

引言 

4G 时代的来临加快了“移动互联网”及相关产业的发展，社交媒体、电商等线上平台的兴起逐渐改变了人民的生活方式。随着互联网的影响日益广泛，网络环境的监督治理对于构建和谐社会至关重要。党的十九大报告强调需要“加强互联网内容建设，建立网络综合治理体系，营造清朗的网络空间”，这也成为现阶段互联网发展的三大任务。基于监管部门和政府的重视，我国出台了一系列规范网络环境安全、内容建设的法律法规，如《网络安全法》、《互联网论坛社区服务管理规定》等，这些法律法规的出台一方面表明我国互联网建设进入了有法可依的重要阶段，另一方面也意味着现阶段的互联网环境还存在着诸多问题。尤其是各大网络平台上存在的水军这一特殊群体，其具有炒作性、诱导性等特点，广泛活跃于流量明星宣传、线上购物网站①等领域，成为近些年网络环境的重点整治对象。水军通过有偿删帖、有偿发帖、非法广告宣传等方式破坏了正常信息传递和交流，严重阻碍了市场的健康、持续发展②。基于此，很多研究对水军的存在性、特征及其影响展开探讨，但主要聚焦于零售、餐饮、酒店等实体经济行业。部分研究发现竞争程度及品牌优势成为商家雇佣水军的主要考量因素(Mayzlin et al., 2014; Luca et al., 2016)，另一些研究发现水军可以快速提高雇主知名度，影响消费者决策，受到处罚的概率和力度却很低(Xu et al., 2015; 郑春东等, 2015; Lappas et al., 2016)。现有文献忽略了以信息提供、交流和应用为主要载体的资本市场中水军的存在性、特征及影响。本文则试图补充这一研究不足，了解网络水军对资本市场的作用， 不仅有助于认识我国互联网建设中存在的问题，而且也对改善资本市场效率提供重要帮助。

理论上，网络水军对资本市场的作用方向并不明确。一方面，网络水军可能不利于资本市场中的信息传递，进而干扰了股票定价功能的有效发挥。水军可能在股吧散布带有炒作性质的信息，这将诱导投资者作出非理性决策。尤其是在我国中小投资者普遍存在“一夜暴富” 心理的情况下，水军有目的地散布误导性信息很可能引发散户的羊群行为，引起股票价格大幅波动，降低资本市场定价和资源配置效率。另一方面，网络水军也可能起到改善资本市场定价和资源配置效率的作用。我国资本市场存在较高的信息不对称现象，拓展有效的信息交流平台有助于资本市场信息功能的有效发挥。水军在股吧中的信息传播，可能作为其他信息传递和交流方式的有效补充。例如，当公司出现利好消息或试图向市场传递信号时，可以通过雇佣水军在股吧中进行交流，以扩大其在社交媒体平台的影响。这种情况下，水军有助于改善上市公司的信息环境质量。因此，网络水军对资本市场是正向还是负向影响仍然存在较多争议，本文拟对这一问题进行考察并弥补现有文献之不足。

本文以大股东减持为研究场景考察水军在资本市场中的作用，存在以下两方面原因。首先，结合特定场景（如大股东减持）可以突出网络水军的动机。若直接考察水军的经济后果， 如水军在股吧中交流时的信息含量，面临较多的替代性解释和潜在的内生性问题。以大股东减持为研究场景，不仅可以直接观察大股东减持期间水军的行为变化，而且很容易验证水军行为的潜在动机，即大股东雇佣水军进行信息误导，增强研究结论的可信性；其次，网络水军在资本市场中的作用并不明确，结合大股东减持场景则有助于确定水军的性质。现有研究发现大股东通过“信息操纵”、“高送转”等非正规方式套现离场，严重侵害了中小投资者权益(吴育辉等, 2010; 李心丹等, 2014)。若水军在大股东减持过程中发挥了作用，则表明其扰乱了二级市场的交易秩序，在资本市场中扮演了负面角色。此外，在我国追求资本市场高质量发展的目标下，探究水军是否成为大股东“割韭菜”的新手段对于保护中小投资者的意义重大。

本文基于东方财富网股吧 2016-2018 年的热帖数据，构建一种新的水军识别策略，有效识别出资本市场中的水军，并在此基础上分析了大股东减持与水军行为的关系。经验证据显示，相较于未发生大股东减持，大股东减持期间内的水军活跃度显著上升；上述关系在股价波动性高、个人投资者关注度高、分析师跟踪数量少的公司中更加明显。本文进一步检验了大股东减持过程中雇佣水军的经济后果，结果表明相对于没有水军参与的大股东减持，有水军参与的大股东减持公司超额收益率始终为正，但在减持完成后呈现出“断崖式”下跌的趋势。此外，金融机构及持股排名较低的大股东减持行为与水军活跃度的关系不明显，在增持的过程中大股东并没有雇佣水军的行为。上述结果表明，大股东减持过程中存在雇佣水军进行信息操纵并以此牟利的情况，这一行为严重扰乱了资本市场秩序，不利于资本市场资源配置功能的有效发挥。

本文的研究意义包括如下四点：第一，开创性研究了资本市场中的水军行为及其影响。受制于数据和模型的限制，学术界关于水军的研究仅集中于服务型（如餐饮和零售）行业。本文探究了资本市场中的水军产生机制，发现大股东减持是影响水军活跃度的主要因素，并且网络水军妨碍了资本市场资源配置功能的发挥，这对于后续研究具有较强的启发作用；第二，提供了水军识别策略的新方法。目前大多数关于水军识别的模型均集中于计算机领域， 但无法直接适用于资本市场的实证研究。本文依据股吧的独特结构寻找出水军识别的核心特征（帖子内容与所在贴吧错位），并附加文献中的常规特征（文本重复度、时间集中度等），增强了水军识别效果，拓展了新的水军识别策略；第三，本研究具有重要的现实意义，可以为加强中小投资者保护建言献策。我国资本市场的建设还有待完善，相关法律制度尚不完备， 这导致了大股东攫取中小股东财富效应的情况比较严重。在互联网迅速发展的时代，利益相关者“割韭菜”的形式也更新迭代。水军作为极具炒作性和诱导性的群体很可能误导个人投资者，使其作出错误的投资决策。此种情况下，识别水军特征及其影响机制对于中小投资者的保护具有重要意义；第四，对于我国网络信息环境的监管具有重要启示作用。党的十九大报告强调需要“营造清朗的网络空间”，而论坛社区作为互联网的重要组成部分受到政府部门的重视。本文发现对于以信息为重要载体的资本市场，网络水军可能损害市场秩序和定价功能。认识这一点有助于全面了解我国互联网环境现状及存在的问题，从而为网络治理提供新的思路。

论文后续的结构安排如下：文献综述与理论分析、水军识别策略、研究设计、实证结果分析、稳健性检验、研究结论。 

一、文献综述与理论分析 

1.   文献综述

 现有关于水军的实证研究聚焦于零售、餐饮、酒店等服务型行业，消费者的在线评价(Online Review)为其提供了数据基础。部分文献考察了水军的影响因素，Mayzlin et al.(2014) 将 Expedia 和 TripAdvisor 旅行网站的订单评价机制差异作为研究情境，发现与竞争对手相邻的酒店具有更多负面的水军评论，而规模小的酒店拥有更多正面的水军评论。Luca et al.(2016)将 Yelp 平台的过滤算法作为识别水军的依据，发现当餐厅面临声誉危机时正面水军评论的数量显著上升。当竞争程度加剧时，餐厅收到负面水军评论的概率更高。Gössling etal.(2018)调研了瑞典南部的酒店行业，发现研究对象普遍存在着雇佣水军行为。作者认为“线上评论机制”加剧了行业内的竞争程度，提高了商家雇佣水军的可能性。此外，多数文献还探究了水军引发的经济后果，Xu et al.(2015)调研了水军产业链的业务活动及运作机制，发现水军雇主提高店铺信誉的速度为合法商家的十余倍，但是受到处罚的概率很低。Lappas etal.(2016)发现在某些市场中 50 条水军评论足以让雇主的知名度超过任何竞争对手。Wessel etal.(2016)发现水军活动可以显著提高众筹项目短期内的关注度，但此种趋势在后续期间发生了反转。郑春东等(2015)发现水军言论可以误导消费者决策，而且正面与负面水军言论的影响机理存在差异。魏瑾瑞等(2020)发现口碑作假嫌疑与店铺绩效存在倒 U 型关系，小范围雇佣水军可以提高店铺的商品销量。

通过对上述文献的梳理可知，学术界对于以社交媒体为载体的水军研究刚刚起步，绝大多数文献都聚焦于服务型行业，发现品牌优势和竞争程度成为商家雇佣水军的主要考量因素。资本市场作为提高实体经济资源配置效率的重要载体，却鲜有研究考察网络水军在资本市场中的作用。在社交媒体逐渐成为个人投资者主要信息来源的背景下，资本市场中的水军活动及其产生机制有待进一步探究。

2.   理论分析 

委托代理理论的建立与完善(Jensen et al., 1976; Myers, 1977; Jensen, 1986)是经济学发展的重要里程碑，也成为公司治理领域的经典研究话题。代理问题随着资本市场间的差异呈现出不同的表现形式，La Porta et al.(1999)、 Claessens et al.(2000)认为新兴市场中“一股独大”的股权结构引发了控股股东与中小股东的矛盾。作为新兴市场的代表，我国正逐步完善资本市场体系和法律法规建设以保护中小投资者的利益。但由于内部交易的隐蔽性和相关法律的可执行性不强(贾明等, 2009; 张俊生等, 2011; 谢德仁等, 2016)，大股东“割韭菜”的事件层出不穷。现有文献发现除信息优势(Ke et al., 2003; 朱茶芬等, 2011; 蔡宁, 2012)等正常渠道外，大股东还倾向于采用非正规手段操纵股价以满足自身利益。如充斥在我国资本市场中的“高送转”乱象提高了投资者的非理性预期，成为公司内部人拉升股价减持套现的重要手段 (李心丹等, 2014; 谢德仁等, 2016;  崔宸瑜等, 2017)。信息披露作为公司业务成果的载体，也成为大股东操纵股市实现超额收益的主要方式(吴育辉等, 2010; Cheng et al., 2013; 鲁桂华等,2017)。除上述手段外，文献发现大股东可以通过资本运作(张晓宇等, 2017)、股票更名(郑志刚等, 2018)、盈余管理(Darrough et al., 2005; 章卫东等, 2011)、与市场中介合谋(赵良玉等,2013; 易志高等, 2017)等方法降低资本市场的定价效率并从中牟利。现有研究较为全面地探讨了利益相关方掏空公司的方式，然而在互联网技术飞速发展的背景下，大股东攫取中小股东利益是否存在着新的形式值得深入探究。

财经论坛作为个人投资者交流经验的开放性平台降低了信息不对称性，其涵盖的分析师报告、财经专家股评等多种信息源为个人投资者决策提供了指导。然而论坛的开放性也为水军提供了活动空间，这干扰了资本市场中的正常信息流动。根据委托代理理论，大股东很可能通过雇佣水军的方式实现股票交易中的收益最大化，因为这种方式具有更低的违规成本。学术界依据信息的性质将其分为“硬信息”与“软信息”两种类型，硬信息为法律法规要求披露的正式公告，而软信息主要包括市场传闻、媒体报道以及财经论坛的交流贴等。大股东操纵硬信息涉及较高的合规性风险，近年来我国资本市场的监管形式趋于丰富，涵盖了处罚性监管和非处罚性监管等多种方式(陈运森等, 2018; 陈运森等, 2019)，降低了上市实体违反信息披露规定的可能性。相比之下软信息的可操纵空间更大，大股东被追责的概率更低(易志高等, 2017)，大量文献验证了上市公司与媒体合谋降低了信息环境质量(才国伟等, 2015; 王木之等, 2016)。水军言论作为一种特殊的软信息受到曝光及处罚的概率同样处于低水平(Xu et al., 2015)。对于水军雇主而言，雇佣水军的交易分散且单笔金额低，多数情况下不构成立案标准，更多依赖于平台的内部整治③，这使得水军雇主受到曝光的概率大大降低。在水军团伙方面，线上的作案方式给公安机关的抓捕行动带来较大困难④，降低了水军交易受到处罚的概率。即使水军团伙被逮捕，对水军雇主的追责也需要视情节轻重而确定。因此， 对于利益相关者而言，雇佣水军成为一种比较安全的信息操纵手段。基于以上分析，本文提出研究假设 1： 

H1：相较于未发生大股东减持，大股东减持期间的水军活跃度更高。

 为了打开大股东减持影响水军活跃度的“黑箱”，本文首先从股价波动性的角度进行分析。钟廷勇等(2017)通过建立数学模型发现知情交易者可能通过信息操纵拉升股价并套现离场，而且其收益与公司股价的波动性存在正相关。这与减持大股东雇佣水军进行造势的本质相同，利益相关者均希望以等同的成本获取更高的收益，由此可以推断公司的股价波动性成为研究问题的关键调节因素。在股价波动性高的公司中，造势行为可以引发股价拉升的幅度较大，减持大股东预期获取的超额收益更多，雇佣水军的动机更强。反之，在股价波动性低的公司中，减持大股东预期雇佣水军获取超额收益的幅度更小，雇佣水军的动机更弱。基于以上分析，本文提出研究假设 2：

H2：大股东减持期间水军活跃度更高的趋势在股价波动性高的公司中更明显。 

传统财务理论假设投资者搜集和处理信息的能力不存在瓶颈，而随着行为金融理论的不断发展，投资者的“有限认知”愈发受到学术界的关注(段江娇等, 2017; 杨涛等, 2019; 刘杰等, 2019)。水军通过在多个贴吧散布雇主公司信息可以成功引发个人投资者的关注，并且水军言论的诱导性足以导致个体作出错误决策(郑春东等, 2015)，对于缺乏专业财务知识、寻求一夜暴富的个人投资者此种效应愈加明显。因此，公司受到个人投资者的关注程度对于水军是否能发挥效果起到关键作用，这也决定了利益相关者是否会采用雇佣水军的方式进行造势。若公司在股吧中受到的个人投资者关注度较高，那么水军发布帖子的影响力更高，对于股价产生的效果越强，大股东雇佣水军的动机更强。反之，在股吧受关注度较低的公司中， 大股东预期水军行为造成的影响更弱，所以更不会通过水军进行造势。基于以上分析，本文提出研究假设 3：

H3：大股东减持期间水军活跃度更高的趋势在个人投资者关注度高的公司中更明显。 

在公司治理领域，证券分析师作为一种重要的外部治理机制，对于约束内部人的潜在违规行为起到关键作用。大量文献也验证了分析师可以有效治理内部人在减持过程中的机会主义行为，比如李琳等(2017)发现分析师跟踪有效降低了企业内部人通过股票交易所获取的收益。周冬华等(2021)发现公司董事会成员利用了盈余预测进行择机股票交易，而证券分析师跟踪有效抑制了内部人的上述行为。以上研究表明，分析师跟踪对企业内部人交易形成了有效的威慑，这极大增加了减持大股东的违规成本。若在分析师跟踪数量较多的情况下，大股东仍然通过雇佣水军的方式牟取违规收益，分析师很可能将这种异常情况传递给资本市场的其他主体，进而可能触发行政监管、资本市场惩戒等机制，最终对减持大股东的自身利益造成严重威胁。因此，证券分析师跟踪所增加的违规成本将降低减持大股东雇佣网络水军的意愿。基于以上分析，本文提出研究假设 4：

H4：大股东减持期间水军活跃度更高的趋势在分析师跟踪数量少的公司中更明显。

 社交媒体赋予了投资者相对自由的言论权利，但这也导致了其中的信息质量难以得到保证。理论上，以社交媒体为载体的水军活动将干扰投资者决策，降低二级市场的定价效率。一方面，由于相关言论事后被追责的概率较低，水军可能在其中传播夸大的“内幕消息”（如附录的图 a 所示），通常这些信息与水军雇主公司的基本面相关，投资者可能基于此更新对雇主公司的价值判断，导致股票价格偏离实际价值。另一方面，水军有助于非理性情绪的传播。与欧美等成熟资本市场不同，我国二级市场的非理性程度较高，投资者容易受到媒体情绪影响(熊艳等, 2014)。水军很可能在社交媒体平台发布夹杂诱导性词语（如涨停、黑马等） 的言论，这将加剧个人投资者的非理性情绪。更严重的是，投资者很可能融入至水军言论的传播过程，引发诱导性信息的病毒式扩散，这将干扰股票市场中其他主体的投资决策，降低资本市场的定价效率。因此，水军在社交媒体中散布的炒作性信息很可能刺激个人投资者的交易行为，并拉升股价。但长期来看，由于雇主公司的基本面并未发生实质性变化，股票价格最终将回归于真实价值，这导致股价出现反转。基于以上分析，本文提出研究假设 5a 和5b：

H5a：相对于没有水军参与的情况，有水军参与的大股东减持期间股价上升，减持后股价下跌。

H5b：相对于没有水军参与的情况，有水军参与的大股东减持期间股票流动性上升，减持后流动性下降。 

二、水军识别策略 

1.   数据获取 

本文的个人投资者发帖数据来源于东方财富网股吧（https://guba.eastmoney.com），通过计算机语言获取 2016 年 6 月至 2018 年 8 月 A 股公司的全部热帖⑤，涵盖发帖人标识、所处贴吧、发帖内容、发帖主题以及发帖时间等字段，共计 1,889,379 贴。东方财富网股吧作为个人投资者活跃度最高、影响力最大的财经论坛之一，很多文献将其作为数据来源(董大勇等, 2011; 孙鲲鹏等, 2020)。研究窗口较短的原因在于股吧仅显示过去一段时间内的热帖，本文获取数据时展示窗口期大约为 2 年，再之前的热帖不予显示无法获取。为保证研究的便利性，本文还获取了股吧中活跃个人投资者⑥的特征，涵盖用户标识、注册时间、粉丝数等字段。

2.   水军识别策略

 目前大多数关于水军识别的文献均集中于计算机领域，具体可归结为有监督算法(Moh et al., 2010; Maan et al., 2013; 张良等, 2015; 张艳梅等, 2017)和无监督算法(Bouguessa, 2011;分布在多贴吧网民将某个上市公司的信息发布在多个贴吧，如网民在 A、B、C 公司的贴吧中均发布D 公司的相关信息界定相关概念后，本文建立如下水军识别策略，具体如图 1 所示。由图可知，识别模型主要包括两个步骤：（1）根据热帖内容识别水军账户；（2）根据水军账户确定水军贴，模型的具体细节如下。首先，在步骤 1 中需要识别出全部热帖中出现内容错位的情况（附录 a 提供了帖子内容错位的具体案例）。经筛选后⑦共计获得 137,830 条内容错位的帖子。由于用户存在误发、公司间对比分析等情况，内容错位的帖子并非一定由水军账户发布。为确保水军模型的识别效度，接下来辅助文献中的常规特征进行筛选。具体而言，若某个账户针对同一个上市公司发布多个帖子，发帖时间间隔小于 30 天，帖子间文本重复度大于 70%，且帖子至少分布在两个不相关的公司贴吧⑧，则将其定义为水军账户（附录 b 提供了水军账户的具体案例），筛选后共计获得 1,230  个水军账户。由于水军账户可能存在正常发帖的情况，为保证识别效度，将水军账户发布的内容错位的帖子归类为水军贴，共计 43,519 条。

三、研究设计 

1.   研究样本

 本文的水军数据来源于上述模型识别出的水军贴。通过巨潮资讯的专题统计模块获取了2016 年 6 月至 2018 年 8 月 A 股公司的大股东减持数据，涵盖减持方名称、减持日期、减持比例等字段。其他数据来源于国泰安和 WIND 资讯数据库。本文采用面板数据结构，将水军贴和大股东减持数据按照公司-月度进行统计，并剔除了金融行业、公司当月处于停牌以及相关数据缺失的样本，最终获得 72,793 个公司-月度观测值，涵盖 3,285 个 A 股公司。此外，本文针对所有连续变量进行上下 1%的 Winsorize 处理，回归分析中的统计标准误在企业层面进行了聚类调整。

2.   研究模型 

为检验假设 H1，本文采用公司固定效应模型分析，具体如公式（1）所示：

 Navyci,t=  α0+  α1SELLi,t +  βX+  γi +   δt +εi,t                                                                                                       (1) 

上述模型中，Navyc 代表水军活跃程度，等于公司当月水军贴数量，加 1 后取自然对数； 

SELL 表示大股东减持，共包含两项指标。首先定义虚拟变量 SELL_D，若公司当月存在大股东减持事件取 1，否则取 0。其次定义连续变量 SELL_R 为公司当月大股东的累计减持比例， 并乘 100；X 代表控制变量，包括个人投资者活跃度（Cnum，公司当月贴吧评论量加 1 并取自然对数）；资产总额（Size，总资产的自然对数）；总资产报酬率（Roa）；财务杠杆（Lev）；成长性（Growth，主营业务收入增长率）；账面市值比（BM）；第一大股东持股比例（Share）；两职合一（Dual）；机构持股比例（Inshold）；国际四大（Big4）；月交易天数（Trday，公司当月交易天数加 1 并取自然对数）；流通股数（Outstanding，公司当月流通股数除以 10000， 加 1 并取自然对数）；γi 为公司固定效应；δt 为月份固定效应；εi,t 为误差项。

为检验假设 H2、H3、H4，本文建立公式（2）进行分析，具体如下所示： 

Navyci,t=  α0+  α1SELLi,t+α2SELLi,t*W+  βX+  γi +   δt +εi,t                                                                                                                          (2)

上述模型中，W 代表调节变量。针对假设 2，W 为股价波动性（Volatility）。为避免调节变量受到解释变量或被解释变量的影响，本文将其定义为公司维度变量。具体而言，首先计算每个公司在整个样本区间内的股价日回报率标准差，其次按照标准差的中位数将全部公司等分为两组，若回报率的标准差高于中位数则 Volatility 取 1，否则取 0。针对假设 3，W 为个人投资者关注度（Focus），同样将其定义为公司维度变量。具体做法如下，首先在整个研究区间内计算每家 A 股公司投资者活跃度（Cnum）的均值，其次按照每个行业内投资者活跃度均值的中位数将公司等分为两组。若公司的投资者活跃度均值高于对应行业的中位数， 则 Focus 取 1，否则取 0。针对假设 4，W 为分析师跟踪数量（Analyst），同样将其定义为公司维度变量。具体做法如下，首先在整个研究区间内计算每家 A 股公司分析师跟踪数量的均值，其次按照分析师数量均值的中位数将公司等分为两组。若公司的分析师跟踪数量均值高于中位数，则 Analyst 取 1，否则取 0。其余变量定义同上。

为检验假设 H5a 与 H5b，仅保留发生减持事件的公司-月度，并建立公式（3）进行分析， 具体如下：

ARi,t / Tunroveri,t / BHARi,t =  α0+  α1Navyci,t+  βX+  γi +  δt +εi,t                                                                                                                           (3) 

上述模型中，AR 代表短期异常收益率，具体定义为公司当月的股票回报率减去沪深 300 指数当月的回报率。Turnover 为股票流动性，具体定义为公司当月的股票交易量/（月交易天数*流通股数）。BHAR  为长期异常收益率，针对减持以后一个月内（BHAR1）、三个月内（BHAR3）以及六个月内（BHAR6）的异常收益率采用 Barber et al. (1997)提出的买入持有异常收益衡量，具体定义如公式（4）所示。其中 Reti,t 代表公司当月的股票回报率，Retm,t 代表沪深 300 指数当月的回报率。其余变量定义同上。

BHARi,t= t=1t(1+Reti,t)- t=1t(1+Retm,t)                                                                                      (4) 

表 3 列示了主要变量的描述性统计结果。由表可知，Navyc 的均值为 0.12，由于受到对数化处理，其均值不具有经济含义。经过对原始值统计，其均值为 0.26，说明在样本区间内平均每家公司每月有 0.26 条水军贴，这表明股吧中的水军活跃度较低。SELL_D 和 SELL_R 的均值分别为 0.06、0.05，表明在研究区间内约有 6%的样本存在大股东减持事件，月均减持比例为 0.05%⑨。Cnum 的中位数为 5.20，说明个人投资者月评论量的中间水平为 180 条左右。此外，可以观察到研究样本中资产负债率的均值为 42%，公司成长性的均值为 19%，第一大股东持股比例的均值为 34%，与已有文献保持一致。

表 3  描述性统计

四、实证结果分析 

1. 水军活跃度分布 

为直观展示研究结论，本文首先绘制了大股东减持期间内的水军活跃度分布图，具体做法如下。首先，保留研究区间内存在大股东减持事件的公司-月度，共计 3,981 个观测值；其次，统计减持样本前 3 个月至后 3 个月的去中心化后⑩的水军活跃度均值，由此绘制图 2。图中横轴代表大股东减持区间（月份=0 代表减持当月，月份=1 代表减持后的第 1 个月份），纵轴代表各月份对应的水军活跃度。如图所示，在大股东完成减持前水军活跃度持续上升， 并在减持当月达到峰值，水军活跃度由最初的 0.002 上升至 0.022。在大股东完成减持后水军活跃度逐步下降，其中减持后第 1 个月降幅最大，达到 0.022。图 2 的结果表明水军活跃度与大股东减持存在密切的关系，这为本文的假设 H1 提供了初步的经验证据。

(4.23)                           (2.95)

SELL_R                                                                                                 0.019***                                                                                                             0.012***

(3.91)                           (2.70)

Cnum                                                                0.053***                                                                         0.053***

(29.59)                                                      (29.62)

Size                                                                    -0.018*                                                                          -0.018*

(-1.72)                                                               (-1.71)

Roa                                                                      0.068                                               0.069

(1.01)                                                       (1.02)

Lev                                                                      -0.010                                                                           -0.010

(-0.33)                                                               (-0.33)

Growth                                                                0.001                                               0.002

注：括号内为t 值，***、**、*分别表示 1%、5%和 10%显著性水平。下同。 

3.   横截面分析

（1） 股价波动性 

利用模型（2）对股价波动性进行检验的结果列示在表 5，表 5 的第 1-2 列提供了是否减持（SELL_D）的结果，第 3-4 列提供了减持比例（SELL_R）的结果。表 5 第 1 列显示交乘项（SELL_D*Volatility）的回归系数为 0.040，t 值为 3.04，在 1%的置信水平显著为正；加入控制变量后，同样在 1%的置信水平显著，由此说明大股东减持行为对于水军活跃度的影响在股价波动性不同的公司中存在显著差异。将解释变量替换为 SELL_R 的回归结果如 3、4 列所示。上述结果与理论预期一致，在股价波动性强的公司中，大股东减持与水军活跃度的关系更明显。

表 5 横截面分析：股价波动性

（2） 个人投资者关注度 

利用模型（2）对个人投资者关注度进行检验的结果列示在表 6，表 6 的第 1-2 列提供了是否减持（SELL_D）的结果，第 3-4 列提供了减持比例（SELL_R）的结果。表 6 第 1 列显示，交乘项（SELL_D*Focus）的回归系数为 0.052，在 1%的置信水平显著为正；加入控制变量后，回归系数有所下降，但仍在 1%的置信水平显著。将解释变量替换为 SELL_R 后， 交乘项（SELL_R*Focus）的系数分别为 0.036 和 0.034，t 值分别为 3.88 和 3.83，在 1%的置信水平显著为正。表 6 的实证结果支持了研究假说 H3，说明大股东减持行为对于水军活跃度的影响在投资者关注度高的公司中更明显。

表 6 横截面分析：个人投资者关注度

（3） 分析师跟踪数量 

利用模型（2）对分析师跟踪数量进行检验的结果列示在表 7，表 7 的第 1-2 列提供了是否减持（SELL_D）的结果，第 3-4 列提供了减持比例（SELL_R）的结果。表 7 第 1 列显示， 交乘项（SELL_D*Analyst）的回归系数为-0.035，在 5%的置信水平显著为负；加入控制变量

Size                                                                                   -0.018*                                                                                          -0.019*

(-1.71)                                               (-1.74)

Roa                                                                                     0.070                               0.071

(1.03)                                        (1.06)

Lev                                                                                     -0.010                                                                                           -0.010

(-0.32)                                               (-0.33)

Growth                                                                               0.001                                                                                           0.001

(0.23)                                        (0.23)

BM                                                                                    0.025**                                                                                         0.024**

(2.54)                                        (2.53)

Share                                                                                 -0.075                                                                                           -0.076

(-1.00)                                               (-1.00)

4.   大股东减持、网络水军与资源配置效率

（1） 市场特征分布图 

为直观展示假设 H5a 与 H5b 的结果，本文绘制了减持区间的市场特征分布图，具体做法如下：首先，保留研究区间内存在大股东减持事件的公司-月度，共计 3,981 个观测值；其次，以大股东减持当月是否存在水军行为作为分组依据，若存在水军则为有水军组，否则为无水军组⑪；最后，分组统计减持样本前 3 个月至后 3 个月的股价异常收益率以及股票流动性均值，基于此绘制图 3 和图 4。图中的横轴代表大股东减持区间，纵轴代表各月份对应的市场特征。股价异常收益率定义为：公司当月的股价回报率-沪深 300 指数当月的回报率；股票流动性以换手率衡量，具体定义为：公司当月的股票交易量/（月交易天数*流通股数）。由图 3 可知，在无水军组中的减持区间内异常收益率始终为负，完成减持后的第 1 个月的异常收益率最低，为-2.62%。各个月份之间的异常收益率波动不大，呈现出平稳的先下降后上升的趋势。在水军组中，完成减持之前的股价异常收益率增幅较快，并在减持当月达到峰值，为 2.94%。而当减持完成后，异常收益率呈现出“断崖式”下跌的态势，降幅高达 6.20%。在之后几个月份中，股价异常收益率维持在-3%的水平。由图 4 可知，无水军组中的股票流动性始终处在 0.03 左右，呈现出平缓的下降趋势。在水军组中，完成减持之前的股票流动性持续上升，在减持当月达到峰值，为 0.068。减持完成后开始持续下降，第 1 个月降幅最大，达到 0.014。上述结果说明减持样本中的有水军组与无水军组存在系统性差异，水军组的市场特征呈现出异常波动的趋势，这为本文的研究结论提供了进一步的经验证据。

（2） 股价异常收益率 

为了检验研究假说 H5a，利用模型（3）的回归结果列示于表 8，其中 AR 为减持当月的异常收益率，BHAR1、BHAR3、BHAR6 为减持后第一个月、第三个月、第六个月内的累计异常收益率。由表可知，在第 1 列中 Navyc 的回归系数为 0.040，t 值为 4.81，在 1%的置信水平显著，说明减持当月水军组的异常收益率显著高于无水军组；第 2-4 列列示了减持完成后的回归结果，可以看出水军组的异常收益率显著低于无水军组，这与减持当月的结果呈现出截然相反的趋势。进一步验证了水军活跃度拉升了短期内的股价，也严重侵蚀了股东的长期财富效应。

表 8 大股东减持、网络水军与股价异常收益率

（3） 股票流动性 

为了检验研究假说 H5b，利用模型（3）的回归结果列示于表 9，其中 Turnover 代表减持当月的股票流动性，f1_Turnover 代表减持后第一个月的股票流动性，f3_Turnover 代表减持后第三个月的股票流动性，f6_Turnover 代表减持后第六个月的股票流动性。由表可知，在第 1 列中 Navyc 的回归系数为 0.016，t 值为 6.61，在 1%的置信水平下显著为正。说明在减持当月水军活跃度高的样本中股票流动性更强；第 2-4 列为减持以后的回归结果，可以看出随着时间的推移，Navyc 的回归系数逐渐下降。减持后第 1 个月 Navyc 的回归系数为 0.011， 并在 1%的置信水平显著。而当减持完成后的第 6 个月，Navyc 的回归系数仅为 0.002，t 值为 1.43。上述结果表明水军行为显著提高了减持期间的股票流动性，在减持完成 6 个月后这种效果不再明显。

表 9 大股东减持、网络水军与股票流动性

5.  进一步分析

（1） 大股东性质 

从股东性质来看，不同类型的大股东雇佣水军的动机强弱存在差异。比如金融机构投资者普遍具有专业的财务知识和投资经验，而且大量文献验证了机构投资者具有治理和监督效应(周绍妮等, 2017; 李春涛等, 2018;  梁上坤, 2018)，因此金融机构可能更不倾向通过雇佣水军等非正式渠道实现超额收益。基于上述分析本文将解释变量按照大股东类型进行拆分，共包括自然人、金融机构和普通法人三种类型。若公司当月的减持方名称涵盖自然人姓名，则SELL_D_person 取 1，否则取 0；若公司当月的减持方名称涵盖金融机构⑫，则 SELL_D_fin 取 1，否则取 0；若公司当月的减持方名称不属于上述两种情况，则 SELL_D_cor 取 1，否则取 0。同理可将 SELL_R 拆分为 SELL_R_person、SELL_R_fin 以及 SELL_R_cor。将上述变量替换解释变量后纳入模型中进行回归，结果如表 10 所示。整体而言，自然人减持对水军活跃度的影响弱于普通法人，但是高于金融机构。上述结果表明水军活跃度与金融机构减持行为的关系并不明显，而与自然人、普通法人减持呈现出显著的正向关系，与研究预期一致。 

表 10  进一步分析：大股东性质 

（2） 持股排名

 本文还按照持股排名对解释变量进行分解，若公司当月减持方的持股比例属于前三名⑬， 则 SELL_D_big 取 1，否则取 0；若公司当月减持方的持股排名在第四名及以后，则

SELL_D_small 取 1，否则取 0。同理可将 SELL_R 拆分为 SELL_R_big 以及 SELL_R_small。将上述变量替换解释变量后纳入模型中进行回归，结果如表 11 所示。由于前三大股东与其他股东减持比例存在系统性差异⑭，虚拟变量无法较好的衡量减持与水军活跃度的关系，所以对于实证结果的解读以 3、4 列为主，1、2 列作为参考。加入控制变量后，SELL_R_big 的系数为 0.015，在 5%的置信水平显著。而 SELL_R_small 的系数为 0.005，与零未有显著性差异。上述结果表明，前三大股东减持行为与水军活跃度的关系更明显。

表 11 进一步分析：持股排名

（3） 大股东增持

 在水军识别策略部分可以看到，股吧中的水军主要散布积极性帖子以诱导个人投资者交易。在进一步分析中，本文想考察大股东在增持过程中是否雇佣水军压低股价以牟取利益。大股东增持的数据来源为巨潮资讯的专题统计模块。首先定义虚拟变量 Buy，若公司当月存在大股东增持事件取 1，否则取 0。其次定义连续变量 Buyr 为公司当月大股东的累计增持比例，并乘 100。将上述 Buy 与 Buyr 作为解释变量进行回归分析，结果如表 12 所示。由表可知，控制其他变量后，Buy 与 Buyr 的回归系数分别为-0.012、0.005，t 值为-1.02、0.61，与零没有显著性差异。表 12 的结果说明，网络水军并没有成为大股东压低股价的工具。

表 12 进一步分析：大股东增持

 五、稳健性检验 

1.   高维固定效应 

同一个行业内的公司受到相同产业政策及行业周期的影响，而且其市场特征常呈现出系统性趋势。鉴于此种情况，本文进一步控制了公司、行业*月度的固定效应，回归结果如表13 所示。对比表 4 可知，表 13 中解释变量的系数基本未发生变化。这表明，在缓解遗漏变量导致的内生性问题后，研究结论保持不变。 

2.   双重差分模型 

本文在上述实证检验中采用了公司-月度的面板数据进行分析，此种做法在探究大股东减持与网络水军的时间趋势方面存在着一定的局限性。因此，本文使用了 PSM+DID 这种更精确的研究设计，并结合大股东减持事件与配对的非减持事件进行检验。具体而言，首先以研究区间的 9,477 个大股东减持事件为基础，计算每个减持事件日的前 60 天内、后 60 天内的水军贴数量。将上述两个区间内的水军贴数量加 1，并取自然对数，生成变量 Navyc_Pre、Navyc_Post。进而生成变量 Navyc_Diff，其取值等于 Navyc_Post 减去 Navyc_Pre。其次，我们将主回归样本按照公司-年度进行统计，以主回归的控制变量作为配对变量，利用 logit 模型计算每个公司-年度发生减持的倾向得分，然后在同一个行业、年度内按照最邻近匹配的方式为减持事件配对 3 个非减持公司，进而生成非减持事件。并计算每个非减持事件日的前后 60 天内的水军活跃度差值（Navyc_Diff）⑮。最终将 9,477 个减持事件（Treat=1）和匹配出的 26,267 个非减持事件（Treat=0）共同纳入模型进行回归。为直观展示此检验的结果，本文统计了减持事件与非减持事件在减持日前后的水军活跃度分布，具体如表 14 所示。

Roa                                                                                                                             -0.136***

(-3.67)

Lev                                                                                                                                -0.015

(-1.27)

Growth                                                                                                                       -0.016***

(-3.86)

BM                                                                                                                              -0.011**

(-2.06)

Share                                                                                                                             0.003

(0.17)

Dual                                                                                                                           -0.013***

(-3.66) 

Inshold                                                                                                                        0.008

(0.78)

Big4                                                                                                                            -0.045***

(-3.49)

Trday                                                                                                                          -0.038***

(-2.98)

Outstanding                                                                                                                                   0.001

(0.50)

Constant                                                    -0.013***                                                                  0.130**

(-6.32)                                                       (2.04)

Fixed Effect                                                行业⑯,月                         行业,月 

4.   更换研究模型 

为保证研究结论不受到回归模型的影响，本文定义变量 Navy，若公司当月的水军活跃度大于零取 1，否则取 0。将 Navy 作为被解释变量，然后采用 Logit 模型回归，同时控制公司和月份的固定效应，结论保持不变。表 17 的结果进一步增强了研究结论的可靠性。

表 17 稳健性检验：更换研究模型