2019第45卷第2期
文章浏览量：[]
一、引 言
近年来，上市公司的并购重组活动日趋活跃，2015年并购重组交易2 669单，交易金额突破2万亿元，2016年并购交易总金额达到2.39万亿元。但在频繁的交易背后，却也存在大量有损公司价值的并购案例。由于并购资源整合不力、战略定位不相匹配等原因，有些并购公司甚至对那些当初高价收购而来的资产随后也只能进行破产清算、低价甩卖。因此，如何有效整合资源、实现并购资产增值一直受到政策制定者及实务界人士的广泛关注。
已有文献对并购质量的探讨大多是基于代理理论和行为金融理论所展开的。按照代理理论的观点，高管谋取个人收益的自利动机是导致并购质量低下、股东价值受损最为直接和重要的因素（Jensen和Meckling，1976；Fama和Jensen，1983；Jensen，1986）。行为金融理论的观点则认为，源于自我归因偏差的管理层过度自信往往会高估并购收益，而这则使那些本身不具有价值的并购活动得以发生（Roll，1986；Doukas和Petmezas，2007）。但不可否认的是，相比其他投资决策，并购活动面临的不确定性和市场风险本身就更大。目标甄选不当、价值评估有偏、协同效应高估、战略定位失准、公司文化冲突、并购整合失效等都可能对并购质量产生负面效应（Hansen，1987）。事实上，这些问题的根源在于并购双方之间的信息不对称，那么通过特定信息渠道降低并购过程中的不确定性将有助于改善并购绩效。
社会网络理论认为公司特有的知识和信息通过网络关系能够相互传递和转化，进而嵌入到公司战略决策等经济行为之中（Granovetter，2005）。但是，对这些信息传递转移中所依赖的中间渠道的考察却相对缺乏。虽然以董事为视角的研究发现网络内董事联结有助于提高公司间信息流动、加深对其他公司经营环境及组织文化等的了解，从而降低并购决策中面临的不确定性、实现更好的并购绩效（Cai和Sevilir，2012；陈仕华等，2013）；但是，该信息传递渠道的局限性在于：连锁董事往往不太可能任职于同一行业内相互竞争的公司（Barkema和Schijven，2008）。从这个角度来讲，董事联结在并购活动中发挥的信息传递作用相对有限，因而有必要辨识其他更具一般意义的信息传递机制。
不同于已有研究，本文关注并购双方的共同分析师对并购质量的影响。首先，掌握金融、会计专业知识的分析师通过对公司的长期跟踪和持续关注，有能力获取、解读和传递有关公司发展前景、组织文化等深度信息，从而降低并购不确定性（Barron等，2002）。其次，不同于美国公司，中国公司在并购活动中聘请投资银行作为专业并购顾问的情形相对较少，这使得分析师的信息中介作用在并购活动中更为凸显（Becher等，2015）。最后，分析师跟踪公司所属行业的多元性有助于识别并购双方信息传递的一般化渠道。但是，从经验上辨识共同分析师对并购绩效的因果效应却容易受到缺失变量、自选择等问题的干扰。例如，并购质量高的公司可能会吸引更多的分析师，更容易形成共同分析师网络。
为克服这些挑战，本文以券商上市对共同分析师带来的外生冲击作为准自然实验情境，借鉴Bertrand和Mullainathan（2003）的思路，通过双重差分方法来检验共同分析师对公司并购绩效的影响。结果显示，券商上市后，相比不受券商上市影响的公司，那些由上市券商提供分析师服务的公司获得的短期并购绩效显著更高。进一步地，本文发现共同分析师的信息中介效应还依赖于其他替代性的信息传递渠道，当并购双方不存在共同董事或共同审计师时，共同分析师对并购绩效的改善作用更明显。此外，横截面差异检验的结果表明共同分析师对并购绩效的影响在并购双方相似性较低、缺乏并购经验的公司中显著更强。最后，本文考察了共同分析师提升并购绩效的价值驱动因素，发现共同分析师对并购溢价并没有显著影响，但并购双方市值加权的联合并购回报及并购公司的资产回报率均显著更高，这意味着共同分析师提升并购绩效的价值驱动来自并购项目的盈利性而非较低的并购溢价。
本文的研究贡献主要在于：第一，目前考察并购双方之间关系对并购价值的影响研究相对缺乏，而且已有文献主要考察并购双方之间的董事联结、行业关联、空间距离等公司内部特征（Cai和Sevilir，2012；Chakrabarti和Mitchell，2016），而较少关注公司之外的关系联结。本文从分析师的信息传递视角展开分析，利用分析师跟踪公司所属行业的多元性来识别并购双方间信息传递的一般化渠道。第二，早期研究大多关注分析师在公司与投资者之间所发挥的信息发现和信息解释作用，而近期研究开始考察分析师对他们所追踪公司财务决策的影响（Becher等，2015；Gomes等，2017），但它们并没有深入考察分析师对财务决策的影响效果。本文则利用并购情境提供了分析师改善并购质量的经验证据，从而丰富和补充了该领域的相关文献。
二、理论分析和研究假说
“并购能否创造价值”一直是并购研究领域中的重要议题。事实上，价值评估有偏、协同效应高估、战略定位不当、公司文化冲突、并购整合失效等损害并购质量的因素，主要源自并购活动的不确定性（Palepu，1986；Hansen，1987；Sirower，1997；DePamphilis，2005）。从这个意义来讲，改善并购质量的重点在于降低并购活动的不确定性。基于这一思路，相关研究解析了中介机构及连锁董事如何影响并购绩效。Agrawal等（2013）和Song等（2013）的研究表明，公司在并购活动中的投资顾问凭借其信息获取和信息传递优势有助于降低并购活动的不确定性，使得并购公司支付较低的并购溢价、改善并购质量。Cai等（2016）发现得益于并购双方共同审计师对信息不对称的缓解，公司的并购绩效得到显著提升。除了外部的中介机构，连锁董事通过社会网络的信息传递效应也能够帮助并购公司对并购目标筛选及并购资源整合形成较为准确的评估，从而在并购活动中获得较好的并购业绩（Cai和Sevilir，2012；陈仕华等，2013）。
作为重要的信息中介，分析师的作用主要体现在获取私有信息（信息发现）、解读公开信息（信息解读）和及时反馈信息三个方面（Brown等，1985）。首先，在形成盈利预测和荐股评级时，分析师会积极建立私有沟通渠道，与所跟踪公司的CEO、CFO、部门经理等公司内部人员进行沟通以获取信息。Soltes（2014）发现分析师与公司管理层的私下沟通达年均70多次。而且，分析师也会与其他信息中介、同行公司、独立的研究机构、政府机构等建立联系，及时掌握有关宏观环境、行业环境、竞争对手等方面的私有信息，这使得他们相比公司管理层也具有一定的信息优势（Hutton等，2012）。其次，相比其他市场参与者，具有专业知识、受过专业训练的分析师对信息的处理及解读能力相对更强（Jung等，2015）。更为重要的是，他们能结合自身所获取的私有信息，对公开信息及公司本身做出更为客观合理的评估。最后，分析师将其掌握的私有信息及公开信息融入研究报告，及时反馈给市场参与者。相关文献也表明，分析师作为信息中介，不仅对公司未来价值变化及股票价格能够起到很好的预测作用（Bradshaw，2011；Brown等，2015），而且也能对公司管理层实现监督和治理功能（Chen等，2015）。
基于分析师的信息效应，Becher等（2015）以并购公司的分析师为切入点，研究发现分析师通过向下修正盈余预测来传递并购活动的不利信息，从而阻止公司执行一些价值毁损型的并购活动。以目标公司的分析师为切入点，Luypaert等（2014）指出当目标公司缺乏足够的分析师对其进行跟踪时，其信息不对称性较高，公司价值更可能被市场低估，这反过来使得并购公司支付较少的并购溢价而提升了并购绩效。不同于关注特定公司的分析师，Gomes等（2017）首次从分析师网络的视角解析了分析师在所跟踪公司之间的信息传递作用，发现这种信息传递会显著加强公司财务决策的同行效应。
基于此，本文预期当分析师同时对并购公司及目标公司进行追踪时，他们能够将目标公司的经营状况、企业文化等信息及时传递到并购公司，缓解并购公司的信息不对称性，从而形成高质量并购决策，提升并购绩效。首先，分析师的信息发现功能有助于降低并购过程中的不确定性。分析师通过电话会议、实地考察、投资者见面会等方式，可与目标公司管理层进行私下的沟通交流，捕获一些并购公司无法掌握的非公开信息（Cheng等，2015；Daniel等，2015），他们也能通过同行公司、其他中介、政府机构等其他私有渠道获得有关行业前景、经济环境等私有信息（Hutton等，2012）。这对于并购公司管理层筛选并购目标、评估并购价值等都具有重要意义，从而有助于提升并购质量。而且，分析师的信息解释功能也有助于缓解并购双方间的信息不对称，从而降低并购不确定性，提升并购绩效。相比其他投资者而言，分析师凭借其较高的信息解释能力，对公司的应计信息及技术研发信息等复杂信息能做出更合理的理解和评估（Chen等，2010）；而且，分析师还能帮助并购公司更好地理解目标公司财务报告背后的会计政策、会计选择及战略部署，这对于评估目标公司价值及整合并购资源都具有重要意义。因此，本文提出如下研究假说：
假说1：并购双方的共同分析师能够帮助并购公司提升并购绩效。
三、样本选择、研究设计与描述性统计
（一）样本选择与数据收集。本文以2001—2015年我国上市公司并购事件为初始样本，按照已有研究的做法（陈仕华等，2013；王凤荣和苗秒，2015），执行如下筛选标准：（1）选择并购公司和目标公司均是A股上市公司的并购事件；（2）剔除并购公司或目标公司属于金融保险业的并购事件；（3）剔除交易未成功的并购事件；（4）剔除并购交易属于关联并购的并购事件；（5）剔除同一上市公司连续多次发生并购，最近两次并购的间隔时间小于6个月的样本；（6）为避免对CAR的影响，剔除同一公司在同一天公告两笔或两笔以上并购交易，并且目标公司不属于同一公司的样本；（7）剔除并购交易金额小于100万元的并购事件；（8）剔除其他数据缺失的观测值。本文最后获得341个并购样本。数据来源于CSMAR数据库。
在考察共同分析师对并购绩效的影响时，实证研究很可能受到遗漏变量、自选择等问题的干扰。例如，并购双方本身具有一些不可观测的相似特征促进了并购资源整合，从而带来更好的并购绩效。此外，受经济利益的驱动，并购公司可能本身有动机聘请与目标公司相同的分析师来获取交易对手信息，在价值评估、价格制定等方面形成的谈判优势也有助于降低并购交易成本，从而提高并购绩效。基于此，本文借助券商上市来分离出共同分析师的外生变化，进而估计其对公司并购绩效产生的因果效应。上市是券商提高资本规模、拓展业务范围的重要战略。作为券商传统业务的分析师业务，也会随着券商上市而得到进一步扩张。这意味着，相同条件下，并购双方具有共同分析师的可能性在券商上市之后将有所提高。因此，本文按照公司是否被上市券商跟踪来设置处理组和控制组：公司并购活动发生于提供分析师业务的券商上市之后则取值为1，否则为0。
（二）模型设计与变量定义。券商上市形成了一个错层的（Staggered）准自然实验情境，本文借鉴Bertrand和Mullainathan（2003）的方法来构建双重差分模型。基准研究模型如下：
| $ \begin{aligned} CAR{( - n,n)_{it}}{\rm{ }} = &{\beta _0} + {\beta _1}Trea{t_{it}} + \sum\limits_{i = 2}^n {{\beta _i}} Control{\rm{ }}Variable{s_{it - 1}} + \\ &Firm fixed ef\!fect + Year fixed ef\!fect + \varepsilon \end{aligned} $ | (1) |
CAR（−n，n）it为首次并购公告日前后N（1、2、3）个交易日内公司股票价格的累计超额收益率，用以衡量短期并购绩效。Treatit为虚拟变量，如果公司i在t年发生并购活动时，追踪该公司的分析师隶属于上市券商，那么该公司属于处理组，Treatit取值为1；其他公司则为控制组，Treatit取值为0。如果共同分析师作为信息中介能够有效缓解并购过程中的不确定性和信息不对称，进而提升并购质量，那么可以预期β1显著为正。
此外，参照已有研究做法（Cai，2012；Cai等，2016），本文还分别控制了并购公司特征变量、目标公司特征变量以及并购交易特征变量。其中，并购公司特征变量包括：公司规模（Size）、资产负债率（Lev）、ROA、公司价值（Q）、股票回报率（Return）、自由现金流（CFO）、董事会规模（BSize）、独董比率（IDR）、董事长与总经理两职兼任（CEOD）、总经理持股（Share）、公司高管薪酬（Salary）；目标公司特征变量包括：公司规模（TSize）、资产负债率（TLev）、TROA、公司价值（TQ）、股票回报率（TReturn）、自由现金流（TCFO）；并购交易特征变量包括：并购交易规模（DSize）、并购支付类型（DType）。为缓解内生性问题的干扰，并购公司特征变量和目标公司特征变量均使用滞后一期变量。
四、共同分析师与并购绩效
（一）共同分析师对并购绩效的影响。借助券商上市形成的准自然实验情境，本文检验共同分析师如何影响并购绩效。从表1的结果可以发现，Treat的回归系数分别为0.017、0.034和0.055，分别在10%、1%和1%水平上显著为正。这表明券商上市后，相比不受券商上市影响的公司，那些由上市券商提供分析师服务的公司的并购绩效显著更高。研究假说1得以验证。
| （1）CAR（−1，1） | （2）CAR（−2，2） | （3）CAR（−3，3） | |
| Treat | 0.017*（1.93） | 0.034***（2.75） | 0.055***（3.67） |
| Size | −0.005（−1.36） | −0.006（−1.32） | −0.009（−1.59） |
| Lev | 0.033（1.39） | 0.035（1.08） | 0.055（1.40） |
| ROA | 0.094（1.14） | −0.048（−0.42） | 0.032（0.23） |
| Ret | −0.015***（−2.88） | −0.015**（−2.14） | −0.013（−1.59） |
| Q | 0.006**（2.03） | 0.011**（2.53） | 0.013***（2.67） |
| CFO | −0.001（−0.05） | −0.006（−0.19） | 0.017（0.43） |
| TSize | 0.005*（1.82） | 0.004（0.98） | 0.001（0.15） |
| TLev | −0.014（−0.84） | −0.004（−0.18） | 0.007（0.26） |
| TROA | 0.004（0.89） | 0.008（1.25） | 0.009（1.23） |
| TRet | 0.001（0.27） | 0.011（1.48） | 0.013（1.48） |
| TQ | 0.003（0.84） | 0.000（−0.09） | −0.003（−0.54） |
| TCFO | −0.002（−0.08） | −0.007（−0.25） | −0.020（−0.58） |
| CEOD | −0.007（−0.61） | −0.004（−0.29） | −0.003（−0.17） |
| BSize | −0.017（−1.92） | −0.021（−1.74） | −0.022（−1.51） |
| IDR | 0.026（0.54） | 0.048（0.72） | 0.050（0.63） |
| Share | 0.009（0.21） | −0.019（−0.30） | −0.015（−0.20） |
| Salary | 0.004**（2.33） | 0.005**（2.21） | 0.004（1.62） |
| DSize | 0.025（0.60） | 0.042（0.73） | 0.105（1.54） |
| DType | 0.047***（5.28） | 0.065***（5.31） | 0.088***（6.01） |
| Constant | −0.103（−1.26） | −0.067（−0.59） | 0.021（0.16） |
| Year | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 |
| Adj. R2 | 0.129 | 0.167 | 0.188 |
| 注：标准误经过异方差和公司聚类（Cluster）调整，10%、5%和1%的水平上显著分别用*、**和***表示。下同。 | |||
为进一步验证使用券商上市来分离并购双方共同分析师外生变化这一做法的有效性与合理性，本文参照已有文献的做法（Brown等，2016；Helmers等，2017），以券商上市这一外生事件作为并购双方共同分析师数量的工具变量，考察其对并购绩效的影响。表2提供了相应的回归结果。其中，CAN表示并购双方具有的共同分析师的数量。在第一阶段，列（1）中Treat的回归系数在5%水平上显著为正，这表明券商上市后并购双方的共同分析师数量显著增加。列（2）—列（4）提供了第二阶段的结果，CAN的回归系数都显著为正，表明券商上市带来并购双方共同分析师的增加，能够显著提升公司的并购绩效，这与表1的结果基本保持一致。这为本文借助券商上市来测度并购双方共同分析数量增加这一外生变化的合理性与有效性提供了支持。
| 第一阶段 | 第二阶段 | |||
| （1）CAN | （1）CAR（−1，1） | （2）CAR（−2，2） | （3）CAR（−3，3） | |
| Treat | 2.894**（2.51） | |||
| CAN | 0.005*（1.68） | 0.010**（2.05） | 0.016**（2.31） | |
| Size | 0.980**（2.03） | −0.008（−1.31） | −0.016（−1.83） | −0.024**（−2.14） |
| Lev | −4.810（−1.70） | 0.040（1.24） | 0.089*（1.86） | 0.121**（2.01） |
| ROA | −0.558（−1.07） | 0.000（−0.01） | −0.001（−0.08） | 0.000（0.03） |
| Ret | −0.838（−1.40） | −0.010（−1.49） | −0.008（−0.83） | −0.004（−0.33） |
| Q | 0.130（0.41） | 0.005（1.39） | 0.009*（1.81） | 0.010（1.47） |
| CFO | −4.682（−1.51） | 0.022（0.79） | 0.041（1.05） | 0.097*（1.77） |
| TSize | 0.427（1.31） | 0.000（0.15） | −0.001（−0.28） | −0.008（−1.42） |
| TLev | 1.129（0.43） | −0.018（−0.95） | −0.011（−0.40） | 0.003（0.08） |
| TROA | 0.037（0.10） | 0.001（0.36） | −0.002（−0.41） | −0.007（−1.01） |
| TRet | 0.020（0.36） | 0.000（−0.22） | 0.001（0.99） | 0.001（0.74） |
| TQ | −0.329（−0.61） | 0.001（0.26） | 0.012（1.59） | 0.013（1.29） |
| TCFO | 2.183（0.71） | −0.009（−0.34） | −0.026（−0.68） | −0.044（−0.78） |
| CEOD | 0.892（0.83） | −0.018（−1.66） | −0.016（−0.93） | −0.025（−1.08） |
| BSize | −1.387（−1.53） | −0.008（−1.03） | −0.008（−0.58） | 0.005（0.22） |
| IDR | 0.162（0.03） | 0.040（0.77） | 0.071（0.87） | 0.090（0.81） |
| Share | 2.793（0.55） | −0.003（−0.06） | −0.055（−0.64） | −0.060（−0.50） |
| Salary | 0.152（1.03） | 0.003***（2.64） | 0.004*（1.83） | 0.002（0.67） |
| DSize | 8.070（0.93） | −0.011（−0.18） | −0.024（−0.24） | −0.012（−0.08） |
| DType | −0.886（−1.19） | 0.046***（4.14） | 0.067***（4.55） | 0.090***（4.02） |
| Constant | −26.913**（−1.97） | 0.087（0.54） | 0.230（1.03） | 0.523*（1.80） |
| Year | 控制 | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 | 341 |
| Adj. R2 | 0.344 | 0.145 | 0.214 | 0.322 |
（二）其他信息获取渠道的影响。为加强基本逻辑，本文进一步检验共同分析师对并购绩效的影响是否依赖于公司其他替代性的信息传递渠道，共同董事和共同审计师是公司之间常见的其他信息传递渠道。首先，并购双方的联结董事能够参与目标公司的决策制定，并对其当前的生产能力、经营状况、未来发展前景、内部制度文化等较为了解，进而对目标公司披露的公开信息也能进行更好的解读。因此，共同董事在获取非公开信息及解释公开信息方面具有优势，这有助于并购公司对目标公司价值以及并购协同效应做出更准确的估计。Cai和Sevilir（2012）以美国数据为样本发现，并购双方之间的共同董事对短期并购绩效和长期并购绩效均具有显著的提升作用；陈仕华等（2013）基于中国上市公司数据也发现了类似的经验证据。那么，当并购双方之间存在共同董事时，共同分析师提升并购绩效的作用则会相应减弱。本文使用并购交易事件前一年的数据来确定共同董事变量（Director），当并购双方不存在共同董事时，Non_Source取值为1；否则为0。从表3中前3列的结果可以发现，交互项Treat×Non_Source的系数均显著为正，这表明当公司无法通过共同董事来降低并购过程中的不确定性和缓解信息不对称时，共同分析师对并购绩效的改善作用显著更强。
| （1）CAR（−1，1） | （2）CAR（−2，2） | （3）CAR（−3，3） | （4）CAR（−1，1） | （5）CAR（−2，2） | （6）CAR（−3，3） | |
| Non_Source=Director | Non_Source=Auditor | |||||
| Treat | −0.015（−1.11） | −0.003（−0.14） | 0.005（0.25） | 0.002（0.20） | 0.016（1.37） | 0.032**（2.27） |
| Non_Source | −0.010（−0.93） | −0.018（−1.20） | −0.021（−1.36） | −0.009（−1.01） | −0.011（−0.83） | −0.018（−1.18） |
| Treat×Non_Source | 0.029**（2.00） | 0.041**（2.05） | 0.050**（2.31） | 0.021*（1.73） | 0.036**（2.04） | 0.046**（2.20） |
| Size | −0.004（−1.26） | −0.010**（−2.03） | −0.011**（−2.02） | −0.001（−0.27） | −0.002（−0.54） | −0.004（−0.79） |
| Lev | 0.007（0.17） | 0.032（0.57） | 0.023（0.38） | 0.002（0.09） | −0.012（−0.46） | −0.003（−0.08） |
| ROA | 0.026（0.35） | −0.013（−1.47） | −0.015（−1.63） | 0.014（0.21） | −0.153（−1.64） | −0.124（−1.11） |
| Ret | −0.006（−0.91） | 0.015（1.50） | 0.033***（3.07） | −0.011**（−2.10） | −0.005（−0.69） | 0.002（0.27） |
| Q | 0.004（1.33） | 0.006（1.25） | 0.005（1.04） | 0.004（1.26） | 0.006（1.40） | 0.007（1.35） |
| CFO | −0.010（−0.43） | 0.022（0.67） | 0.065*（1.86） | 0.007（0.33） | 0.006（0.21） | 0.023（0.68） |
| TSize | 0.008***（3.81） | 0.015***（3.64） | 0.011**（2.43） | 0.004（1.42） | 0.003（0.75） | −0.001（−0.21） |
| TLev | −0.026（−1.41） | −0.040（−1.53） | −0.044（−1.56） | 0.005（0.28） | 0.014（0.57） | 0.030（1.04） |
| TROA | −0.062（−1.11） | −0.153**（−2.03） | −0.183**（−2.27） | −0.018（−0.37） | −0.052（−0.75） | −0.033（−0.40） |
| TRet | 0.001（0.23） | 0.008（1.01） | 0.008（0.97） | −0.002（−0.51） | 0.007（1.15） | 0.009（1.27） |
| TQ | 0.001（0.31） | 0.003（0.52） | −0.001（−0.16） | 0.004（1.37） | 0.002（0.58） | 0.001（0.11） |
| TCFO | 0.020（0.95） | 0.001（0.05） | −0.004（−0.13） | 0.003（0.14） | −0.008（−0.29） | −0.021（−0.65） |
| CEOD | −0.005（−0.51） | 0.003（0.19） | −0.003（−0.19） | −0.008（−0.85） | −0.003（−0.24） | 0.002（0.11） |
| BSize | −0.014（−1.61） | −0.006（−0.43） | −0.006（−0.42） | −0.018**（−2.36） | −0.016（−1.42） | −0.015（−1.15） |
| IDR | 0.094**（2.07） | 0.078（1.12） | 0.145*（1.94） | 0.019（0.47） | 0.036（0.63） | 0.054（0.78） |
| Share | 0.003（0.07） | −0.001（−0.01） | 0.042（0.57） | 0.047（1.21） | 0.011（0.19） | 0.008（0.13） |
| Salary | 0.001（0.96） | 0.003（1.33） | 0.002（0.89） | 0.004***（2.75） | 0.004**（2.04） | 0.002（1.00） |
| DSize | −0.018（−0.45） | −0.018（−0.31） | 0.050（0.78） | 0.007（0.18） | −0.006（−0.10） | 0.064（0.96） |
| DType | 0.041***（4.46） | 0.060***（3.95） | 0.086***（5.33） | 0.032***（3.58） | 0.049***（3.93） | 0.072***（4.76） |
| Constant | −0.123（−1.44） | −0.206（−1.43） | −0.129（−0.84） | −0.132*（−1.93） | −0.097（−1.00） | −0.003（−0.02） |
| Year | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 | 341 | 341 | 341 |
| Adj. R2 | 0.231 | 0.294 | 0.424 | 0.131 | 0.161 | 0.135 |
此外，并购公司通过共同审计师也能了解目标公司，降低并购风险（Cai等，2016）。这是因为：首先，共同审计师通过执行审计程序对目标公司的财务状况、经营风险都较为了解；其次，由于各个会计师事务所对会计政策的解读、执行以及审计风格都有所差异，因此由相同审计师提供的财务报表的可比性相对较高（Francis等，2014）。这意味着当并购公司的审计师同时也为目标公司提供审计服务时，目标公司披露的公开财务信息对并购公司的参考价值相对更高。在这种情况下，并购公司能更加合理准确地评估目标公司价值和并购协同效应。从这个角度来讲，共同审计师有助于并购公司实现更高的并购绩效（Cai等，2016）。那么，当并购双方之间存在共同审计师时，共同分析师提升并购绩效的作用则会相应减弱。本文使用并购交易事件前一年的数据来确定共同审计师变量（Auditor），当并购双方没有共同审计师时，Non_Source取值为1；否则为0。从表3中的列（4）—列（6）可以发现，交互项Treat×Non_Source的系数均显著为正，这表明相比具有共同审计师的并购交易，在没有共同审计师的并购交易中，共同分析师对并购绩效的改善作用显著更强。综合表3各列结果可知，当公司无法通过共同董事或共同审计师来降低并购过程中的不确定性和信息不对称时，共同分析师对并购绩效的改善作用显著更强。
（三）基于公司特征的横截面差异检验。接下来，本文分别从并购双方的相似性和并购经验两个视角对基本结果进行横截面差异检验。并购双方之间的相似性反映了并购公司与目标公司在业务活动、战略部署、管理风格以及企业文化等方面具有的共同特征（Bauer和Matzler，2014），这种相似性有助于并购公司识别更合适的并购对象，给予并购对象更准确的价值评估，以及更有效地实施并购后的资源整合，最终实现更好的并购绩效。这意味着得益于这种相似性，并购公司也能缓解并购过程中所面临的不确定性和信息不对称。因此可以预期，当并购双方的相似度较高时，共同分析师对并购绩效的提升作用则会相应减弱。参照Cai和Sevilir（2012）的做法，本文将并购双方之间的相似性变量Similarity用并购公告发布前1个月至前7个月期间内并购双方之间的股票回报率的相关系数表示，该值越大表示相似性越高。表4的结果显示，交互项Treat×Similarity的系数显著为负，这表明并购双方相似性越低，共同分析师对并购绩效的改善作用则越强。
| （1）CAR（−1，1） | （2）CAR（−2，2） | （3）CAR（−3，3） | |
| Treat | 0.008（0.85） | 0.012（0.81） | 0.028*（1.72） |
| Similarity | 0.002***（4.39） | 0.007***（8.48） | 0.005***（5.95） |
| Treat×Similarity | −0.003**（−1.98） | −0.008***（−4.37） | −0.008***（−3.81） |
| Size | −0.002（−0.64） | −0.002（−0.40） | −0.006（−1.02） |
| Lev | 0.026（1.07） | 0.030（0.82） | 0.034（0.83） |
| ROA | 0.036（0.43） | −0.132（−1.03） | −0.053（−0.38） |
| Ret | −0.011（−1.61） | −0.020（−1.88） | −0.002（−0.17） |
| Q | 0.007**（2.17） | 0.014***（2.79） | 0.011*（1.88） |
| CFO | 0.015（0.62） | 0.028（0.78） | 0.037（0.93） |
| TSize | 0.005**（2.01） | 0.006（1.40） | −0.001（−0.23） |
| TLev | −0.015（−0.84） | 0.004（0.14） | 0.017（0.58） |
| TROA | 0.011**（2.23） | 0.009（1.31） | 0.003（0.43） |
| TRet | −0.002（−0.40） | 0.006（0.70） | 0.003（0.35） |
| TQ | 0.003（0.95） | 0.001（0.18） | −0.003（−0.45） |
| TCFO | −0.027（−1.21） | −0.048（−1.42） | −0.048（−1.29） |
| CEOD | −0.008（−0.75） | −0.012（−0.77） | −0.014（−0.77） |
| BSize | −0.032***（−3.39） | −0.043***（−3.05） | −0.035**（−2.25） |
| IDR | 0.017（0.34） | 0.054（0.74） | 0.073（0.91） |
| Share | 0.036（0.76） | 0.035（0.49） | −0.025（−0.32） |
| Salary | 0.004***（2.68） | 0.006**（2.59） | 0.005**（1.79） |
| DSize | −0.018（−0.37） | −0.074（−1.04） | 0.030（0.39） |
| DType | 0.059***（6.01） | 0.100***（6.85） | 0.113***（7.00） |
| Constant | −0.146（−1.63） | −0.204（−1.52） | 0.007（0.05） |
| Year | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 |
| Adj. R2 | 0.201 | 0.388 | 0.290 |
面对较高的并购失败率，Ravenscraft和Scherer（1987）指出并购活动应该由那些具有相应技能的公司来执行。自身的并购经验是公司获取并购技能、掌握并购基本知识的重要机制（Hayward，2002）。相关研究发现公司能够将前期获得的并购经验成功运用到后期的并购活动中，并在筛选并购对象、评估目标公司价值、战略定位以及并购谈判等方面发挥出相应的优势（Muehlfeld等，2012），从而实现更好的并购绩效。由此可以预期，当公司自身具有并购经验时，共同分析师对并购绩效的提升作用则会相对较弱。按照Francis等（2014）的做法，如果并购公司在并购公告发布年度前3年内没有发生并购活动，公司并购经验变量Non-Exp则取值为1；否则为0。从表5的结果可知，交互项Treat×Non-Exp的回归系数均在5%水平上显著为正，这表明当公司没有并购经验时，共同分析师对并购绩效的改善效果显著更强。
| （1）CAR（−1，1） | （2）CAR（−2，2） | （3）CAR（−3，3） | |
| Treat | 0.009（0.94） | 0.022（1.49） | 0.050***（2.98） |
| Experience | −0.001（−1.92） | −0.002（−1.85） | −0.002**（−2.16） |
| Treat×Non-Exp | 0.001**（2.15） | 0.002**（2.14） | 0.003**（2.38） |
| Size | −0.001（−0.27） | −0.001（−0.27） | −0.004（−0.62） |
| Lev | 0.013（0.67） | 0.019（0.64） | 0.041（1.21） |
| ROA | 0.012（0.16） | −0.126（−1.11） | −0.123（−0.93） |
| Ret | −0.019***（−3.86） | −0.021***（−2.96） | −0.024***（−2.87） |
| Q | 0.004*（1.93） | 0.007**（2.17） | 0.010**（2.52） |
| CFO | −0.013（−0.61） | −0.013（−0.42） | 0.013（0.36） |
| TSize | −0.001（−1.12） | −0.002（−1.73） | −0.002（−1.61） |
| TLev | 0.014（0.87） | 0.024（1.00） | 0.038（1.35） |
| TROA | 0.001（0.02） | −0.049（−0.65） | −0.090（−1.03） |
| TRet | −0.004（−0.83） | 0.002（0.30） | 0.003（0.45） |
| TQ | −0.003（−1.02） | −0.009（−1.87） | −0.010（−1.86） |
| TCFO | 0.007（0.31） | 0.009（0.30） | −0.002（−0.06） |
| CEOD | −0.003（−0.32） | −0.000（−0.01） | −0.003（−0.16） |
| BSize | −0.006（−0.66） | −0.006（−0.49） | −0.014（−0.91） |
| IDR | 0.059（1.30） | 0.101（1.49） | 0.161**（2.06） |
| Share | −0.001（−0.03） | −0.036（−0.58） | −0.023（−0.32） |
| Salary | 0.002（1.41） | 0.003*（1.71） | 0.003（1.42） |
| DSize | 0.008（0.18） | −0.004（−0.07） | 0.044（0.60） |
| DType | 0.030***（3.39） | 0.045***（3.39） | 0.062***（4.07） |
| Constant | −0.014（−0.17） | −0.016（−0.13） | −0.016（−0.12） |
| Year | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 |
| Adj. R2 | 0.110 | 0.110 | 0.127 |
（四）进一步检验。上述研究结果表明共同分析师能显著提升并购短期绩效。接下来，本文进一步解析产生这一结果的价值驱动因素。一方面，在信息不对称造成并购公司不了解目标公司真实价值的情况下，并购方很可能面临超额支付的风险，因此共同分析师对信息不对称的缓解有助于降低并购溢价，从而提升并购绩效；另一方面，较高的短期市场回报也可能反映了并购项目的盈利前景而共同分析师能促进并购双方的信息传递，降低公司在并购中的不确定性，从而识别并执行那些盈利性更高、协同效应更大的并购项目，这也会带来更加积极的市场反应。
本文首先考察共同分析师对并购溢价的影响。如果共同分析师对并购绩效的提升是由于支付了显著更低的并购溢价，那么可以预期共同分析师会对并购溢价产生负向影响。本文依据陈仕华等（2013）的方法来计算并购溢价（Premium）。表6列（1）中Treat的回归系数并不显著，这表明并购双方间的共同分析师对并购溢价并没有显著的降低作用。接下来，我们检验当存在共同分析师时，并购协同效应是否显著提高。借鉴Lin等（2011）以及Harford等（2012）的方法，本文使用并购双方市值加权的联合并购回报（PCAR（−n，n））来测量并购协同效应。表6列（2）—列（4）中Treat的回归系数均显著为正，这表明具有共同分析师的并购交易能实现更高的并购协同效应，从而使得并购公司获得了更好的并购绩效。
| （1）Premium | （2）PCAR（−1，1） | （3）PCAR（−2，2） | （4）PCAR（−3，3） | |
| Treat | 0.775（1.61） | 0.015*（1.72） | 0.025**（2.05） | 0.041***（3.06） |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| Year | 控制 | 控制 | 控制 | 控制 |
| Firm | 控制 | 控制 | 控制 | 控制 |
| N | 341 | 341 | 341 | 341 |
| Adj. R2 | 0.186 | 0.063 | 0.038 | 0.038 |
| 注：限于篇幅，本表没有汇报控制变量的详细结果（备索）。 | ||||
另外，Fu等（2013）指出，考察公司并购的长期业绩是检验真实并购活动是否产生协同收益更为直接有效的办法。借鉴该思路，本文又使用并购完成后1年的ROA（经行业中位数调整）与并购前1年ROA（经行业中位数调整）之差来测度并购协同效应（Lin等，2011；Fu等，2013）。表7的结果显示，Treat的回归系数显著为正，这表明共同分析师对公司长期并购绩效具有提升作用。这为公司并购绩效提升的价值来源提供了经验证据。
| ΔROA | ||||
| Treat | 0.004**（2.40） | TCFO | −0.002（−0.36） | |
| Size | −0.004***（−3.15） | CEOD | 0.000（0.01） | |
| Lev | 0.012**（2.23） | BSize | −0.002（−0.98） | |
| Ret | 0.002（1.62） | IDR | 0.005（0.61） | |
| Q | −0.001（−1.32） | Share | −0.012（−1.45） | |
| CFO | −0.011（−1.80） | Salary | 0.000（0.92） | |
| TSize | 0.000（1.32） | DSize | 0.008（0.80） | |
| TLev | 0.007*（−1.89） | DType | −0.001（−0.40） | |
| TRet | 0.003*（1.94） | Constant | 0.079***（2.84） | |
| TQ | −0.001**（−1.97） | Year/Firm | 控制 | |
| N | 341 | |||
| Adj. R2 | 0.408 | |||
（五）附加测试。本文还在以下几个方面进行了附加测试（限于篇幅，未报告详细结果）：
1. 平行趋势检验。平行趋势（Parallel Trend）是使用双重差分模型进行估计的前提假定，即如果没有处理效应，处理组和控制组中的结果变量则具有相似的波动趋势。借鉴Serfling（2016）的思路，本文通过把公司并购活动按时段加以区分来观察平均处理效应的时间趋势。结果发现，在券商上市前，两组公司的并购绩效差异并没有通过显著性检验，这在一定程度上为满足平行趋势假定提供了支持。
2. 内生性问题检验。本文的结果可能会受到由两组样本的基本特征差异所产生的干扰。为此，本文采取如下两种方法加以缓解：第一，对于可观测基本特征差异造成的干扰，本文首先使用倾向得分匹配法（PSM），按照并购双方的基本特征进行匹配。其中，匹配变量为公司规模（Size）、资产负债率（Lev）、总资产收益率（ROA）等控制变量。然后，本文以PSM配比后的样本重新对基本问题进行检验。第二，对于不可观测的基本特征差异造成的干扰，本文执行安慰剂检验加以缓解。具体而言，假定各个券商的上市时间为真实事件的4年之前，并使处理组和控制组的设定与基本测试保持一致，然后重新对基本问题进行检验。
3. 其他稳健性测试。为确保结果的稳健性，本文还进行了其他稳健性检验：（1）计算不同窗口期的累计超额回报率（前后5个、7个和10个交易日）。（2）更换长期并购绩效指标，用公司并购完成后1年与并购前1年的市场价值变动值来测度长期并购绩效。结果显示，这些检验结果与前述结果基本保持一致。
五、研究结论与政策建议
本文考察了并购双方共同分析师对并购绩效的影响。由于识别共同分析师对并购绩效的因果效应容易受到缺失变量、自选择等问题的干扰，因此本文使用券商上市带来的外生冲击作为准自然实验情境以克服挑战。使用双重差分方法后的检验结果表明，券商上市后，相比不受券商上市影响的公司，那些由上市券商提供分析师服务的公司获得的并购绩效显著更高。进一步检验发现，当并购双方缺乏共同董事或共同审计师、并购双方相似性较低及公司缺乏并购经验时，并购绩效受共同分析师的影响更大。最后，本文还发现，共同分析师提升并购绩效的价值驱动来自并购项目的盈利性而非较低的并购溢价。
本文提供了共同分析师与并购绩效之间因果关系的经验证据，这对理解信息中介如何影响公司财务决策和并购质量具有一定的政策启示。具体而言，包括以下两个方面：第一，公司高管在并购活动中往往面临重大的不确定性，如果高管缺乏缓解信息不对称的有效方式，那么并购双方公司的高管可以通过共同分析师网络促进相互了解，降低信息不对称，从而提高并购绩效。分析师作为金融市场的主要信息中介，在获取私有信息、解读公开信息和及时反馈信息方面具有优势，因此共同分析师有助于公司高管形成高质量的并购决策，进而提升并购绩效。第二，对于金融市场的监管机构而言，金融市场如何促进实体经济发展是其关注的重要议题。分析师作为重要的金融市场信息中介，能够向公司高管传递有价值的信息。因此，提升上市公司的信息披露质量，有助于降低分析师获取和解读信息的成本，能够促进分析师把有价值的信息传递给公司高管，从而提高资源配置效率。
近年来，金融市场如何影响实体经济这一问题虽然受到了广泛关注和深入研究，但关于金融市场信息中介如何影响实体经济决策和行为的研究却还十分缺乏。本文考察了共同分析师对公司并购决策的影响，而今后的研究则可以考察共同分析师对公司其他财务决策的影响，还可以考察其他重要的金融市场中介如何在金融市场与实体经济之间发挥作用。
* 感谢上海财经大学研究生创新基金资助项目（CXJJ-2017-301）的支持。
| [1] | 陈仕华, 姜广省, 卢昌崇. 董事联结、目标公司选择与并购绩效——基于并购双方之间信息不对称的研究视角[J]. 管理世界, 2013(12): 117–132. |
| [2] | Agrawal A, Cooper T, Lian Q, et al. Common advisers in mergers and acquisitions: Determinants and consequences[J]. The Journal of Law and Economics, 2013, 56(3): 691–740. DOI:10.1086/673322 |
| [3] | Barkema H G, Schijven M. How do firms learn to make acquisitions? A review of past research and an agenda for the future[J]. Journal of Management, 2008, 34(3): 594–634. DOI:10.1177/0149206308316968 |
| [4] | Bauer F, Matzler K. Antecedents of M&A success: The role of strategic complementarity, cultural fit, and degree and speed of integration[J]. Strategic Management Journal, 2014, 35(2): 269–291. DOI:10.1002/smj.2014.35.issue-2 |
| [5] | Becher D A, Cohn J B, Juergens J L. Do stock analysts influence merger completion? An examination of postmerger announcement recommendations[J]. Management Science, 2015, 61(10): 2430–2448. DOI:10.1287/mnsc.2014.2065 |
| [6] | Bertrand M, Mullainathan S. Enjoying the quiet life? Corporate governance and managerial preferences[J]. Journal of Political Economy, 2003, 111(5): 1043–1075. DOI:10.1086/376950 |
| [7] | Brown S J, Warner J B. Using daily stock returns: The case of event studies[J]. Journal of Financial Economics, 1985, 14(1): 3–31. DOI:10.1016/0304-405X(85)90042-X |
| [8] | Cai Y, Sevilir M. Board connections and M&A transactions[J]. Journal of Financial Economics, 2012, 103(2): 327–349. DOI:10.1016/j.jfineco.2011.05.017 |
| [9] | Cai Y, Kim Y, Park J C, et al. Common auditors in M&A transactions[J]. Journal of Accounting and Economics, 2016, 61(1): 77–99. DOI:10.1016/j.jacceco.2015.01.004 |
| [10] | Chen T, Harford J, Lin C. Do analysts matter for governance? Evidence from natural experiments[J]. Journal of Financial Economics, 2015, 115(2): 383–410. DOI:10.1016/j.jfineco.2014.10.002 |
| [11] | Fama E F, Jensen M C. Separation of ownership and control[J]. Journal of Law and Economics, 1983, 26(2): 301–325. DOI:10.1086/467037 |
| [12] | Gomes A, Gopalan R, Leary M T, et al. Analyst coverage networks and corporate financial policies[J]. SSRN Electronic Journal, 2017. |
| [13] | Granovetter M. The Impact of social structure on economic outcomes[J]. The Journal of Economic Perspectives, 2005, 19(1): 33–50. DOI:10.1257/0895330053147958 |
| [14] | Hansen R G. A theory for the choice of exchange medium in mergers and acquisitions[J]. The Journal of Business, 1987, 60(1): 75–95. DOI:10.1086/jb.1987.60.issue-1 |
| [15] | Hayward M L A. When do firms learn from their acquisition experience? Evidence from 1990 to 1995[J]. Strategic Management Journal, 2002, 23(1): 21–39. DOI:10.1002/(ISSN)1097-0266 |
| [16] | Helmers C, Patnam M, Rau P R. Do board interlocks increase innovation? Evidence from a corporate governance reform in India[J]. Journal of Banking & Finance, 2017, 80: 51–70. |
| [17] | Jensen M C. Agency costs of free cash flow, corporate finance, and takeovers[J]. The American Economic Review, 1986, 76(2): 323–329. |
| [18] | Jensen M C, Meckling W H. Theory of the firm: Managerial behavior, agency costs and ownership structure[J]. Journal of Financial Economics, 1976, 3(4): 305–360. DOI:10.1016/0304-405X(76)90026-X |
| [19] | Muehlfeld K, Sahib P R, van Witteloostuijn A. A contextual theory of organizational learning from failures and successes: A study of acquisition completion in the global newspaper industry, 1981-2008[J]. Strategic Management Journal, 2012, 33(8): 938–964. DOI:10.1002/smj.v33.8 |