一、引 言
私有信息交易因其对资本市场“公平、公正、公开”原则的破坏而受到理论界和实务界的广泛关注。即使泄露内幕信息、内幕交易等行为已经引入刑法进行治理,私有信息交易仍然屡禁不止。信息不公平实质上反映了资本市场制度的缺失。私有信息交易在我国资本市场比较频繁,这主要有三点原因。第一,我国资本市场上的关系型交易非常普遍。我国资本市场呈现赶超和跨越式发展的特点,纯粹依赖市场进行交易的成本较高,资本市场参与者倾向于使用关系型交易以应对资本市场中的高度不确定性和谋求信息优势(周国良等,2020)。第二,公众对私有信息交易的危害性认识不足。受传统文化影响,公众对私有信息交易带来的悖德感远远不如谋杀纵火、偷窃诈骗等犯罪来得强烈,这客观上宽纵了信息优势者利用内幕信息犯罪的行为,也减轻了私有信息交易者的罪恶感。第三,知情人检举制度不够完善。我国有检举奖励制度,但最高奖励不超过60万元,检举激励不足会大大提高证监会发现私有信息交易的隐性成本。
当司法和监管制度尚待完善时,如何监督和约束基于社会关系网络而进行的私有信息交易?可行的手段之一是引入媒体监督。而对于传统媒体能否遏制私有信息交易存在诸多质疑。传统媒体在传播效果方面要逊于人际传播,可能难以遏制私有信息交易。“有限效果理论”认为,媒体对受众的影响极其有限,通常很难改变受众的固有看法,甚至可能引发逆反心理而强化其固有偏见。公众一般倾向于在其社交圈内采集新信息,只有少数人才会关注大众传媒信息。此外,“两级传播假说”认为,信息从媒体到受众不是点对点直接传播,而是先从媒体传向意见领袖,由他们接收和加工,再传播到普通大众。Ryan和Gross(1943)发现,在信息传递初期,传统媒体虽然能够引发关注,但其发挥的影响远不如邻里乡亲。这意味着即使传统媒体已经普及,大多数人获取信息的方式依然是人际传播。因此,现实中传统媒体在遏制私有信息交易方面的表现总是乏善可陈。
网络媒体滥觞于传统媒体又超脱于传统媒体。借助互联网的飞速发展和通讯工具的更新迭代,网络媒体逐步取代传统媒体,并改变了新闻传播的底层逻辑。与传统媒体相比,网络媒体至少有三点优势。第一,时效性更强。传统媒体有严格的截稿、排版和递送时间,难以做到事件的实时同步报道;而网络媒体则可以随时更新信息,提供高效迅捷的信息通道。第二,传播范围更广。网络媒体的信息传播是一种交互式的双向传播(黄楚新和王丹,2016),读者可以随时在新闻网页互动留言,或者通过转发链接的方式快速在社交网络中分享。伴随传染效应,网络媒体的传播范围呈现爆炸式发散。第三,检索和存储更加方便。网络媒体依托搜索引擎,可以迅速地定位读者感兴趣的新闻资讯,实现跨网页的信息比对。随着网站服务器的更新换代,其存储能力日新月异,读者还可以汇集十几年前的历史新闻。
网络媒体相对于传统媒体的传播优势为其在资本市场上突破“有限效果理论”带来了曙光。首先,根据有效市场假说,传统媒体因其消息的滞后性,其报道信息可能早已被股价吸收,因而很难对股价产生重大影响。而网络媒体可以随时更新资讯,不受时空限制,因而具有更强的影响力。其次,传统媒体“一对多”的传播方式将读者置于对立阵营,而以网络媒体为代表的新媒体将传播方式转变为“多对多”,读者通过互动留言获得自主表达机会,使得网络媒体将大众传播与人际传播有机结合,形成“超人际传播”。最后,网络媒体又区别于其他新媒体(如微博、股吧等),具有一定的专业性。当重大事件发生时,微博等媒体平台上往往充斥着情绪化的表达,而网络媒体则不然,它既有多点传播的优势,还兼具传统媒体的严谨性,能够传播相对理性的观点(黄斌,2012)。
当然,网络媒体也有其局限性。互联网与信息技术发展虽能促进信息传播,但也可能扩大不同群体间的信息鸿沟,这在实践中有两点典型体现。一是网络媒体利用技术赋予其强大传播能力进行全新类型的权力寻租。网络媒体及其从业者可能为了经济利益而选择性报道或虚假报道。比如,网络媒体通过夸大事实对某一对象进行负面报道并以此勒索钱财,或者在收取钱财后选择有偿沉默甚至发布洗白报道。这些行为会误导公众,加剧信息不公平。二是网络媒体可能沦为部分内部人操纵市场的工具。公司内部人有动机利用其私有信息优势,对股票市场进行操纵,进而攫取巨额利益(张大勇和王卫锋,2017)。在“好消息”发布后、“坏消息”发布前,利用时间差进行减持,是内部人获利的常规手段(蔡宁,2012)。网络媒体具有强大的市场影响力,若网络媒体与内部人合谋控制信息发布时点,则会进一步扩大资本市场上投资者间的信息差距。
综上所述,网络媒体报道能否刺破私有信息壁障是一个重要的研究议题。本文从分析师与上市公司高管基于校友关系而进行的私有信息交易入手,考察网络媒体报道能否抑制私有信息交易这一重要问题。研究发现,私有信息交易可以使有关联的上市公司获得更加乐观的盈利预测,同时使关联分析师更快地修正报告,职业发展前景更好。但关联分析师的预测偏差也更大,若普通投资者严格按照关联分析师的推荐操作持股,则会亏损8.52%。而网络媒体报道则可以抑制上述私有信息交易,具体表现为:降低关联公司盈利预测的乐观性,增加关联分析师报告的修正间隔,削弱其职业发展前景,同时减少关联分析师的预测偏差和普通投资者因关联荐股而产生的损失(减损约6.13%)。机制分析表明,网络媒体通过信息渠道、治理渠道和情绪渠道的共同作用,约束了私有信息交易。此外,这种约束作用在公司利益相关方更重视社会关注和私有信息交易动机更强的样本中更加显著。
本文可能存在以下三点边际贡献:第一,重新审视了新闻传播学领域的“有限效果理论”。长久以来,“有限效果理论”使新闻传播学者对传统媒体的局限性形成了较为清醒的认知,即大众媒体很难战胜人际传播(Ryan和Gross,1943)。但网络媒体的出现为突破“有限效果理论”提供了可能。本文以资本市场上的私有信息交易为研究场景,发现网络媒体能够抑制私有信息交易,打破了“有限效果理论”的魔咒。第二,本文考察了分析师和高管基于校友关系进行的私有信息交易。国外的《公平信息披露法》和我国的《上市公司信息披露管理办法》都要求信息披露者对所有投资者一视同仁。但分析师与管理层的私有信息沟通依然存在(Bradley等,2020)。若不能有效治理因社会关系而产生的私有信息交易,仅依靠法律文件将无法实现信息公平。第三,本文探究了网络媒体是否对资本市场上的私有信息交易有抑制作用。现有文献探讨了传统媒体对私有信息交易的抑制作用,但通常只关注私有信息交易的一方(杨玉龙等,2017)。本文则探讨了网络媒体对分析师和高管的私有信息交易三个方面的影响:高管的获益、分析师的获益和投资者的损失,更加全面地提供了网络媒体抑制私有信息交易的证据。
二、理论分析与研究假说
(一)分析师与上市公司高管之间的社会关系及私有信息交易
出于文化、制度和关系契约三方面的原因,社会关系在我国资本市场上扮演着重要的角色。在文化层面,儒家传统将伦理纲常视作社会交往的通用指南。所谓伦理,即人与人的关系和处理这些关系的规则。儒家伦理将社会关系融于社会治理的观念(翟学伟,1993)影响了当代中国社会交往的一般模式,并渗透到资本市场中。在制度层面,经济的跨越式发展领先于法律与规则建设的步伐,导致许多交易很难在法制的框架下顺畅运行。于是,企业在开展业务时常常借助关系手段。在契约层面,与正式契约相比,关系契约是交易成本更低的选择,可以提供天然的违约惩罚机制,任何一方违约会导致未来交易利益的损失(永不往来),以及整个社会网络所有其他成员的联合惩罚(逐出队伍)(Greif,1993)。
新兴市场普遍存在信息匮乏的情况,而信息匮乏的反面意味着稀缺信息的拥有者能够以此获得巨额利益。在新兴资本市场上,各方都积极搜寻可以获利的私有信息。但私有信息容易泄露,也容易因利益分配不均而引发内部人举报。如何确保私有信息在传递过程中保密且不被举报,便成为一个重要难题。社会关系网络既能通过事前构建的基于身份的信任而进行私有信息交换,又能通过事后断交的威胁而约束泄密行为,为私有信息交易提供了天然温床。社会网络的内部人在私有信息交易中获得了丰厚利益,而普通投资者则承担了私有信息交易的不利后果。这在分析师与上市公司高管依托社会关系而进行的私有信息交易中有集中的体现。
首先,上市公司高管能从私有信息交易中获得好处。高管有市值管理的需要和激励,分析师则可以通过研究报告对市值产生影响。赵良玉等(2013)发现,分析师为取悦公司高管以获取私有信息,会在上市公司公开增发、配股等事件中发布更加乐观的报告。孙淑伟等(2019)也发现,分析师会在管理层减持前发布乐观的评级报告,增加管理层的利益。
其次,分析师也能从私有信息交易中获得好处。为了回报分析师助推上市公司股价,高管会向关联分析师优先披露公司的特质信息。Hugon等(2016)认为,分析师修正原有报告意味着获取新信息。Cotter等(2006)发现,公司业绩预告发布后五天内约有60%的分析师会修正盈利预测。李馨子和肖土盛(2015)也发现,公司发布盈余预告后,分析师的盈利预测修正会增加。由于投资者注意力有限,同日发布的分析师研报越多,投资者对分析师报告的反应越弱(方军雄等,2018)。私有信息交易所带来的信息优势便于分析师更快地修正研报,先人一步获得市场关注。此外,拥有丰富社会关系的分析师能够为券商创造更多价值,作为回馈,券商也会为其提供更高的薪酬或职位。
然而,私有信息交易会导致信息披露方面的歧视行为。Juergens和Lindsey(2009)发现,即使分析师挖掘出新信息,他们往往将信息优先披露给关联机构,而这会加剧信息不对称。社会关系网络内部的高管、分析师和机构投资者形成信息生产、处理和使用的封闭环境,为了确保机构投资者获益,分析师不会将私有信息传递给普通投资者,从而造成普通投资者的信息损失。
最后,信息损失将导致普通投资者的财富损失。李志生等(2017)发现,分析师荐股信息会给投资者带来超额亏损,而机构投资者对分析师荐股表现为净卖出。这表明分析师荐股的背后可能存在私有信息交易,这进一步扩大了资本市场上的贫富差距。
(二)网络媒体对私有信息交易的约束作用
网络媒体可以通过削弱私有信息优势、抬高私有信息交易成本和降低私有信息交易收益,约束分析师与上市公司高管之间的私有信息交易。
1. 削弱私有信息优势。网络媒体可以通过深入的信息挖掘和快速的信息传递,削弱分析师和上市公司高管的私有信息优势。
网络媒体可以挖掘出公司尚未披露的信息。分析师进行私有信息交易主要是为了获取信息优势,而网络媒体的信息挖掘作用会降低私有信息的价值,削弱分析师进行私有信息交易的动机。2021年4月21日,有网络媒体披露了物产中大集团股份有限公司的业绩数据,而物产中大在2021年4月27日才披露2020年年报及2021年第一季度报告,且与此前媒体披露的数据基本一致,这意味媒体能收集到公司尚未披露的信息。李思龙等(2018)发现,投资者互动平台会降低不同投资者的信息不对称程度,从而减轻高风险溢价。An等(2020)发现,更多的媒体报道能降低股价崩盘风险,且这种影响是由媒体创造更多的原创新闻所驱动的。
网络媒体可以加速公司私有信息的传播。私有信息终归是要扩散的,分析师和上市公司高管利用私有信息获利的关键是打“时间差”,即在私有信息大范围扩散前通过各种手段获利。而网络媒体可以急剧缩短“时间差”,压缩内部人获利的时空范围。Das等(2005)跟踪七个月内四只股票的信息流后发现,网络平台为投资者提供了信息交流的场所,投资者在网络平台上互动留言和在线讨论,使信息得以快速传播,有时甚至能预告即将发布的信息。
2. 抬高私有信息交易成本。网络媒体的热点聚焦作用会增加公司私有信息交易的成本。一方面,网络媒体的热点聚焦作用会对管理层声誉产生影响。Dyck等(2008)认为,媒体报道能揭露管理层的不端行为,使其在社交活动中处于尴尬境地,且热点聚焦所带来的信息扩散会对管理层的职业前途和薪酬产生影响(吴超鹏等,2012)。另一方面,网络媒体的热点聚焦作用会增加公司内幕曝光的概率。媒体关注度越高,公司再次违规的可能性越低(周开国等,2016)。
网络媒体的公司治理作用会增加公司私有信息交易的成本。网络媒体关注会导致政府作为监管者介入,提高公司治理水平(逯东等,2015)。作为投资者获取信息的主要媒介,网络媒体的新闻传播速度更快、传播范围更广、受众针对性更强,更易引起投资者的共鸣。被关注个体的任何举动都会被迅速捕捉、放大,甚至可能引发公关风险。沈艺峰等(2013)发现,当公司定向增发股票遭到网络舆论反对时,审核通过率和股票超额收益会降低。这意味着网络舆论能够通过资本市场反应和监管审查对企业产生治理效应。
3. 降低私有信息交易收益。网络媒体的情绪抑制作用会降低私有信息交易的收益。读者对负面新闻的偏好可能来自演化过程中人类对恶劣自然环境中危险信号的极端敏感。McCluskey和Swinnen(2007)发现,读者错过负面报道的损失要大于阅读正面报道的收益,因而会更关注负面新闻。因此,媒体基于市场需求对负面新闻会有天然偏好。然而,为求规范管理和规避诉讼风险,传统纸媒对负面新闻的审核非常严格,正面新闻数量远高于负面新闻数量。而媒体在市场化改革后,负面报道数量显著增加(杨玉龙等,2018)。作为典型的市场化导向媒体,网络媒体对负面新闻报道的偏好能够为分析师针对个股的乐观研报所带来的过热市场情绪降温,降低高管通过情绪推动的虚高市值而套取的超额收益。
基于上述分析,本文提出以下研究假说:网络媒体报道可以约束分析师与上市公司高管依托社会关系网络而进行的私有信息交易。
三、研究设计
(一)数据来源与样本选取
网络媒体报道数据来自CNRDS中的网络财经新闻库(CFND)。CFND中包含400多家重要网络媒体的报道数据,不仅包括新浪财经、网易财经等二十家主流网络财经媒体的报道数据,还包括观察者网等400多家大型网站、行业网站和地方性网站的报道数据。
分析师和上市公司高管的个人特征数据分别来自手工搜集和公开数据库。本文从萝卜投研、慧博投研等网站根据分析师研报获取其姓名和毕业院校等信息,再从金罗盘爬取部分数据作为补充,而后从中国证券业协会爬取分析师登记信息,如性别、执业机构、执业岗位、学历和登记编号,并与上述手工数据进行匹配,获得3610位分析师信息,剔除缺失之后最终得到2308份分析师简历数据。上市公司高管信息来自CSMAR上市公司人物特征数据库。
其他分析师相关数据如乐观偏差、研报修正间隔、分析师排名、预测偏差等,根据CSMAR数据库中的基础数据处理后得到。上市公司相关数据也来自CSMAR数据库。
样本选取顺序如下:(1)通过手工搜集获得分析师个人简历2308份;(2)匹配分析师预测数据与其个人简历数据,获得9581286个观测值;(3)识别分析师与其跟踪的上市公司有无校友链接,记为EduTie,若有则取1,否则取0;(4)合并公司基本面数据、市场交易数据和网络媒体报道数据,获得2058892个观测值;(5)删除关键变量如分析师乐观偏差、预测准确度、研报修正间隔、预测期超额回报等存在缺失的数据,得到1647466个观测值。本文对极端值在1%和99%的水平上进行缩尾处理,样本期间为2001−2020年。
(二)变量定义
1. 网络媒体报道(WebNews)。本文以目标公司每年的网络新闻报道总数来测度网络媒体报道(单位:万篇),记为WebNews。
2. 校友关系网络(EduTie)。本文借鉴Cohen等(2008)的做法,通过手工搜集获得分析师毕业院校数据,而后与上市公司高管简历数据进行匹配。若分析师和上市公司高管毕业于同一所院校,则校友关系网络(EduTie)为1,否则为0。本文使用校友关系的原因是,大量研究表明共同的教育背景会促进社会联系,导致信息共享和共谋(Guan等,2016)。
3. 私有信息交易。私有信息交易很难直接量化,本文只能通过一些间接手段衡量是否存在私有信息交易,即资本市场参与者的行为异常与证券价格异常。本文将从三个角度来考察分析师与上市公司高管之间的私有信息交易。
(1)上市公司高管在私有信息交易中获得的好处。当分析师与其追踪的上市公司高管具有社会网络关系时,分析师对该公司股票会出具更多乐观的评级意见,这种现象被称为关联荐股(Cohen等,2010)。分析师的大部分信息高度依赖管理层(Brown等,2015),这种相互依赖性会导致分析师接受管理者的乐观心态。本文预期,当与上市公司高管存在私有信息交易时,分析师会对公司前景做出更乐观的评价,记为乐观偏差(OptForecast),这对公司股价、高管业绩评价和股票交易具有正向影响。
$ OptForecast=\left({FEPS}_{j,t}-{EPS}_{j,t}\right)/{P}_{j} $ | (1) |
其中,FEPSj,t为分析师对目标公司的EPS预测值,EPSj,t为目标公司的EPS实际值,Pj为分析师预测前一个交易日目标公司的股票收盘价格。
(2)分析师在私有信息交易中获得的好处。本文从两个角度来考察分析师在私有信息交易中获得的好处。
一是修正间隔(Revision),反映分析师获得的短期信息优势。报告修正意味分析师向市场传达新消息,大量学者认为分析师评级修正比评级本身更具有信息含量。例如,张然等(2017)发现分析师的评级修正和盈利预测修正对公司未来盈利能力存在显著的预测作用。分析师在盈利修正时既要考虑两次预测间公众知悉的公开信息,还要为投资者提供公司层面的增量信息(朱红军等,2008)。因此,当分析师获得私有信息时,其报告修正间隔会缩短。
$ Revision=\ln\left({FDay}_{i,t}-{FDay}_{i,t-1}\right) $ | (2) |
其中,FDayi,t为分析师报告发布日期,FDayi,t−1为分析师上次报告发布日期。
二是分析师职业前景,反映分析师获得的经济利益。本文使用分析师排名(Rank)和分析师晋升(Promote)来衡量。分析师排名与分析师薪酬挂钩,而其排名由基金经理等机构投资者决定,只有能够为基金经理提供独特信息的分析师才更容易获得青睐。分析师晋升也与分析师薪酬相关,Hong和Kubik(2003)发现乐观的分析师更容易进入前十大券商获得更高报酬。若分析师获得私有信息,则有助于其取得更高的排名或晋升概率。
Rank为分析师排名,若第t年分析师被《新财富》评为排名前三的分析师,则Rankj,t为1,否则为0。Promote为分析师晋升,若第t+1年分析师从小券商跳槽到当年排名前十的大券商,则Promotej,t为1,否则为0。
(3)私有信息交易可能给普通投资者带来的损失。分析师通过发布乐观有偏的报告而迎合高管对股价的诉求,这会干扰上市公司的信息环境。Juergens和Lindsey(2009)认为,即使分析师可以获得新信息,他们也往往将新信息传递给特定投资者群体(如机构投资者)而不是普通投资者。若普通投资者严格按照分析师的建议价格和持仓期限买卖股票,则很可能陷入亏损。换言之,当分析师和上市公司高管存在私有信息交易时,其预测偏差(ForecastError)相对较大,普通投资者在分析师预测期内的超额回报(CarForecast)相对较低。
$ ForecastError=\left|{FEPS}_{j,t}-{EPS}_{j,t}\right|{\Big{/}}\left|{EPS}_{j,t}\right| $ | (3) |
其中,FEPSj,t为分析师对目标公司的EPS预测值,EPSj,t为目标公司实际披露的EPS值。
CarForecast为超额回报。本文对式(4)进行回归,其中Ri,t为公司i第t个交易日的个股收益率,Rm,t为股票市场第t个交易日的收益率,市场收益率用沪深综合指数收益率来测量。将估计得到的系数βm,t代入式(4),与分析师预测期间公司每日个股收益作差,计算每日异常收益ARi,t,然后累加分析师预测期间每日的ARi,t,即可得到分析师预测期间的超额回报CarForecast。
$ {R}_{i,t}={\alpha }_{i}+{\beta }_{m,i}{R}_{m,t}+{\varepsilon }_{i,t} $ | (4) |
本文的其他变量定义见表1。
变量名称 | 变量符号 | 变量定义 |
流通市值 | MV | 上市公司流通市值的自然对数 |
资产净利率 | Roa | 上市公司净利润与总资产之比 |
资产负债率 | Lev | 上市公司负债总额与资产总额之比 |
账面市值比 | BM | 上市公司账面价值与流通市值之比 |
公司规模 | Size | 上市公司年度总资产的自然对数 |
换手率 | Volume | 上市公司年度交易股份数与总股数之比 |
个股相对波动 | Sigma | 上市公司年度经过市场调整的日收益率的标准差 |
券商持股比例 | BrokerHld | 上市公司年度的券商持股股数占流通股数的比例 |
分析师活跃度 | AnaCover | 年度分析师所属证券公司发布研报的分析师数量 |
分析师关注度 | Attention | 年度跟踪上市公司的分析师(团队)数的自然对数 |
分析师经验 | Experience | 先计算分析师的工作经验,再减去跟踪某公司的所有分析师的平均工作经验,最后取自然对数 |
预测区间 | Horizon | 分析师预测报告时间与年度财报公布日之间间隔的自然对数 |
(三)模型设定
现有研究在考虑分析师和上市公司高管之间的私有信息交易时,通常从经济后果出发考察对分析师研究报告的影响。本文将网络媒体报道作为调节变量引入模型中,考察网络媒体报道对私有信息交易的影响。本文采用式(5)来检验研究假说,其中PrivateTrd指代OptForecast、Revision、Rank、Promote、ForecastError和CarForecast。
$ \begin{aligned} PrivateTrd=&\alpha +{\beta }_{1} WebNews\times EduTie+{\beta }_{2} EduTie+{\beta }_{3} WebNews+\sum {\beta }_{j} Control\\ & +\sum Year+\sum F{i}{r}{m}+\varepsilon \end{aligned} $ | (5) |
若本文研究假说成立,则OptForecast、Rank、Promote和ForecastError对WebNews×EduTie的回归系数
四、实证结果分析
(一)描述性统计
1. 校友关系描述性统计。本文得到2308名分析师的毕业院校数据,如表2所示,分析师毕业院校以国内知名高等院校为主,如北京大学(10.485%)、复旦大学(8.579%)、清华大学(8.319%)等,存在明显的聚集现象。此外,前十所高校培养了研究样本中接近一半的分析师。
排名 | 高校名称 | 分析师数量 | 样本占比(%) | 分析师累计数量 | 累计样本占比(%) |
1 | 北京大学 | 242 | 10.485 | 242 | 10.485 |
2 | 复旦大学 | 198 | 8.579 | 440 | 19.064 |
3 | 清华大学 | 192 | 8.319 | 632 | 27.383 |
4 | 上海交通大学 | 120 | 5.199 | 752 | 32.582 |
5 | 上海财经大学 | 119 | 5.156 | 871 | 37.738 |
6 | 中国人民大学 | 83 | 3.596 | 954 | 41.334 |
7 | 南开大学 | 58 | 2.513 | 1012 | 43.847 |
8 | 厦门大学 | 49 | 2.123 | 1061 | 45.971 |
9 | 武汉大学 | 48 | 2.08 | 1109 | 48.05 |
10 | 南京大学 | 38 | 1.646 | 1147 | 49.697 |
如果将考察范围切换至分析师与上市公司高管的校友关系,则需要统计样本中分析师与高管的校友链接数量。一所高校若要提供大量的分析师—公司高管链接,则既需要培养大量的分析师,还需要培养大量的上市公司高管。本文统计得到74366条分析师—公司高管校友链接,如表3所示,名校的聚集效应非常明显,毕业于前十所的分析师和高管之间的校友链接占总链接数量的91%。与分析师毕业院校相比,表3中的高校排名顺序有所变动,如清华大学的校友链接数量(23.829%)超过北京大学(22.727%),且专业财经院校的排名普遍下降。
排名 | 高校名称 | 校友链接数 | 占比(%) | 校友链接累计数 | 累计占比(%) |
1 | 清华大学 | 17721 | 23.829 | 17721 | 23.829 |
2 | 北京大学 | 16901 | 22.727 | 34622 | 46.556 |
3 | 复旦大学 | 11651 | 15.667 | 46273 | 62.223 |
4 | 中国人民大学 | 5786 | 7.780 | 52059 | 70.004 |
5 | 上海交通大学 | 4754 | 6.393 | 56813 | 76.396 |
6 | 上海财经大学 | 3454 | 4.645 | 60267 | 81.041 |
7 | 南开大学 | 2413 | 3.245 | 62680 | 84.286 |
8 | 华中科技大学 | 1920 | 2.582 | 64600 | 86.868 |
9 | 中国人民银行研究生部 | 1621 | 2.180 | 66221 | 89.047 |
10 | 厦门大学 | 1395 | 1.876 | 67616 | 90.923 |
2. 变量描述性统计。如表4所示,上市公司高管和分析师之间存在校友关系的比例约为2.0%,不同公司的新闻报道数量存在较大差距,但每家公司都有新闻报道。
变量 | 样本量 | 均值 | 中位数 | 标准差 | 最小值 | 最大值 |
OptForecast | 1647768 | 0.02 | 0.04 | −0.19 | 0.01 | 0.37 |
Revision | 1647768 | 4.16 | 0.98 | 0.69 | 4.30 | 7.43 |
Rank | 1647768 | 0.24 | 0.43 | 0 | 0 | 1.00 |
Promote | 1359499 | 0.05 | 0.21 | 0 | 0 | 1.00 |
ForecastError | 1647768 | 1.83 | 6.38 | 0 | 0.37 | 102.80 |
CarForecast | 1647768 | −0.15 | 0.69 | −4.96 | −0.08 | 2.49 |
WebNews | 1647768 | 0.09 | 0.23 | 0 | 0.03 | 3.01 |
EduTie | 1647768 | 0.02 | 0.14 | 0 | 0 | 1.00 |
Roa | 1647768 | 0.07 | 0.06 | −0.37 | 0.06 | 0.35 |
Lev | 1647768 | 0.44 | 0.20 | 0.03 | 0.44 | 0.94 |
BM | 1647768 | 0.58 | 0.26 | 0 | 0.57 | 1.30 |
Size | 1647768 | 23.00 | 1.62 | 19.81 | 22.71 | 30.78 |
MV | 1647768 | 23.43 | 1.16 | 20.69 | 23.29 | 28.03 |
Volume | 1647768 | 2.87 | 2.12 | 0.09 | 2.27 | 15.00 |
Sigma | 1647768 | 0.03 | 0.01 | 0.00 | 0.03 | 0.12 |
BrokerHld | 1647768 | 0.01 | 0.02 | 0 | 0 | 0.21 |
AnaCover | 1647768 | 3.83 | 1.27 | 0 | 4.23 | 4.77 |
Attention | 1647768 | 2.90 | 0.72 | 0 | 3.00 | 4.33 |
Experience | 1647768 | 1.47 | 1.39 | 0 | 1.55 | 4.13 |
Horizon | 1647768 | 5.56 | 0.40 | 4.13 | 5.59 | 6.17 |
(二)回归分析
如表5所示,当分析师和上市公司高管存在校友关系时,分析师的研报会更乐观,研报修正速度更快,后续职业发展前景更好,但关联分析师的预测偏差也会更大,若普通投资者严格按照关联分析师的建议持仓,则会亏损8.52%。这表明分析师与上市公司高管的私有信息交易确实存在。当然,本文主要考察网络媒体报道能否约束这种私有信息交易,即重点关注EduTie与WebNews的交乘项。由表5可知,网络媒体报道可以降低关联分析师盈利预测的乐观性,增加关联分析师的修正间隔,削弱关联分析师的职业发展前景,并减少关联分析师的预测偏差和普通投资者因关联荐股而产生的投资损失(减损约6.13%)。因此,网络媒体报道能够有效约束这类私有信息交易。
OptForecast | Revision | Rank | Promote | ForecastError | CarForecast | |
WebNews×EduTie | −0.0043*** | 0.2348*** | −0.9059*** | −2.0407** | −0.3357** | 0.0613** |
(−3.4411) | (5.7743) | (−3.7974) | (−2.5598) | (−2.0869) | (2.4570) | |
EduTie | 0.0023** | −0.0557*** | 0.2985*** | 0.8517*** | 0.4249*** | −0.0852*** |
(2.4921) | (−2.9901) | (3.7178) | (6.1803) | (2.7424) | (−4.6745) | |
WebNews | −0.0021 | −0.1668*** | −0.1234* | 0.1352** | −0.1028 | −0.0048 |
(−1.0653) | (−6.1656) | (−1.9121) | (2.4923) | (−0.6657) | (−0.1170) | |
控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
年份与企业固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
样本数 | 1647768 | 1647768 | 1647768 | 1357673 | 1647768 | 1647768 |
Adj. R2 | 0.0880 | 0.0406 | 0.0326 | 0.3083 | 0.0376 | 0.0566 |
注:括号内的T值经过公司层面的cluster调整,***、**和*分别表示1%、5%和10%的显著性水平,下表同。 |
(三)稳健性检验
为了缓解内生性问题,本文首先使用滞后一期的网络媒体报道数量(LagWebNews)作为工具变量进行两阶段回归分析,结果与预测一致。由于使用滞后一期的内生变量作为工具变量可能存在局限性,本文还引入上市公司注册地和报道媒体之间的距离(Logdistance)作为工具变量,回归结果依然稳健。在上述处理的基础上,本文还引入上市公司注册地与报道媒体所在地之间是否通高铁(RailwaySta)作为工具变量,结果也与预测一致。
本文中分析师和公司高管存在校友关系的样本占比仅为2.0%,占比过小对实证结果的可信度会带来不利影响。为了缓解这种不利影响,本文使用倾向得分匹配(PSM)方法进行处理,将有关系组(EduTie=1)作为处理组,采取卡尺最近邻匹配(1∶1)从无关系组中选取样本作为对照组,PSM回归结果仍支持本文假说。
2014年12月14日,国家互联网信息办公室和国家新闻出版广电总局联合下发《关于在新闻网站核发新闻记者证的通知》。从2015年开始,中央、地方的重点新闻网站以及全国性行业新闻网站的采编人员将分批获得新闻记者证。这一规定对网络媒体采编权进行限制和规范,可能对本文结论在时间序列上的可靠性产生影响。因此,本文划分2015年前后的样本,比较两组样本中WebNews×EduTie的系数差异。结果显示,2015年前后网络媒体报道对私有信息交易的抑制作用都是显著的,基本结论依然稳健。
为了检验校友关系度量的可靠性,本文将校友关系限定在分析师和董事长之间,回归结果与上文一致。本文还使用工作关系来替换校友关系,系数的符号与上文大致相同,但显著性下降。这可能是因为分析师和上市公司高管之间存在工作关系的样本量太少。
为了识别网络媒体报道抑制私有信息交易是自身的作用,还是仅仅因为二次传播和扩散传统媒体报道所致,本文将传统媒体(财经报刊)和社交媒体(股吧评价)纳入模型重新进行回归。本文的结论在控制传统媒体和社交媒体后依然是稳健的。
针对分析师排名和晋升,本文在回归模型中追加控制分析师预测误差,结论依然稳健。
由于本文样本期间较长,实证结果可能受时间趋势的影响。为此,本文在控制住年份固定效应的基础上,进一步控制行业−年份的交互固定效应,结果依然稳健。
五、机制检验与拓展性分析
(一)机制检验
1. 原创数量与私有信息交易。媒体在资本市场中发挥信息挖掘的功能(黄俊和郭照蕊,2014),通过向投资者传递新信息来影响上市公司的决策行为和治理效率(Dyck等,2008)。本文认为,网络媒体报道抑制私有信息交易的一个途径是通过挖掘更多原创信息来缓解信息不对称,原创新闻中的信息含量更多,能发挥更强的监督作用(杨国超和张李娜,2021),使外部人能挖掘出公司尚未披露的信息,提高公司未来经营状况的可预测性。因此,网络媒体可以通过挖掘更多原创信息来降低私有信息的价值,从而抑制分析师和上市公司高管之间的私有信息交易。为了检验这一推测,本文以CNRDS数据库中的“是否原创”为基础,按年份和公司进行汇总,得到变量WebsOriginal。此外,为了控制非原创信息的影响,本文在模型中控制非原创数量(WebsNoOriginal)及其与校友关系的交乘项(WebsNoOriginal×EduTie)。如表6所示,原创报道可以有效抑制私有信息交易。
OptForecast | Revision | Rank | Promote | ForecastError | CarForecast | |
WebsOriginal×EduTie | −0.0225*** | 0.9248*** | −0.3935*** | −0.0917*** | −0.1253** | 0.3026** |
(−2.6524) | (3.5923) | (−2.9070) | (−2.6245) | (−2.0243) | (2.0711) | |
EduTie | 0.0016 | −0.1214*** | 0.0714*** | 0.0447*** | 0.8977*** | −0.0985** |
(1.0863) | (−3.1013) | (2.9994) | (4.7846) | (3.2773) | (−2.5192) | |
WebsOriginal | −0.0050 | −0.8537*** | −0.1328** | 0.0160 | −0.5964 | −0.0334 |
(−0.4478) | (−6.6917) | (−2.3990) | (0.7056) | (−0.7725) | (−0.1705) | |
控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
年份与公司固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
样本数 | 1647768 | 1647768 | 1647768 | 1357673 | 1647768 | 1647768 |
Adj. R2 | 0.0870 | 0.0407 | 0.0358 | 0.0462 | 0.0373 | 0.0567 |
2. 头条报道与私有信息交易。头条报道通过信息传播和促进治理两条渠道对私有信息交易产生影响。头条报道具有良好的信息传播效应。Arango-Kure等(2014)发现,封面故事的选择及封面内容和设计是决定有多少人在报摊上自发购买杂志的最重要因素;Andrew等(2007)发现,大众媒体都使用标题、封面、头条新闻等向读者宣传故事的重要性。更值得注意的是头条报道的治理作用。媒体报道要发挥作用,首先要被读者所关注,才能通过投资者等的行为产生影响(Ben-Rephael等,2017),通过吸引投资者的注意力对高管和分析师的个人声誉产生影响。具体而言,目标公司吸引了更多的注意力不仅会增加公司高管因之前囤积的坏消息而面临的声誉风险,而且分析师的建议会更受到关注,分析师会出于自身声誉的考虑而发布更加客观的报告。即独立的媒体更能监督并揭露业绩不佳和预测不准确的分析师,提高分析师的预测质量(Kim等,2017)。为了检验这一推测,本文以CNRDS数据库中的“标题是否提及公司”为基础,按年份和公司进行汇总,得到变量WebsTitle。此外,为了控制住非头条报道的影响,本文在模型中控制非头条报道数量(WebsNoTitle)及其与校友关系的交乘项(WebsNoTitle×EduTie)。如表7所示,头条报道可以有效抑制私有信息交易。
OptForecast | Revision | Rank | Promote | ForecastError | CarForecast | |
WebsTitle×EduTie | −0.0286** | 0.4250 | −0.3258* | −0.1185 | −0.1036* | 0.5657* |
(−2.0031) | (1.1703) | (−1.8264) | (−1.3793) | (−1.7375) | (1.9405) | |
EduTie | 0.0025 | −0.1539*** | 0.0879*** | 0.0466*** | 0.8574*** | −0.1049*** |
(1.6163) | (−3.8759) | (3.4812) | (4.8967) | (3.2151) | (−2.7675) | |
WebsTitle | 0.0244* | −1.2401*** | −0.2223*** | 0.0002 | 4.0248** | −0.5889* |
(1.7355) | (−5.6914) | (−3.2655) | (0.0066) | (2.2296) | (−1.7531) | |
控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
年份与公司固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
样本数 | 1647768 | 1647768 | 1647768 | 1357673 | 1647768 | 1647768 |
Adj. R2 | 0.0872 | 0.0410 | 0.0358 | 0.0461 | 0.0375 | 0.0572 |
3. 负面报道与私有信息交易。媒体并非中立的信息传播者,在进行报道时会向公众传递他们的立场和看法,甚至引导公众对事件的态度与看法(熊艳等,2011)。媒体作为“意见领袖”,这种市场情绪在公众中会被快速扩大,甚至被过度强调(游家兴和吴静,2012)。为了追求轰动效应,媒体会对企业的经营状况进行更加深度的挖掘和披露,甚至可能发布片面或不实的新闻报道。而负面报道通过增加公司的诉讼风险来减少管理层隐瞒不利信息的行为,从而降低股价崩盘风险(An等,2020)。因此,与正面报道相比,负面报道能够向外界释放更强的信号,通过制造舆论压力来提高行政机关介入的概率,更好发挥媒体的监督作用,对私有信息交易的抑制作用更加显著。为了检验这一推测,本文以CNRDS数据库中的“媒体情感”为基础,按年份和公司进行汇总,得到变量WebsNeg。此外,为了控制非负面报道的影响,本文在模型中控制非负面报道数量(PosNews)及其与校友关系的交乘项(PosNews×EduTie)。如表8所示,负面报道可以有效抑制私有信息交易。
OptForecast | Revision | Rank | Promote | ForecastError | CarForecast | |
NegNews×EduTie | −0.0135** | 0.4407*** | −0.1937*** | −0.0448*** | −0.1175** | 0.0857*** |
(−2.2305) | (5.2909) | (−2.8078) | (−3.3351) | (−2.0163) | (2.4006) | |
EduTie | 0.0016 | −0.1218*** | 0.0735*** | 0.0446*** | 0.8804*** | −0.1044*** |
(1.0065) | (−3.1241) | (3.0702) | (4.7147) | (3.2216) | (−2.6991) | |
NegNews | 0.0010 | −0.3363*** | −0.0465 | 0.0039 | 0.3143 | 0.0405 |
(0.1355) | (−6.2586) | (−1.2809) | (0.4074) | (0.5910) | (0.5747) | |
控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
年份与公司固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
样本数 | 1647768 | 1647768 | 1647768 | 1357673 | 1647768 | 1647768 |
Adj. R2 | 0.0880 | 0.0404 | 0.0326 | 0.3083 | 0.0375 | 0.0566 |
(二)拓展性分析
网络媒体报道可以通过引发社会关注来约束私有信息交易。如果公司的利益相关方特别重视社会关注,那么网络媒体报道对私有信息交易的治理作用将更加显著。为了检验这一推测,本文考察了“四大”审计样本和国有企业样本中网络媒体报道的相关表现。此外,资本市场上的社会关系传递的私有信息类型通常是好消息(申宇等,2016)。换言之,当私有信息是好消息时,私有信息交易更可能发生,此时网络媒体报道的治理作用可能更加明显。当考察盈利样本时,本文结果会更加显著。
1. “四大”审计与私有信息交易。网媒报道数量越多的公司越容易受到社会的广泛关注,私有信息交易一旦暴露会引发广泛指责。由“深口袋”理论可以推测,与其他会计师事务所相比,国际“四大”会计师事务所拥有更大的规模,也面临更大的诉讼风险,因而更在意网媒报道中可能暴露的公司私有信息交易,也更可能在审计执业中采取更多应对措施。因此,网媒报道抑制私有信息交易的作用在“四大”审计的公司样本中更加明显。本文根据企业是否由“四大”会计师事务所审计进行分组回归,表9结果支持了上述推测。
OptForecast | Revision | Rank | ||||
“四大”审计 | “非四大”审计 | “四大”审计 | “非四大”审计 | “四大”审计 | “非四大”审计 | |
WebNews×EduTie | −0.0039** | −0.0001 | 0.1671*** | 0.5175** | −0.6983*** | −2.0203** |
(−2.3864) | (−0.0078) | (3.3294) | (1.9758) | (−3.0075) | (−2.5083) | |
样本数 | 223372 | 1424906 | 223372 | 1424906 | 223356 | 1424906 |
Adj. R2 | 0.0723 | 0.0956 | 0.0655 | 0.0385 | 0.0477 | 0.0314 |
WebNews×EduTie
系数差异检验 |
χ2 =1.41
(0.2355) |
χ2 =24.04
(0.0000) |
χ2 =47.67
(0.0000) |
|||
Promote | ForecastError | CarForecast | ||||
“四大”审计 | “非四大”审计 | “四大”审计 | “非四大”审计 | “四大”审计 | “非四大”审计 | |
WebNews×EduTie | −1.0346 | −2.3649 | −0.0695 | −0.7014 | 0.0866*** | 0.2549* |
(−0.7841) | (−1.1264) | (−0.5148) | (−0.5106) | (2.7656) | (1.8371) | |
样本数 | 146040 | 1063757 | 223372 | 1424906 | 223372 | 1424906 |
Adj. R2 | 0.4283 | 0.4049 | 0.0429 | 0.0365 | 0.0893 | 0.0589 |
WebNews×EduTie
系数差异检验 |
χ2 =8.07
(0.0045) |
χ2 =2.01
(0.1559) |
χ2 =11.29
(0.0008) |
2. 产权性质与私有信息交易。转型经济体中存在法律不完善的问题,而行政治理可以成为保护投资者的替代机制(李培功和沈艺峰,2010)。上市公司高管向分析师传递私有信息时面临诉讼风险,而行政机关的介入会增加这种风险,促使高管减少违规行为。国企高管更关注自身的政治前途,一旦他们和分析师之间的私有信息交易被发现,其政治前途会受到影响。即国企高管在传递私有信息时不仅要考虑诉讼风险,还需要考虑自身政治前途。因此,网媒报道抑制私有信息交易的作用在国有企业中会更加明显。本文根据企业产权性质进行分组回归,表10的结果支持了上述推测。
OptForecast | Revision | Rank | ||||
国有企业 | 民营企业 | 国有企业 | 民营企业 | 国有企业 | 民营企业 | |
WebNews×EduTie | −0.0068** | 0.0013 | 0.2309*** | 0.1635*** | −0.9108*** | −0.8756** |
(−2.3386) | (0.5677) | (6.1396) | (3.1958) | (−3.7845) | (−1.9910) | |
样本数 | 594747 | 1053524 | 594747 | 1053524 | 594747 | 1053524 |
Adj. R2 | 0.0845 | 0.1032 | 0.0488 | 0.0348 | 0.0384 | 0.0306 |
WebNews×EduTie
系数差异检验 |
χ2 =60.51
(0.0000) |
χ2 =3.81
(0.0509) |
χ2 =0.05
(0.8240) |
|||
Promote | ForecastError | CarForecast | ||||
国有企业 | 民营企业 | 国有企业 | 民营企业 | 国有企业 | 民营企业 | |
WebNews×EduTie | −0.8507 | −6.1000** | −0.4899 | −0.0071 | 0.0308 | 0.1254** |
(−0.5469) | (−2.2053) | (−1.4233) | (−0.0305) | (1.3001) | (2.4253) | |
样本数 | 412186 | 773167 | 594747 | 1053524 | 594747 | 1053524 |
Adj. R2 | 0.4149 | 0.3957 | 0.0403 | 0.0391 | 0.0743 | 0.0637 |
WebNews×EduTie
系数差异检验 |
χ2 =15.62
(0.0001) |
χ2 =21.49
(0.0000) |
χ2 =22.66
(0.0000) |
3. 企业盈利与私有信息交易。管理层传递的私有信息大致可分为好消息和坏消息。当管理层向基金经理传递好消息时,基金经理可以通过重仓持有与其有校友关系的公司股票而获得超额收益(Cohen等,2008),而传递私有信息的高管则可以获得更高薪酬(Butler和Gurun,2012)。但当私有信息为坏消息时,源于个人的利益动机,在面临损失时,上市公司管理层往往隐瞒坏消息,等待特定时机再公布。因此,与亏损企业相比,盈利企业存在更多的好消息,私有信息交易也更频繁(申宇等,2016;杨玉龙和张倩男,2020)。本文根据企业是否盈利进行分组回归,表11结果显示网媒报道在盈利样本中对私有信息交易的抑制作用更加明显。
OptForecast | Revision | Rank | ||||
亏损企业 | 盈利企业 | 亏损企业 | 盈利企业 | 亏损企业 | 盈利企业 | |
WebNews×EduTie | 0.0321 | −0.0045*** | 0.5865 | 0.2217*** | 0.5718 | −0.9057*** |
(1.4871) | (−3.8769) | (1.3835) | (5.8486) | (0.9064) | (−3.8098) | |
样本数 | 46488 | 1601790 | 46488 | 1601790 | 46431 | 1601790 |
Adj. R2 | 0.2202 | 0.0738 | 0.0630 | 0.0404 | 0.0900 | 0.0326 |
WebNews×EduTie
系数差异检验 |
χ2 =7.45
(0.0064) |
χ2 =5.63
(0.0177) |
χ2 =14.80
(0.0001) |
|||
Promote | ForecastError | CarForecast | ||||
亏损企业 | 盈利企业 | 亏损企业 | 盈利企业 | 亏损企业 | 盈利企业 | |
WebNews×EduTie | −1.1619 | −2.5561** | 2.5784 | −0.3130** | 0.1551 | 0.0646*** |
(−0.3849) | (−2.0263) | (1.0161) | (−1.9607) | (0.6277) | (2.7113) | |
样本数 | 32384 | 1184341 | 46488 | 1601790 | 46488 | 1601790 |
Adj. R2 | 0.4387 | 0.4018 | 0.0507 | 0.0369 | 0.0893 | 0.0576 |
WebNews×EduTie
系数差异检验 |
χ2 =0.79
(0.3727) |
χ2 =1.30
(0.2548) |
χ2 =0.43
(0.5122) |
六、结论与启示
本文以分析师与上市公司高管基于校友关系而进行的私有信息交易为切入点,发现两者的私有信息交易可以让公司得到更加乐观的推介,分析师也因私有信息交易而修正报告的速度更快且职业发展更好,但分析师的预测偏差会更大,若普通投资者严格按照关联分析师的建议持仓,则会亏损8.52%。这表明分析师与上市公司高管的私有信息交易确实存在。而网络媒体可以约束这类私有信息交易。具体而言,网络媒体报道可以降低关联分析师盈利预测的乐观性,增加关联分析师的修正间隔,削弱关联分析师的职业发展前景,同时减少关联分析师的预测偏差和普通投资者因关联荐股而产生的投资损失(减损约6.13%)。机制分析表明,网络媒体通过信息渠道、治理渠道和情绪渠道的共同作用,约束了私有信息交易。此外,这种约束作用在“四大”审计、国有企业和盈利样本中更加明显。
本文在理论研究方面有两点启示。第一,从新闻传播学的研究视角,考察了公开信息渠道和私有信息渠道的竞争,检验了“有限效果理论”在新媒体时代的适用性。本文发现网络媒体作为新型公开信息渠道能约束私有信息交易,这与传统媒体形成鲜明对比,有助于我们重新审视基于传统媒体提出的经典理论,打破“有限效果理论”的魔咒。第二,从资本市场的社会关系网络视角,本文发现社会关系给内部人带来利益,但给外部投资者带来损失。尽管以往文献探讨社会关系在新兴资本市场中提供信息传播的便利和隐性交易的有效治理,但是对其产生的社会代价关注还不足。本文有助于我们更全面地认识社会关系的两面性。
本文在监管和投资者保护实践方面也有两点启示。第一,资本市场上各种内幕交易屡禁不止,尽管证券监管机构持续努力,仍然任重而道远。本文发现网络媒体报道能显著减少私有信息交易行为,这为监管机构促进资本市场信息公平提供了有益启示。第二,资本市场上充斥着大量信息源,引发了严重的信息超载问题。本文发现与传统媒体相比,网络媒体表现得显著更优,这对投资者的信息获取有帮助。
[1] | 蔡宁. 信息优势、择时行为与大股东内幕交易[J]. 金融研究, 2012(5): 179–192. |
[2] | 方军雄, 伍琼, 傅颀. 有限注意力、竞争性信息与分析师评级报告市场反应[J]. 金融研究, 2018(7): 193–206. |
[3] | 黄斌. 功能转型: 传统媒体的出路[J]. 新闻战线, 2012(11): 12–14. |
[4] | 黄楚新, 王丹. 主流媒体微信公众号: 现状、特点与发展趋势[J]. 新闻战线, 2016(9): 39–42. |
[5] | 黄俊, 郭照蕊. 新闻媒体报道与资本市场定价效率——基于股价同步性的分析[J]. 管理世界, 2014(5): 121–130. |
[6] | 李培功, 沈艺峰. 媒体的公司治理作用: 中国的经验证据[J]. 经济研究, 2010(4): 14–27. |
[7] | 李思龙, 金德环, 李岩. 网络社交媒体提升了股票市场流动性吗? ——基于投资者互动视角的研究[J]. 金融论坛, 2018(7): 35–49. |
[8] | 李馨子, 肖土盛. 管理层业绩预告有助于分析师盈余预测修正吗[J]. 南开管理评论, 2015(2): 30–38. |
[9] | 李志生, 李好, 刘淳, 等. 天使还是魔鬼? ——分析师媒体荐股的市场效应[J]. 管理科学学报, 2017(5): 66–81. |
[10] | 逯东, 付鹏, 杨丹. 媒体类型、媒体关注与上市公司内部控制质量[J]. 会计研究, 2015(4): 78–85. |
[11] | 申宇, 赵静梅, 何欣. 校友关系网络、基金投资业绩与“小圈子”效应[J]. 经济学(季刊), 2016(1): 403–428. |
[12] | 沈艺峰, 杨晶, 李培功. 网络舆论的公司治理影响机制研究——基于定向增发的经验证据[J]. 南开管理评论, 2013(3): 80–88. |
[13] | 孙淑伟, 梁上坤, 付宇翔, 等. 择机还是共谋——内部人减持前的分析师行为[J]. 管理科学学报, 2019(12): 105–123. |
[14] | 吴超鹏, 叶小杰, 吴世农. 媒体监督、政治关联与高管变更——中国的经验证据[J]. 经济管理, 2012(2): 57–65. |
[15] | 熊艳, 李常青, 魏志华. 媒体“轰动效应”: 传导机制、经济后果与声誉惩戒——基于“霸王事件”的案例研究[J]. 管理世界, 2011(10): 125–140. |
[16] | 杨国超, 张李娜. 产业政策何以更有效? ——基于海量媒体报道数据与研发操纵现象的证据[J]. 经济学(季刊), 2021(6): 2173–2194. |
[17] | 杨玉龙, 孙淑伟, 孔祥. 媒体报道能否弥合资本市场上的信息鸿沟? ——基于社会关系网络视角的实证考察[J]. 管理世界, 2017(7): 99–119. |
[18] | 杨玉龙, 吴文, 高永靖, 等. 新闻媒体、资讯特征与资本市场信息效率[J]. 财经研究, 2018(6): 109–125. |
[19] | 杨玉龙, 张倩男. 基金经理与公司高管校友关系加剧了股价波动吗[J]. 上海财经大学学报, 2020(3): 97–110. |
[20] | 游家兴, 吴静. 沉默的螺旋: 媒体情绪与资产误定价[J]. 经济研究, 2012(7): 141–152. |
[21] | 翟学伟. 中国人际关系的特质——本土的概念及其模式[J]. 社会学研究, 1993(4): 74–83. |
[22] | 张大勇, 王卫锋. 证券市场内幕交易行为识别: 理论模型与实证分析[J]. 西南民族大学学报(人文社会科学版), 2017(3): 154–158. |
[23] | 张然, 汪荣飞, 王胜华. 分析师修正信息、基本面分析与未来股票收益[J]. 金融研究, 2017(7): 156–174. |
[24] | 赵良玉, 李增泉, 刘军霞. 管理层偏好、投资评级乐观性与私有信息获取[J]. 管理世界, 2013(4): 33–47. |
[25] | 周国良, 孟庆玺, 武凯文, 等. 证券分析师家乡网络资本的信息效应[J]. 财经研究, 2020(5): 111–124. |
[26] | 周开国, 应千伟, 钟畅. 媒体监督能够起到外部治理的作用吗? ——来自中国上市公司违规的证据[J]. 金融研究, 2016(6): 193–206. |
[27] | 朱红军, 何贤杰, 陶林. 信息源、信息搜寻与市场吸收效率——基于证券分析师盈利预测修正的经验证据[J]. 财经研究, 2008(5): 63–74. DOI:10.3969/j.issn.1001-9952.2008.05.006 |
[28] | An Z, Chen C, Naiker V, et al. Does media coverage deter firms from withholding bad news? Evidence from stock price crash risk[J]. Journal of Corporate Finance, 2020, 64: 101664. DOI:10.1016/j.jcorpfin.2020.101664 |
[29] | Andrew B C. Media-generated shortcuts: Do newspaper headlines present another roadblock for low-information rationality?[J]. Harvard International Journal of Press/Politics, 2007, 12(2): 24–43. DOI:10.1177/1081180X07299795 |
[30] | Arango-Kure M, Garz M, Rott A. Bad news sells: The demand for news magazines and the tone of their covers[J]. Journal of Media Economics, 2014, 27(4): 199–214. DOI:10.1080/08997764.2014.963230 |
[31] | Ben-Rephael A, Da Z, Israelsen R D. It depends on where you search: Institutional investor attention and underreaction to news[J]. The Review of Financial Studies, 2017, 30(9): 3009–3047. DOI:10.1093/rfs/hhx031 |
[32] | Bradley D, Gokkaya S, Liu X. Ties that bind: The value of professional connections to sell-side analysts[J]. Management Science, 2020, 66(9): 4118–4151. DOI:10.1287/mnsc.2019.3391 |
[33] | Brown L D, Call A C, Clement M B, et al. Inside the “Black Box” of sell-side financial analysts[J]. Journal of Accounting Research, 2015, 53(1): 1–47. DOI:10.1111/1475-679X.12067 |
[34] | Butler A W, Gurun U G. Educational networks, mutual fund voting patterns, and CEO compensation[J]. Review of Finan- cial Studies, 2012, 25(8): 2533–2562. DOI:10.1093/rfs/hhs067 |
[35] | Cohen L, Frazzini A, Malloy C. The small world of investing: Board connections and mutual fund returns[J]. Journal of Political Economy, 2008, 116(5): 951–979. DOI:10.1086/592415 |
[36] | Cohen L, Frazzini A, Malloy C. Sell-side school ties[J]. The Journal of Finance, 2010, 65(4): 1409–1437. DOI:10.1111/j.1540-6261.2010.01574.x |
[37] | Cotter J, Tuna I, Wysocki P D. Expectations management and beatable targets: How do analysts react to explicit earnings guidance?[J]. Contemporary Accounting Research, 2006, 23(3): 593–624. DOI:10.1506/FJ4D-04UN-68T7-R8CA |
[38] | Das S, Martínez-Jerez A, Tufano P. eInformation: A clinical study of investor discussion and sentiment[J]. Financial Management, 2005, 34(3): 103–137. DOI:10.1111/j.1755-053X.2005.tb00112.x |
[39] | 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. DOI:10.1111/j.1540-6261.2008.01353.x |
[40] | Greif A. Contract enforceability and economic institutions in early trade: The Maghribi Traders’ coalition[J]. American Economic Review, 1993, 83(3): 525–548. |
[41] | Guan Y Y, Su L X, Wu D H, et al. Do school ties between auditors and client executives influence audit outcomes?[J]. Journal of Accounting and Economics, 2016, 61(2-3): 506–525. DOI:10.1016/j.jacceco.2015.09.003 |
[42] | Hong H, Kubik J D. Analyzing the analysts: Career concerns and biased earnings forecasts[J]. The Journal of Finance, 2003, 58(1): 313–351. DOI:10.1111/1540-6261.00526 |
[43] | Hugon A, Kumar A, Lin A P. Analysts, macroeconomic news, and the benefit of active in-house economists[J]. The Accounting Review, 2016, 91(2): 513–534. DOI:10.2308/accr-51151 |
[44] | Juergens J L, Lindsey L. Getting out early: An analysis of market making activity at the recommending Analyst’s firm[J]. The Journal of Finance, 2009, 64(5): 2327–2359. DOI:10.1111/j.1540-6261.2009.01502.x |
[45] | Kim J B, Li L C, Zhang H. Analyst forecast accuracy and media independence[J]. Financial Management, 2017, 46(4): 1023–1051. DOI:10.1111/fima.12175 |
[46] | McCluskey J J, Swinnen J F M. Rational ignorance and negative news in the information market[R]. LICOS Discussion Papers 19107, 2007. |
[47] | Ryan B, Gross N C. The diffusion of hybrid seed corn in two Iowa communities[J]. Rural Sociology, 1943, 8(1): 15–24. |