3849 浏览基于第3.1节提出的假设和前面的描述，我们进一步总结了 SAPI 公告样本及其不同特征的分布，如表 2所示。
表 2。SAPI 公告的样本分布 ( n = 118)。
| A: 以公告时间为准 | ||
|---|---|---|
| 公布时间 | 公告数量 | 占总数的比例 |
| 2010 | 1 | 0.85% |
| 2011 | 5 | 4.24% |
| 2012 | 6 | 5.08% |
| 2013 | 9 | 7.63% |
| 2014 | 11 | 9.32% |
| 2015 | 19 | 16.10% |
| 2016 年 | 18 | 15.25% |
| 2017 | 12 | 10.17% |
| 2018 | 20 | 16.95% |
| 2019 | 17 | 14.41% |
| B：按投资公司所属行业 | ||
| 投资公司所属行业 | 公告数量 | 占总数的比例 |
| 农业 | 66 | 55.93% |
| 其他行业 | 52 | 44.07% |
| C：按投资选择 | ||
| 投资选择 | 公告数量 | 占总数的比例 |
| 合资企业 | 67 | 56.78% |
| 独资企业 | 51 | 43.22% |
| D：按投资方向 | ||
| 投资方向 | 公告数量 | 占总数的比例 |
| 对外投资 | 72 | 61.02% |
| 外来投资 | 46 | 38.98% |
| E：按投资标的 | ||
| 投资标的 | 公告数量 | 占总数的比例 |
| SAP 社会化服务 | 39 | 33.05% |
| 农业生产链优化 | 37 | 31.36% |
| 智能技术与设备 | 42 | 35.59% |
本研究的样本数据源为RESSET数据库，该数据库是中国金融行业研究使用最广泛的数据库。
本研究采用事件研究方法（Brown 和 Warner，1985；Hendricks 等，2014）来估计市场对 SAPI 公告的反应。事件研究法是通过计算特定事件引起的异常收益来定量估计股市对事件的反应。它是研究投资微观效应最常用的实证方法，已被众多学者广泛采用（Liu et al., 2020）。
市场反应的估计是基于与事件相关的异常收益的大小。异常收益是指股票在事件发生期间的实际收益与预期收益之间的差异。在事件窗口期的选择上，我们将公司发布SAPI公告的日期设置为第0天。如果发布公告之日为非交易日或股票因其他原因停牌，则以公告后的第一个交易日为第 0 日。公告前的交易日为第-1 日，第 0 日后的交易日为第 1 日，以此类推（Ahn 等，2010；Hendricks 等， 2014 年）。此外，许多研究调查了交易日前两天的异常收益（雅各布斯和辛格尔，2014 年；夏等，2016；Liu et al., 2020 ) 考虑新闻可能泄露引起的股市早期反应。因此，本研究将事件窗口期设置为 (-2, 2)。
为了计算异常收益，我们选择了市场模型，这在事件研究中比较常见。市场模型是一种单一指数模型，它反映了特定股票的收益与给定时间的市场收益之间的线性关系。市场模型是事件研究方法中最经典的模型之一，被广泛用于估计异常收益（Agrawal et al., 2006 ; Jacobs and Singhal, 2014 ; Wijayana and Achjari, 2019）。市场模型如下：(1)
在上面的公式中，股票的回报在第t天，, 用作响应变量，市场指数的日收益率用作解释变量。市场指数日收益率的回归系数为，以及股票的截距是. 随机误差项是. 我们使用了从第-210天到第-11天的200条交易数据来衡量每只股票的预期收益。为避免公告的影响，我们使用估计期前两周的回报。文献中选择了相同的估计期（Jacobs 和 Signhal，2014 年；Hendricks 等人，2014 年）。使用 200 天的数据，进行最小二乘估计得到和.
事件窗口期内，股票预期收益第t天如下：(2)
股票异常收益第t天如下：(3)
如果样本数设置为N ，则样本在t日的平均异常收益如下：(4)
随后，该期间的累计平均异常收益如下：(5)
此外，为了检查异常值是否对结果有影响，我们还应用了另一个二项式符号检验来检查负异常收益的概率是否显着大于 50%（Jacobs 和 Signhal，2014 年）。
在下一节中，我们首先对从统计中获得的异常收益进行分类和描述。t检验的目的是验证异常收益的显着性。随后，我们使用多元回归来检验影响因素对异常收益的影响，以验证我们的假设。
(-2, 2)窗口期内中国118份SAPI公告的异常收益见表3。
表 3。窗口期内SAPI公告异常返回。
| 窗口期 | 钠_ | 平均异常回报 | T检验值b | 中位异常回报 | Wilcoxon 符号秩检验值 | 正异常收益率 | 二项式符号检验p值 |
|---|---|---|---|---|---|---|---|
| 第-2天 | 115 | 0.045% | 0.161 | −0.198% | 0.084 | 46.96% | 0.56 |
| 第-1天 | 117 | 0.468% | 1.841** | 0.068% | 0.597 | 51.28% | 0.185 |
| 第 0 天 | 117 | 0.737% | 2.617*** | 0.557% | 2.449*** | 59.83% | 2.034** |
| 第一天 | 116 | −0.007% | −0.029 | −0.314% | 2.121** | 40.52% | 1.950** |
| 第 2 天 | 117 | 0.022% | 0.089 | −0.078% | 0.442 | 47.01% | 0.555 |
窗口期部分样本库存数据不完整；因此，缺少一些参与计算的样本。
T检验是单尾的；* p ≤ 0.10，** p ≤ 0.05，和 *** p ≤ 0.01)
如表3所示，公告第0天的平均（中位数）异常收益率为0.737%（0.557%），在1%水平（1%）显着。此外，异常收益的阳性率为59.83%，明显高于5%水平的50%。这一结果表明，股市在公告当天有明显的积极反应。第1天，平均异常收益为微负值，异常收益中值为-0.314%，在5%水平显着负。尽管第 1 天的异常收益中位数显着，但样本均值远小于第 0 天。一种可能的解释是股市反应过度，这一现象和相关理论已被广泛研究，如德邦特和泰勒 (1987)。投资公告发布前-1日的平均异常收益率为0.47%（显着性为5%），表明存在信息泄露的可能性。但是，从二项分布检验和Wilcoxon符号秩检验的结果来看，在第0天和第1天得到了显着的检验结果，而在第-1天没有得到显着的检验结果，这可能反映了样本中一定数量的异常值影响了中值样本数量和异常收益的阳性率，从而影响测试结果。
此外，表 4显示了从第-1 天起累积异常收益的变化，t检验也证明了 CAR 的重要性。
表 4。累计异常收益。
| 窗口期 | ñ | 累积平均异常收益a | T检验值b | 标准差 |
|---|---|---|---|---|
| (-2,-1) | 117 | 0.492% | 1.257 | 0.0418 |
| (−2,0) | 117 | 1.184% | 2.204** | 0.0571 |
| (−2,1) | 116 | 1.096% | 1.676** | 0.0689 |
| (−2,2) | 117 | 1.091% | 1.458 | 0.0788 |
累计异常收益从第-1 天开始计算。
t检验是单尾的；* p ≤ 0.10，** p ≤ 0.05，和 *** p ≤ 0.01)
因此，基于上述结果，我们得出结论，股市对 SAPI 公告的反应是积极的，而且这种反应是及时的。基本上，这发生在公告当天。因此， 假设 1 得到了 支持。
为确保本研究的研究结果不受市场模型选择的影响，我们使用市场调整模型进行敏感性分析（夏等，2016）。市场调整模型假设样本公司具有与整体市场公司相似的特征；因此，市场收益率被用作公司的基准。公司正常和异常收益计算如下：(6)
市场调整模型的计算结果列于表5。
表 5。数据结果（市场调整模型）。
| 窗口期 | 钠_ | 平均异常回报 | T检验值b | 中位异常回报 | Wilcoxon 符号秩检验值 | 正异常收益率 | 二项式符号检验值 |
|---|---|---|---|---|---|---|---|
| 第-2天 | 115 | 0.08% | 0.305 | −0.05% | 0.098 | 46.96% | 0.560 |
| 第-1天 | 117 | 0.46% | 1.809** | −0.19% | 0.405 | 43.59% | 1.294 |
| 第 0 天 | 117 | 0.77% | 2.715*** | 0.35% | 2.312** | 58.12% | 1.664** |
| 第一天 | 116 | 0.04% | 0.169 | −0.395% | 2.185** | 35.34% | 3.064*** |
| 第 2 天 | 117 | 0.04% | 0.166 | −0.12% | 0.830 | 48.72% | 0.185 |
根据表5计算结果，市场调整模型在公告第 0 天的平均（中位数）异常收益为 0.77（0.35%），在 1%（5%）水平上显着。我们注意到，使用市场调整模型获得的异常收益与之前使用的市场模型非常相似。使用市场模型获得的平均（中位数）异常收益为 0.737%（0.557%），在 1%（1%）水平上显着。此外，市场调整模型显示以下内容。在第-1 天，仍然存在显着性为 5% 的平均异常收益。第1天的平均异常收益为-0.395%，在5%的水平上显着为负，与市场模型的计算结果相当接近。因此，从结果来看，模型的选择对本研究的数据分析没有显着影响。因此， 假设 1 得到了 支持。
