证券分析师盈余预测的准确性直接关系到其向投资者传递的信息是否有效,高质量的盈余预测能够为股票交易提供良好的决策依据,对于缓解资本市场的信息不对称、提高资源配置效率极为重要。现实中,分析师的盈余预测往往会出现不同程度偏差,预测质量不尽如人意,如何提高分析师盈余预测准确性,成为构建公开透明、稳定有序的资本市场亟需解决的关键问题,备受业界和学术界关注。现有研究表明信息披露透明度、财务报告可读性、内部控制质量等因素与分析师的盈余预测质量密切相关(白晓宇,2009;Lehavy等,2011;董望等,2017)。与此同时,部分文献从分析师个人层面出发,发现分析师的性别、声誉、能力等特征对其提供准确的盈余预测至关重要(管总平和黄文锋,2012;Keskek等,2017)。分析师的行业专长体现了其在特定行业所具有的专业技能或专有经验,可能是影响分析师盈余预测准确性的最重要因素(Brown等,2015)。行业信息对于分析师开展盈余预测活动是必不可少的,具有行业专长的分析师作为行业专家,拥有更多的行业专有知识,能够全面地理解公司信息并进行深层次的分析,从而优化其分析决策过程。Bradley等(2017)的研究发现,分析师过往的行业工作经验有助于提高其对相关行业公司盈余预测的准确性。基于中国资本市场,刘永泽和高嵩(2014)的研究也表明,具有行业专长的分析师可以更好地利用行业信息的宽度与深度,提高盈余预测准确度。上述研究基本厘清了行业专长对分析师预测准确性的影响,却忽略了公司外部行业特征在其中所扮演的角色。分析师预测准确性应当是由被分析公司异质性和分析师自身因素两方面共同作用的结果,产品市场集中度作为公司信息披露决策的重要外部经营环境,势必会影响分析师盈余预测时所获信息的质量,进而导致不同行业集中度下分析师行业专长的信息补充挖掘作用可能会存在差异。因此,结合行业集中度,探究分析师的行业专长如何影响其盈余预测准确性及其潜在机理,具有重要的理论和现实意义。
针对不同行业集中度的公司进行盈余预测时,行业专长也是最有助于分析师从公共信息中挖掘获取私有信息的职业能力。同一行业内其他企业的信息披露与企业的信息披露具有一定的互补性,具有行业专长的分析师可以从同一行业内其他公司处间接获取相关行业和企业信息(Hilary和Shen,2013)。对于行业集中度高的公司,较高的专有性成本使得公司不愿意披露一些重要的专有性信息或隐瞒一些不利信息(Ellis等,2012),分析师更需要依赖于通过获取私有信息来提高盈余预测质量。具有行业专长的分析师可以从行业内其他企业的披露中广泛搜寻被分析企业的相关信息和深度挖掘行业信息,既能提高公开信息的利用效率,又能依靠其专业的行业知识生产私有信息,补充企业信息披露的不完全,提高盈余预测准确性。此外,行业集中度高的公司,行业内企业彼此之间的投资机会、商业条件以及技术水平具有更加紧密的联系,从行业内其他企业处获取有关企业的私有信息,对分析师盈余预测的溢出效应也更加显著。相较而言,对于行业集中度低的公司,适度竞争有助于提高企业信息披露的质量(王雄元和刘焱,2008)。同时,集中度低的行业公司数量众多,从行业内其他公司处获取的信息对于分析特定企业的未来盈余可能过于间接,行业专长的作用比较有限。那么,行业专长是否有助于提升分析师盈余预测的准确度?行业集中度又将如何影响分析师行业专长作用的发挥?进一步,从被分析公司异质性层面,行业集中度对分析师行业专长作用的影响,是否因公司不同的信息披露透明度、专有性成本与产品市场掠夺风险而存在差异?还有待我们展开研究。
鉴于此,本文以2008—2015年我国A股上市公司为样本,基于企业信息披露的专有性成本视角,探讨了行业集中度与分析师行业专长对其盈余预测准确性的交互效应。研究发现:分析师的行业专长越高,其盈余预测越准确,并且随着行业集中度提高,行业专长对分析师盈余预测准确性的促进作用增强。进一步,行业集中度与分析师行业专长对盈余预测准确性的互补作用,主要体现在能够对信息披露水平低、专有性成本高和产品市场掠夺风险高的企业提供更加可靠的盈余预测。本文的主要贡献在于以下两个方面:第一,从行业专长影响分析师盈余预测的机理出发,将行业集中度、分析师行业专长和盈余预测准确性纳入一个框架进行研究,探究制约分析师盈余预测准确性的内外部因素及其影响机制,有利于证券监管机构科学地制定与行业特征相适宜的上市公司信息披露政策,充分发挥证券分析师的信息传递作用,对于资本市场的稳定健康,具有重要现实意义。第二,以往针对分析师行业专长的研究多局限于其如何影响盈余预测准确性(刘永泽和高嵩,2014,2015;Bradley等,2017),鲜有文献关注公司行业层面特征的影响,这将是不全面的。探索不同行业集中下,行业专长对提升分析师盈余预测准确性的作用差异,并从公司信息披露水平、专有性成本和产品市场掠夺风险等角度展开进一步分析,不仅有助于加深我们对行业集中度如何影响分析师发挥行业专长作用的理解,也是对分析师个人特征领域研究的深化和拓展,丰富了有关分析师研究的文献。
二、文献综述与研究假设(一)分析师行业专长与预测准确性
证券分析师最主要工作就是凭借其专业知识对资本市场上的公开信息进行挖掘和处理,当企业信息披露不完全时,获取私有信息来辅助分析师的盈余分析不可或缺。分析师盈余预测的准确性很大程度上是由其获取的公开信息和私有信息数量共同决定的,在可获取的公开信息相同的情况下,分析师获取私有信息的能力会影响到其盈余预测质量。分析师可以通过个人的职业能力获取私有信息,出众的个人能力能够帮助分析师克服市场障碍,为资本市场提供更多的公司特质信息(Xu等,2013)。明星分析师可以从企业披露的财务信息中挖掘出更多与基本面有关的私有信息,其推荐的股票在短期内获得了更大的涨幅,提供的盈余预测也更准确(Fang和Yasuda,2009)。行业专长是衡量分析师个人能力的重要指标之一,直接关系到分析师专业知识的高低以及信息的搜寻、加工能力。具有行业专长的分析师可以更加有效地对行业内和行业间公司进行评级排序(Boni和Womack,2006;Kadan等,2012)。Bradley等(2017)研究发现,分析师的相关行业从业经历能够加深其对行业的认识,为该行业的公司提供更为准确的盈余预测,也有助于其成为明星分析师。行业专长能够从信息关注的广度和深度两个方面,提高分析师盈余预测质量。一方面,具有行业专长的分析师更专注于对特定行业的分析,其跟踪的行业内公司数量也越多,能够从行业内其他公司获取信息,佐证和补充公司信息披露的不足,增加其盈余分析时使用的信息数量,更好地评估企业未来盈余的变化,提高预测准确性(Hilary和Shen,2013)。另一方面,具有行业专长的分析师对特定行业跟踪的时间长、调研分析多,行业研究经验丰富,相关行业的知识更专业,对行业的发展趋势有着更好的判断。行业专长既增加了分析师对行业层面的信息获取,也加深了其对公司层面信息的解读能力,进而有助于分析师挖掘出更多的信息内涵,获取更多的私有信息来为高质量的盈余分析提供保障。基于中国资本市场的研究也发现行业专长使得分析师可以搜寻到更多与盈余预测相关的行业私有信息,其提供的盈余预测也更准确(刘永泽和高嵩,2014,2015)。基于以上分析,本文做出如下假设:
假设1:分析师的行业专长有助于提高其盈余预测准确性。
(二)行业集中度、分析师行业专长与预测准确性
行业集中度作为公司重要的外部市场竞争环境,能够改变上市公司信息披露的成本和收益,进而影响到分析师行业专长作用的发挥。公司披露财务、客户以及行业收入来源等信息都可能会被竞争对手所利用,对企业带来客户被抢夺、负面评价等不利影响(Kale和Shahrur,2007)。为维持利润,避免商业机密泄漏,公司往往不愿意将会计信息披露给竞争对手,特别是倾向于隐藏一些盈利性较好的重要信息(Hoberg和Phillips,2010)。在市场集中度高的行业,企业信息披露更可能涉及相关商业机密,披露的信息容易被竞争对手识别利用,详细信息披露产生的不利影响更严重,专有性成本也更高(Ellis等,2012)。Ali等(2014)的研究表明,行业集中度越高,企业越倾向于在报表中隐藏专有性信息,从而导致分析师预测的准确度降低。
分析师行业专长作用的发挥与其信息来源和信息收集方式密切相关。上市公司信息披露的质量越低,分析师盈余预测时就越需要依赖于其所能获取的私有信息。同时对企业和客户进行跟踪的分析师可以从供应链的知识溢出中获得私有信息,提高其盈余预测准确度(Guan等,2015;王雄元和彭旋,2016)。行业集中度对分析师可获得的公共信息数量有着显著影响,由于专有性成本的存在,行业集中度高的公司信息披露质量较低,因而通过行业专长获取更多的私有信息对于改善分析师盈余预测活动的价值更高。首先,行业内其他公司披露的信息也是分析师私有信息的重要来源之一,具有行业专长的分析师在行业内同时跟踪的公司数目多、时间长,从行业内其他公司处获取的信息也就更多。行业集中度高的公司信息披露质量较差,并且公司不愿意披露的信息更可能会涉及到一些与分析师盈余预测相关的重要信息,具有行业专长的分析师在进行盈余分析时,必定会增加其从行业内其他公司处获取的私有信息权重,行业专长的优势更加得以凸显。其次,对于市场集中度高的行业,公司宏观商业环境、技术与成长机会联系更为紧密,单个企业占有的市场份额高,行业共同信息及竞争性信息的传播效应显著增强(Haw等,2016),企业提供的与未来行业需求相关的信息噪音小,更具实质性,分析师进行盈余分析时所能起到的作用可能会更大。在特定行业所具备的专门知识或专有经验,使得具有行业专长的分析师对于从行业内其他公司处获取信息更加敏感,能够更好地利用这些重要信息佐证和补充公司信息披露的不足,从而发挥其个人信息解读和分析能力的优势,修正盈余分析的过程,改善预测质量。然而,行业集中度较低的公司,为获取资源优势,需要提高信息披露质量来争取更多的融资(王雄元和刘焱,2008),充分的产品市场竞争也有助于缓解企业内部代理冲突,提高信息披露质量(伊志宏等,2010),分析师可获得的公共信息数量更多,替代了行业私有信息在盈余预测中的权重,削弱了分析师的行业专长优势。基于此,本文提出如下假设:
假设2:行业集中度越高,行业专长对分析师盈余预测准确性的促进作用越强。
三、研究设计(一)样本选取和数据来源
本文选择了2008—2015年我国A股上市公司为研究对象,并剔除:(1)金融类;(2)ST、PT类;(3)资产及营业收入小于等于0;(4)主变量缺失;(5)年度行业内观测值数量小于或等于10,以及分析师预测内容数据缺失的样本。对于行业分类标准,我们采用了证监会行业分类2012年版,最终获得2037家上市公司的122 823个分析师预测观测值。公司透明度数据来源于深交所网站,由于深交所的信息披露考评结果只公布了截止至2015年的考评结果,本文所选择的研究区间到2015年为止。相关的财务数据、分析师预测数据主要来源于CSMAR、CCER数据库。同时,为消除极端值影响,本文对所有连续变量进行1%水平上的winsorize处理。
(二)模型设定与变量定义
为考察行业集中度与分析师行业专长的交互作用对盈余预测准确性的影响,本文借鉴了刘永泽和高嵩(2014)的研究,构建了如下OLS模型:
${ {Paccu}} \!=\! \alpha_ 0 \!+\! {\alpha _1}{ {Spec}} \!+\! {\alpha _2}{ {Spec}} \times { {Concentration}} \!+\! {\alpha _3}{ {Concentration}}\! +\! \sum {{\alpha _{ {n}}}{ {Contor}}{{ {l}}_{ {n}}}} \!+\! \varepsilon $ | (1) |
式(1)中Paccu为被解释变量,度量分析师的相对预测准确度,参考Clement(1999)和赵良玉等(2013)的研究,首先采用该分析师预测误差的绝对值与跟踪同一企业的其他所有分析师预测误差绝对值的平均值之间的差值,除以其他所有分析师预测误差绝对值的平均值,计算获得该分析师的盈余预测误差,为调整预测误差与准确性之间的反向关系,因此乘以–1以直观的反映该分析师的盈余预测准确性。Spec为分析师行业专长变量,借鉴刘永泽和高嵩(2015),分别从分析师行业占有率Spec1、行业关注度Spec2以及行业经验Spec3三个维度来度量分析师的行业专长。解释变量为Concentration行业集中度,分别选择HHI和CR4作为度量指标,其中制造业按二级行业分类计算行业集中度指标。我们还分别从分析师和分析师所在券商两个维度,控制了其他影响分析师盈余预测准确性的因素,包括:是否明星分析师(Star),分析师预测区间(Horizon),分析师的精力投入(Cover),特定公司经验(Exp),预测频率(Freq),所在券商的规模(Bsize),所在券商的行业专长(Bspec)。我们对主要变量进行了详细说明(见表1)。
变量类型 | 变量名称 | 变量定义 |
分析师预测准确度 | Paccu | 分析师个人的盈余预测准确度,等于该分析师预测误差的绝对值与跟踪同一企业的其他所有分析师预测误差绝对值的平均值之间的差值,除以其他所有跟踪分析师预测误差绝对值的平均值,最后再乘以–1 |
分析师行业专长 | Spec1 | 分析师行业占有率,等于某行业内该分析师跟踪的公司数占该行业总公司数的比例 |
Spec2 | 分析师行业关注度,等于某行业内该分析师跟踪的公司数占其跟踪总公司数的比例 | |
Spec3 | 分析师行业经验,等于分析师预测当日与其首次跟踪该行业日之间差值的自然对数 | |
行业集中度 | HHI | 赫芬达尔—赫希曼指数 |
CR4 | 行业前4大企业所占的市场份额总数占整个行业市场份额的比例 | |
CR8 | 行业前8大企业所占的市场份额总数占整个行业市场份额的比例 | |
控制变量 | Horizon | 分析师预测区间,等于该分析师的预测区间减去跟踪同一公司其他所有分析师的平均预测区间 |
Freq | 分析师预测数量,等于该分析师预测数量减去跟踪同一公司的其他所有分析师的平均预测数 | |
Cover | 分析师的精力投入,等于当年分析师跟踪的上市公司数量减去跟踪同一公司的其他所有分析师预测公司数的平均值 | |
Exp | 分析师特定公司经验,等于该分析师跟踪时间减去跟踪同一公司的其他所有分析师的平均时间 | |
Star | 明星分析师虚拟变量,若为《新财富》上一年评选的明星分析师则取1,否则取0 | |
Bsize | 分析师所在券商的规模,等于当年券商发布盈余预测的分析师数量 | |
Bspec | 分析师所在券商的行业专长,等于某行业中该券商跟踪的分析师数量与其分析师总数量之比 | |
Industry | 行业虚拟变量 | |
Year | 年度虚拟变量 |
(一)描述性统计分析
表2是主要变量的描述性统计结果。从分析师盈余预测的准确度来看,Paccu的均值为–0.158,标准差为1.344,最大值为1,最小值为–12.82,说明整体来看,分析师的相对预测准确度是偏低的,特别是相较于其他分析师,部分分析师的预测偏误是比较大的,分析师盈余预测能力差距大,良莠不齐。分析师的行业占有率Spec1的均值为0.156,标准差为0.143,分析师跟踪的公司数占该行业总公司数的比例并不高,不同分析师的行业占有率差异也较大。分析师的行业关注度Spec2的均值为0.518,标准差为0.327,分析师跟踪的公司数占其跟踪总公司数的比例大概在一半左右,最大值为1,最小值仅为0.023,部分分析师仅针对一个行业内的公司进行盈余分析,而部分分析师所跟踪的行业则十分分散。分析师的行业经验Spec3的均值为5.523,标准差为0.895,一些分析师跟踪该行业的时间较长,另一些分析师跟踪的时间则较短。这也说明在国内,分析师之间的行业专长还是存在较大差异,也有利于我们展开进一步的研究。
变量名称 | 观测值 | 均 值 | 标准差 | 最小值 | 中位数 | 最大值 |
Paccu | 122 823 | –0.158 | 1.344 | –12.82 | –0.030 | 1 |
Spec1 | 122 823 | 0.156 | 0.143 | 0.006 | 0.115 | 0.682 |
Spec2 | 122 823 | 0.518 | 0.327 | 0.023 | 0.500 | 1 |
Spec3 | 122 823 | 5.523 | 0.895 | 3.086 | 5.580 | 7.352 |
HHI | 122 823 | 0.175 | 0.127 | 0.021 | 0.094 0 | 0.380 |
CR4 | 122 823 | 0.612 | 0.194 | 0.189 | 0.499 | 0.914 |
Horizon | 122 823 | –6.595 | 47.74 | –54 | –11.30 | 309 |
Freq | 122 823 | 1.283 | 84.11 | –188.3 | –9.670 | 353.8 |
Cover | 122 823 | –0.582 | 25.69 | –63.14 | –2.750 | 127.8 |
Exp | 122 823 | 0.549 | 7.258 | –12.75 | –0.770 | 22.52 |
Star | 122 823 | 0.086 | 0.280 | 0 | 0 | 1 |
Bsize | 122 823 | 43.16 | 20.73 | 6 | 42 | 107 |
Bspec | 122 823 | 0.031 | 0.032 | 0.004 | 0.020 | 0.201 |
(二)相关性分析
表3为各主要变量之间的相关系数矩阵。由表3可以看到,各主要变量间的相关系数大多都比较低。为考察自变量之间是否存在多重共线性的问题,我们还进行了方差膨胀因子(VIF)检验,各变量的VIF值均小于5,说明并不存在严重的多重共线性问题。分析师行业专长的代理变量Spec1、Spec2、Spec3与预测准确度Paccu之间的相关系数分别为0.008、0.007和0.010,且都在1%的水平上显著为正,一定程度上说明分析师的行业占有率、行业关注度和行业经验都有助于提高其盈余预测的准确性,初步支持了我们的假设1。
Paccu | Spec1 | Spec2 | Spec3 | HHI | Horizon | Freq | Cover | Exp | Star | Bsize | Bspec | |
Paccu | 1 | |||||||||||
Spec1 | 0.008*** | 1 | ||||||||||
Spec2 | 0.007*** | 0.195*** | 1 | |||||||||
Spec3 | 0.010*** | 0.259*** | 0.202*** | 1 | ||||||||
HHI | 0.008 3* | 0.039*** | 0.044*** | 0.068*** | 1 | |||||||
Horizon | –0.352*** | 0.002 00 | 0.003 00 | 0.049*** | 0.005* | 1 | ||||||
Freq | –0.002 00 | 0.217*** | –0.203*** | 0.452*** | 0.106*** | 0.010*** | 1 | |||||
Cover | –0.005* | 0.177*** | –0.259*** | 0.382*** | 0.098*** | 0.016*** | 0.559*** | 1 | ||||
Exp | 0.003 00 | 0.165*** | –0.146*** | 0.691*** | 0.067*** | 0.007** | 0.378*** | 0.477*** | 1 | |||
Star | 0.009*** | 0.111*** | 0.195*** | –0.001 00 | 0.025*** | 0.005 00 | –0.041*** | –0.066*** | 0.003 00 | 1 | ||
Bsize | 0.016*** | 0.026*** | 0.190*** | –0.079*** | –0.182*** | –0.002 00 | –0.048*** | –0.105*** | –0.012*** | 0.018*** | 1 | |
Bspec | –0.001 00 | –0.053*** | –0.080*** | –0.010*** | 0.382*** | –0.001 00 | –0.022*** | 0.030*** | –0.026*** | 0.024*** | –0.413*** | 1 |
注:*、**、***分别表示在10%、5%、1%的水平上显著。 |
(三)回归分析`
1. 分析师行业专长与预测准确性的回归分析
表4汇报了分析师的行业专长与其盈余预测准确性的回归结果。本文首先检验了以行业占有率Spec1为分析师行业专长度的衡量指标时,行业专长与盈余预测准确性之间的关系。表4的(1)和(2)列分别报告了没有加入控制变量和加入了控制变量之后的回归结果,我们看到无论是否考虑了控制变量,分析师行业占有率Spec1与盈余预测准确性之间均呈显著的正相关关系。同时,我们也分别采用行业关注度Spec2以及行业经验Spec3作为分析师行业专长的替代变量,进一步考察分析师的行业专长对其盈余预测准确性的影响,结果见表4的(3)至(6)列。从回归结果来看,分析师行业关注度Spec2和分析师行业经验Spec3均与其盈余预测准确性呈现出显著的正相关关系。由此,表4的回归结果表明,分析师行业专长越高,其盈余预测准确性也越高,分析师的行业专长有助于提高其盈余预测准确性,进一步支持了我们的假设1。
Variables | 行业占有率(Spec1) | 行业关注度(Spec2) | 行业经验(Spec3) | |||||
(1) | (2) | (3) | (4) | (5) | (6) | |||
Spec | 0.075 4*** | 0.069 9*** | 0.019 8** | 0.017 1** | 0.014 9*** | 0.014 5** | ||
(2.915) | (2.781) | (2.514) | (2.015) | (3.459) | (2.322) | |||
Horizon | –0.009 9*** | –0.009 9*** | –0.009 9*** | |||||
(–43.513) | (–43.511) | (–43.508) | ||||||
Freq | –0.000 2*** | –0.000 2** | –0.000 2** | |||||
(–2.662) | (–2.308) | (–2.453) | ||||||
Cover | 0.000 4*** | 0.000 5*** | 0.000 4*** | |||||
(2.870) | (2.866) | (2.776) | ||||||
Exp | 0.001 3** | 0.001 4** | 0.000 2 | |||||
(2.360) | (2.543) | (0.302) | ||||||
Star | 0.036 9*** | 0.038 2*** | 0.040 2*** | |||||
(3.780) | (3.837) | (4.145) | ||||||
Bsize | 0.001 3*** | 0.001 2*** | 0.001 3*** | |||||
(6.276) | (6.080) | (6.519) | ||||||
Bspec | 0.320 5** | 0.306 7** | 0.320 9** | |||||
(2.509) | (2.404) | (2.517) | ||||||
Constant | –0.166 6*** | –0.299 4*** | –0.164 7*** | –0.293 1*** | –0.074 5*** | –0.371 1*** | ||
(–29.096) | (–23.038) | (–23.159) | (–22.420) | (–3.201) | (–9.865) | |||
Industry | Yes | Yes | Yes | Yes | Yes | Yes | ||
Year | Yes | Yes | Yes | Yes | Yes | Yes | ||
Observations | 123 546 | 122 823 | 123 546 | 122 823 | 123 546 | 122 823 | ||
R-squared | 0.003 | 0.125 | 0.003 | 0.125 | 0.003 | 0.125 | ||
注:*、**、***分别表示在10%、5%、1%的水平上显著,括号中数值为t值,以下同。 |
2. 行业集中度、分析师行业专长与预测准确性的回归分析
为考察上市公司外部经营环境对分析师发挥行业专长作用的影响,我们还研究了行业集中度的调节效应。表5汇报了行业集中度、分析师的行业专长与其盈余预测准确性的回归结果。我们分别以HHI和CR4来度量行业集中度,可以看到以HHI为行业集中度衡量指标时,在(1)至(3)列中,除了行业专长的替代变量为行业经验Spec3,Spec×Concentration的回归系数均在5%的水平显著为正,表明行业集中度的提高显著加强了分析师行业占有率Spec1、行业关注度Spec2与盈余预测准确性的正相关关系,而在(3)列中Spec×Concentration的回归系数为正,但并不显著,随着行业集中度上升,分析师的行业经验并没有显著提升其盈余预测的准确性。以上结果表明行业集中度越高,分析师更高的行业占有率和行业关注度都有助于其更好地从行业内其他公司获取信息,充分利用行业内相关信息,发挥行业专长的优势,提高盈余预测的准确性。然而,分析师的行业经验在行业集中度较高时,对盈余预测的准确性的促进作用相对有限,这可能是由于部分分析师仅简单地对该行业内少数一两家公司给予了较长时间的关注。整体来说,行业集中度越高,分析师的行业专长的作用越显著,越有助于提高其盈余预测准确性,一定程度上支持了我们的假设2。同样,我们也采用了CR4来度量行业集中度的指标,发现除了分析师行业专长的度量变量为行业经验Spec3时,Spec×Concentration的回归系数不显著外,其他基本与HHI为行业集中度衡量指标的结果保持一致,同样支持了我们的假设2。
Variables | 行业集中度(HHI) | 行业集中度(CR4) | |||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
(1) | (2) | (3) | (4) | (5) | (6) | ||
Spec | 0.143 0*** | 0.071 2** | 0.057 0* | 0.231 6*** | 0.062 1* | 0.032 6** | |
(3.411) | (2.531) | (1.832) | (2.828) | (1.703) | (2.178) | ||
Spec×Concentration | 0.422 6** | 0.182 7* | 0.040 7 | 0.266 1** | 0.135 0** | 0.026 8 | |
(2.235) | (1.932) | (1.273) | (2.122) | (2.514) | (1.279) | ||
Concentration | 0.186 8*** | 0.181 4*** | –0.109 6 | 0.119 8*** | 0.121 8*** | –0.072 2 | |
(4.289) | (3.374) | (–0.608) | (4.201) | (3.453) | (–0.612) | ||
Horizon | –0.009 9*** | –0.009 9*** | –0.009 9*** | –0.009 9*** | –0.009 9*** | –0.009 9*** | |
(–43.525) | (–43.522) | (–43.515) | (–43.524) | (–43.521) | (–43.513) | ||
Freq | –0.000 2*** | –0.000 2** | –0.000 2*** | –0.000 2*** | –0.000 2** | –0.000 2*** | |
(–2.705) | (–2.575) | (–2.773) | (–2.700) | (–2.558) | (–2.750) | ||
Cover | 0.000 4*** | 0.000 4*** | 0.000 4*** | 0.000 4*** | 0.000 4*** | 0.000 4*** | |
(2.742) | (2.785) | (2.865) | (2.759) | (2.787) | (2.863) | ||
Exp | 0.001 2** | 0.001 4** | 0.000 3 | 0.001 2** | 0.001 4** | 0.000 3 | |
(2.214) | (2.556) | (0.330) | (2.223) | (2.562) | (0.361) | ||
Star | 0.036 2*** | 0.037 7*** | 0.039 0*** | 0.036 1*** | 0.037 6*** | 0.038 9*** | |
(3.704) | (3.786) | (4.022) | (3.700) | (3.769) | (4.007) | ||
Bsize | 0.001 2*** | 0.001 2*** | 0.001 3*** | 0.001 3*** | 0.001 2*** | 0.001 3*** | |
(6.228) | (6.048) | (6.398) | (6.318) | (6.139) | (6.478) | ||
Bspec | 0.145 0 | 0.134 4 | 0.149 4 | 0.142 5 | 0.130 6 | 0.148 2 | |
(1.075) | (0.997) | (1.110) | (1.054) | (0.968) | (1.099) | ||
Constant | –0.324 8*** | –0.317 0*** | –0.342 5*** | –0.366 2*** | –0.360 8*** | –0.316 6*** | |
(–21.888) | (–20.246) | (–6.968) | (–17.086) | (–14.592) | (–3.863) | ||
Industry | Yes | Yes | Yes | Yes | Yes | Yes | |
Year | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 122 823 | 122 823 | 122 823 | 122 823 | 122 823 | 122 823 | |
R-squared | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 | 0.125 |
3. 基于公司异质性的进一步回归分析
分析师行业专长的发挥除了会受到公司行业特征的影响以外,被分析公司自身的特征也可能会对行业专长作用的发挥产生重要影响。由于分析师行业专长的发挥体现在其对行业信息的收集和挖掘上,被分析公司高质量的信息披露会弱化分析师行业专长对其盈余预测准确性的促进作用。我们按照深交所的上市公司的信息披露考评结果来衡量公司信息披露透明度,将样本分为信息披露透明度低的组和信息披露透明度高的组①。表6汇报了不同上市公司信息披露透明度分组下,行业集中度、分析师行业专长与预测准确度之间的回归结果。在信息披露透明度低的组,Spec×HHI的回归系数均显著为正,表明在行业集中度较高时,分析师更高的行业占有率、行业关注度和行业经验都有助于提高其盈余预测的准确性,进一步支持了我们的假设2。而在信息披露透明度高的组,Spec×HHI的回归系数则不显著,这说明公司高质量的信息披露与分析师行业专长的作用存在一定替代关系,公司信息披露充分时,分析师的行业专长的作用有限。同样,表6还进一步汇报了以CR4为行业集中度衡量指标时的回归结果,可以看到,在信息披露透明度低的组,Spec×CR4的回归系数均显著为正,而在信息披露透明度高的组却不显著,与以HHI为行业集中度衡量指标的结果基本保持一致。
Variables | 公司信息披露透明度低 | 公司信息披露透明度高 | |||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
(1) | (2) | (3) | (4) | (5) | (6) | ||
行业集中度HHI | |||||||
Spec | 0.708 7*** | 0.152 7*** | 0.072 8** | 0.051 7 | 0.000 4 | 0.009 1 | |
(3.731) | (2.781) | (2.404) | (0.888) | (0.016) | (0.846) | ||
Spec×HHI | 3.068 6*** | 0.839 1** | 0.318 3** | 0.132 0 | 0.109 8 | 0.062 3 | |
(4.274) | (2.379) | (2.196) | (0.467) | (0.869) | (1.383) | ||
HHI | 0.560 1*** | 0.258 8 | 1.859 2** | 0.085 3 | 0.121 4* | –0.281 9 | |
(2.963) | (1.260) | (2.197) | (1.425) | (1.687) | (–1.117) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 6 431 | 6 431 | 6 431 | 65 254 | 65 254 | 65 254 | |
R-squared | 0.174 | 0.172 | 0.172 | 0.137 | 0.137 | 0.137 | |
行业集中度CR4 | |||||||
Spec | 1.304 6*** | 0.263 7* | 0.159 2** | 0.083 1 | 0.030 4 | 0.002 5 | |
(3.810) | (1.955) | (2.062) | (0.711) | (0.580) | (0.134) | ||
Spec×CR4 | 1.855 3*** | 0.322 8*** | 0.199 0** | 0.089 7 | 0.079 7 | 0.006 1 | |
(3.906) | (3.253) | (2.170) | (0.481) | (0.967) | (0.234) | ||
CR4 | 0.320 7** | 0.141 1 | 1.151 6** | 0.055 6 | 0.082 8* | –0.159 6 | |
(2.562) | (1.026) | (2.137) | (1.430) | (1.762) | (–0.974) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 6 431 | 6 431 | 6 431 | 65 254 | 65 254 | 65 254 | |
R-squared | 0.173 | 0.172 | 0.172 | 0.137 | 0.137 | 0.137 |
R&D投入较多的上市公司,最新研发信息的披露很可能被竞争对手利用,具有更高的专有性成本(Ellis等,2012)。王雄元和喻长秋(2014)的研究也表明,R&D投入较多的公司,公司披露客户明细金额和具体名称的专有性成本就越高,信息披露水平也越低。进一步,我们按照公司是否具有研发支出将公司分为两组,其中研发支出大于零的作为专有性成本高的公司。表7汇报了不同上市公司专有性成本分组下,行业集中度、分析师行业专长与预测准确度之间的回归结果。在专有性成本低的组,Spec×HHI的回归系数均不显著,说明专有性成本较低的公司,信息披露可能较多,在行业集中度较高时,分析师根据其披露的信息一定程度上也能够进行盈余预测,行业专长的作用并不是很显著。而在专有性成本高的组,当分析师行业专长的度量变量Spec为行业占有率Spec1、行业关注度Spec2时,Spec×HHI的回归系数均显著为正,说明行业集中度越高,专有成本较高的公司的信息披露越少,分析师更高的行业占有率、行业关注度有助于分析师从行业内其他公司处挖掘私有信息,提高盈余预测的准确度。同样,表7也汇报了以CR4为行业集中度衡量指标时,不同上市公司专有性成本分组下,行业集中度、分析师行业专长与预测准确度之间的回归结果。可以看到,在专有性成本低的组,Spec×CR4的回归系数不显著,而在专有性成本高的组,分析师行业专长的度量变量为分析师行业占有率Spec1、行业关注度Spec2时,Spec×CR4的回归系数显著为正,除系数的显著性存在差异以外,与行业集中度为HHI的结果基本也保持了一致。
Variables | 公司专有性成本低 | 公司专有性成本高 | |||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
(1) | (2) | (3) | (4) | (5) | (6) | ||
行业集中度HHI | |||||||
Spec | 0.127 1* | 0.029 2 | 0.015 0 | 0.166 3*** | 0.076 3** | 0.021 8** | |
(1.918) | (1.362) | (1.054) | (2.939) | (2.390) | (2.086) | ||
Spec×HHI | 0.218 7 | 0.003 7 | 0.008 8 | 0.820 7*** | 0.284 3** | 0.089 3 | |
(0.841) | (0.031) | (0.207) | (2.619) | (2.160) | (1.499) | ||
HHI | 0.122 2* | 0.255 4*** | –0.414 9 | 0.241 3*** | 0.128 3* | 0.073 7 | |
(1.697) | (2.735) | (–1.480) | (4.216) | (1.890) | (0.307) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 46 987 | 46 987 | 46 987 | 75 836 | 75 836 | 75 836 | |
R-squared | 0.093 | 0.093 | 0.093 | 0.146 | 0.146 | 0.146 | |
行业集中度CR4 | |||||||
Spec | 0.175 2 | 0.000 9 | 0.027 0 | 0.338 3*** | 0.149 0** | 0.050 3 | |
(1.395) | (0.018) | (1.023) | (2.825) | (2.457) | (1.328) | ||
Spec×CR4 | –0.140 6 | –0.017 0 | 0.004 5 | 0.515 4** | 0.197 3** | 0.051 9 | |
(–0.791) | (–0.219) | (0.165) | (2.534) | (2.222) | (1.535) | ||
CR4 | 0.080 5 | 0.176 2*** | –0.306 9 | 0.152 1*** | 0.088 5** | 0.052 7 | |
(1.645) | (2.769) | (–1.616) | (4.127) | (2.015) | (0.342) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 46 987 | 46 987 | 46 987 | 75 836 | 75 836 | 75 836 | |
R-squared | 0.093 | 0.093 | 0.093 | 0.146 | 0.146 | 0.146 |
公司自身所面临的生存环境也会影响到信息披露的选择,企业产品市场份额被竞争对手占有的掠夺风险能够提高企业信息披露的专有性成本。Bernard(2016)的研究表明,企业产品市场掠夺风险是其信息披露的重要影响因素,为避免将财务信息泄露给竞争对手,企业会在财务报告中减少信息披露。在产品市场集中度高的行业,公司的投资决策与竞争对手的经营活动相互依存性较高,具有更高的产品市场掠夺风险(Haushalter等,2007)。当公司的个股月回报率更多地取决于行业月回报率波动时,其成长机会越容易被竞争对手识别和抢占,公司面临的掠夺风险也越高(Frésard,2010)。由此,随着产品市场集中度的提高,对于个股月回报率与行业月回报偏相关系数越高的公司,其所面临的来自企业和行业层面的掠夺风险都越大,从而越不愿意披露重要的敏感信息,而这些信息对分析师提供准确的盈余预测可能是极为重要的。具有行业专长的分析师可以通过从行业内其他公司获取相关信息来辅助其盈余预测活动的展开,行业专长的作用更加得以凸显。因此,我们计算了个股月回报率与行业月回报的偏相关系数,按照偏相关系数的中位数,将样本分为产品市场掠夺风险高和掠夺风险低的两组。表8汇报了不同产品市场掠夺风险分组下,行业集中度、分析师行业专长与预测准确度之间的回归结果。在产品市场掠夺风险高的组,当行业专长的度量变量为分析师行业占有率Spec1、行业关注度Spec2时,Spec×HHI的回归系数显著为正,说明行业集中度越高,具有行业专长的分析师越能通过从行业内其他公司处获取信息,改善其盈余预测的准确度。而在产品市场掠夺风险低的组,Spec×HHI的回归系数并不显著,行业内企业投资活动的相互依存性较少,对于产品市场掠夺风险低的企业,信息披露的专有性成本降低,更倾向于进行充分的信息披露以缓解融资约束,分析师行业专长带来的优势作用不显著。同样,表8还汇报了以CR4为行业集中度衡量指标时,不同产品市场掠夺风险分组下,行业集中度、分析师行业专长与预测准确度之间的回归结果。可以看到,在产品市场掠夺风险低的组,Spec×CR4的回归系数不显著,而在产品市场掠夺风险高的组,Spec×CR4的回归系数显著为正,行业集中度与分析师行业专长对分析师盈余预测准确性的互补作用主要集中在产品市场掠夺风险高的组,结果基本与行业集中度为HHI时一致。
Variables | 产品市场掠夺风险低 | 产品市场掠夺风险高 | |||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
(1) | (2) | (3) | (4) | (5) | (6) | ||
行业集中度HHI | |||||||
Spec | 0.113 1** | 0.010 2 | 0.000 6 | 0.395 4*** | 0.136 7*** | 0.037 4* | |
(2.401) | (0.239) | (0.059) | (4.364) | (2.715) | (1.938) | ||
Spec×HHI | 0.207 9 | 0.004 7 | –0.018 1 | 1.719 8*** | 0.326 8** | 0.060 5 | |
(0.992) | (0.024) | (–0.266) | (3.892) | (2.328) | (1.575) | ||
HHI | 0.210 6*** | –0.112 2 | –0.017 3 | 0.145 3 | 0.239 6*** | –0.163 4 | |
(4.256) | (–0.892) | (–0.045) | (1.574) | (3.985) | (–0.800) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 58 751 | 58 751 | 58 751 | 64 072 | 64 072 | 64 072 | |
R-squared | 0.125 | 0.125 | 0.125 | 0.129 | 0.129 | 0.129 | |
行业集中度CR4 | |||||||
Spec | 0.140 4 | 0.021 3 | –0.015 9 | 0.783 3*** | 0.264 7** | 0.075 1 | |
(1.509) | (0.271) | (–0.972) | (4.585) | (2.502) | (1.483) | ||
Spec×CR4 | 0.105 8 | –0.056 2 | –0.018 0 | 1.138 8*** | 0.281 3* | 0.043 2* | |
(0.751) | (–0.445) | (–0.418) | (4.076) | (1.782) | (1.810) | ||
CR4 | 0.108 7* | –0.031 9 | 0.035 7 | 0.135 9*** | 0.159 9*** | –0.123 5 | |
0.140 4 | 0.021 3 | –0.015 9 | 0.783 3*** | 0.264 7** | 0.075 1 | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 58 751 | 58 751 | 58 751 | 64 072 | 64 072 | 64 072 | |
R-squared | 0.125 | 0.125 | 0.125 | 0.129 | 0.129 | 0.129 |
(四)稳健性分析
为确保结论的稳健性,本文以CR8作为行业集中度的度量变量,进一步进行了分组检验。表9汇报了以CR8作为行业集中度的度量变量时,公司异质性分组下,行业集中度与分析师行业专长交互作用对分析师盈余预测准确性的回归结果。从回归的结果来看,在公司信息披露水平较低、专有性成本较高以及产品市场掠夺风险较高的企业中,Spec×CR8的回归系数大多显著为正,而在公司信息披露水平高、专有性成本低以及公司治理水平高的企业中,Spec×CR8的回归系数则不显著,基本与前文的结果保持一致,说明当公司信息披露水平较低或专有性成本较高时,行业集中度越高,具有行业专长的分析师可以从同一行业内其他公司处获取信息,弥补公司信息披露的不足,从而提供更为准确的盈余预测。
Variables | 公司信息披露水平低 | 公司信息披露水平高 | |||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
(1) | (2) | (3) | (4) | (5) | (6) | ||
Spec | 1.879 9*** | 0.473 4*** | 0.176 0** | 0.095 5 | 0.047 1 | –0.015 2 | |
(3.879) | (3.093) | (2.247) | (0.548) | (0.610) | (–0.558) | ||
Spec×CR8 | 2.398 2*** | 0.440 7** | 0.086 0* | –0.093 5 | 0.091 2 | 0.048 6 | |
(3.903) | (2.325) | (1.832) | (–0.385) | (0.855) | (1.291) | ||
CR8 | 0.414 5** | 0.193 3 | 1.446 7** | 0.064 2 | 0.096 8 | –0.221 2 | |
(2.539) | (1.080) | (2.097) | (1.272) | (1.590) | (–1.049) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 6 431 | 6 431 | 6 431 | 65 254 | 65 254 | 65 254 | |
R-squared | 0.173 | 0.172 | 0.172 | 0.137 | 0.137 | 0.137 | |
公司专有性成本低 | 公司专有性成本高 | ||||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
Spec | 0.185 2 | 0.013 7 | 0.016 1 | 0.493 7*** | 0.207 3** | 0.064 0* | |
(1.018) | (0.190) | (0.632) | (2.739) | (2.347) | (1.830) | ||
Spec×CR8 | 0.137 2 | –0.032 3 | 0.009 9 | 0.657 8** | 0.214 8 | 0.039 0 | |
(0.589) | (–0.322) | (0.282) | (2.515) | (1.627) | (1.019) | ||
CR8 | 0.094 8 | 0.224 0*** | 0.043 5 | 0.192 8*** | 0.116 5** | 0.424 8* | |
(1.475) | (2.682) | (0.220) | (4.042) | (2.056) | (1.705) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 46 987 | 46 987 | 46 987 | 75 836 | 75 836 | 75 836 | |
R-squared | 0.093 | 0.093 | 0.093 | 0.146 | 0.146 | 0.146 | |
产品市场掠夺风险低 | 产品市场掠夺风险高 | ||||||
行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | 行业占有率Spec1 | 行业关注度Spec2 | 行业经验Spec3 | ||
Spec | 0.151 8 | 0.069 2 | 0.047 2 | 1.110 0*** | 0.283 2** | 0.031 4 | |
(1.109) | (0.604) | (1.109) | (4.412) | (2.365) | (1.342) | ||
Spec×CR8 | –0.106 4 | –0.116 7 | –0.018 3 | 1.436 5*** | 0.095 1** | 0.058 7* | |
(–0.580) | (–0.722) | (–0.331) | (4.008) | (2.253) | (1.894) | ||
CR8 | 0.129 5* | –0.021 9 | 0.015 2 | 0.171 7*** | 0.202 5*** | –0.174 3 | |
(1.726) | (–0.217) | (0.049) | (3.996) | (3.888) | (–0.996) | ||
Control Variables | Yes | Yes | Yes | Yes | Yes | Yes | |
Observations | 58 751 | 58 751 | 58 751 | 64 072 | 64 072 | 64 072 | |
R-squared | 0.125 | 0.125 | 0.125 | 0.129 | 0.129 | 0.129 |
分析师作为资本市场重要的信息传递者,提供高质量盈余预测是其工作的核心。准确的盈余预测对于发挥分析师的价值发现职能,为股票投资者的决策提供高质量的参考意见,保障资本市场的有序发展有着十分积极的意义。然而,现有研究关于分析师的行业专长如何影响其盈余预测准确性的研究还比较少,特别是缺乏对公司外部行业结构如何影响分析师行业专长作用的研究。本文将行业集中度作为研究切入点,实证研究了分析师行业专长对其盈余预测准确性的影响及其机制。研究发现:第一,分析师行业专长有助于提高其盈余预测的准确性。第二,不同行业集中度下,分析师行业专长对其盈余预测准确性的影响存在差异;在产品市场集中度高的行业,信息披露的专有性成本导致公司的信息披露透明度较低,分析师行业专长对于提升盈余预测准确性的作用更显著。进一步,基于公司特征层面的研究发现,主要在公司信息披露水平较低、专有性成本较高和面临的产品市场掠夺风险较高时,行业集中度提高越有助于分析师发挥其行业专长优势,从行业内其他公司处获取更多有效的信息,提高其盈余预测准确性。
本文的研究启示在于:首先,分析师的行业专长能够促进其盈余预测准确性的提高,对于外部投资者来说,面对纷乱复杂的分析师预测报告,行业专长可以作为判断分析师预测准确性的事前参考依据之一,而对于证券分析师而言,注重行业专长的培养,加强对行业研究的专注度和深度,对于提升其个人盈余分析能力是有益的。其次,在产品市场集中度高的行业,分析师通过行业专长从行业内其他企业处获取的私有信息价值更高。对于行业集中度较高的公司,当其信息披露水平或披露的意愿较低时,合理利用分析师行业专长对盈余预测准确性的促进作用,能够更有效地向投资者传递信号,降低资本市场信息不对称,改善资本市场的资源配置效率,同时也有助于证券监管部门考虑不同行业的差异,建立与公司行业特征相适宜的信息披露制度、规范企业会计准则。
① 在对基于信息披露透明度进行分组时,我们按照深交所的信息披露考评结果来衡量公司信息披露透明度,回归样本中仅包含了深交所的上市公司,导致总体样本量大幅下降;其中信息披露考评结果分为A、B、C、D四个等级,若公司的考评结果为A或B则将其归类为信息披露质量高的公司,由于信息披露考评结果分为C、D的公司数量较少,信息披露透明度低的组样本数仅为6 413个。
[1] | 董望, 陈俊, 陈汉文. 内部控制质量影响了分析师行为吗?——来自中国证券市场的经验证据[J]. 金融研究, 2017(12): 191–206. |
[2] | 管总平, 黄文锋. 证券分析师特征、利益冲突与盈余预测准确性[J]. 中国会计评论, 2012(4): 371–394. |
[3] | 刘永泽, 高嵩. 信息披露质量、分析师行业专长与预测准确性——来自我国深市A股的经验证据[J]. 会计研究, 2014(12): 60–65. |
[4] | 刘永泽, 高嵩. 证券分析师行业专长、预测准确性与市场反应[J]. 经济管理, 2015(6): 87–97. |
[5] | 王雄元, 彭旋. 稳定客户提高了分析师对企业盈余预测的准确性吗?[J]. 金融研究, 2016(5): 156–172. |
[6] | 王雄元, 喻长秋. 专有化成本与公司自愿性信息披露——基于客户信息披露的分析[J]. 财经研究, 2014(12): 27–38. |
[7] | 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. |
[8] | Ali A, Klasa S, Yeung E. Industry concentration and corporate disclosure policy[J]. Journal of Accounting and Economics, 2014, 58(2–3): 240–264. |
[9] | Bernard D. Is the risk of product market predation a cost of disclosure?[J]. Journal of Accounting and Economics, 2016, 62(2–3): 305–325. |
[10] | Bradley D, Gokkaya S, Liu X. Before an analyst becomes an analyst: Does industry experience matter?[J]. The Journal of Finance, 2017, 72(2): 751–792. |
[11] | 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. |
[12] | Ellis J A, Fee C E, Thomas S E. Proprietary costs and the disclosure of information about customers[J]. Journal of Accounting Research, 2012, 50(3): 685–727. |
[13] | Guan Y Y, Wong M H F, Zhang Y. Analyst following along the supply chain[J]. Review of Accounting Studies, 2015, 20(1): 210–241. |
[14] | Haw I M, Hu B B, Lee J J, et al. The impact of industry concentration on the market’s ability to anticipate future earnings: International evidence[J]. International Journal of Accounting & Information Management, 2016, 24(4): 443–475. |
[15] | Hilary G, Shen R. The role of analysts in intra-industry information transfer[J]. The Accounting Review, 2013, 88(4): 1265–1287. |
[16] | Hoberg G, Phillips G. Product market synergies and competition in mergers and acquisitions: A text-based analysis[J]. The Review of Financial Studies, 2010, 23(10): 3773–3811. |
[17] | Kadan O, Madureira L, Wang R, et al. Analysts’ industry expertise[J]. Journal of Accounting and Economics, 2012, 54(2–3): 95–120. |
[18] | Keskek S, Myers L A, Omer T C, et al. The effects of disclosure and analyst regulations on the relevance of analyst characteristics for explaining analyst forecast accuracy[J]. Journal of Business Finance & Accounting, 2017, 44(5–6): 780–811. |
[19] | Lehavy R, Li F, Merkley K. The effect of annual report readability on analyst following and the properties of their earnings forecasts[J]. The Accounting Review, 2011, 86(3): 1087–1115. |
[20] | Xu N H, Chan K C, Jiang X Y, et al. Do star analysts know more firm-specific information? Evidence from China[J]. Journal of Banking & Finance, 2013, 37(1): 89–102. |