企業數字化轉型分析師盈余預測與資本市場定價效率

王冠青 郜攀峰

摘?要：本文選取2012—2021年滬深兩市A股上市公司為研究對象，基于股價同步性的視角實證檢驗了分析師盈余預測對資本市場定價效率的影響，并檢驗了企業數字化轉型對兩者之間關系的影響。研究結果表明，分析師盈余預測質量對資本市場定價效率具有顯著的正向影響。進一步研究發現，企業數字化轉型能夠降低分析師盈余預測質量對資本市場定價效率的正向影響。上述研究結果在替換主要變量以及使用傾向得分匹配法（PSM）與工具變量法克服內生性問題后依然穩健。本文從分析師與數字化轉型聯動的角度豐富了資本市場定價效率影響因素的相關研究，并為推動企業進行數字化轉型升級提供了新的啟示。

關鍵詞：數字化轉型；分析師預測；資本市場；信息效率；股價同步性

中圖分類號：F27?????文獻標識碼：A??????doi：10.19311/j.cnki.16723198.2024.10.019

0?引言

資本市場定價效率是指股票價格是否能夠對資本市場中的信息作出及時、充分、準確的反應，主要反映的是資本市場的信息效率。資本市場定價效率可以通過股價同步性來體現，股價同步性衡量了個股與市場收益之間的關聯性，反映了股票之間的同漲同跌現象，其形成的主要原因在于市場參與者缺乏公司特質信息，導致投資者與公司之間存在信息不對稱現象。股價同步性具有雙重性，即“信息效率”和“非理性噪聲”。股價同步性“信息效率”的觀點認為，較低的股價同步性主要是由于有更多的公司特質信息有效反映在公司股票價格當中，從而提高資本市場的信息效率與資本的配置效率；“非理性噪聲”的觀點認為在新興資本市場中，較低的股價同步性是因為股票價格中包含了更多的“噪聲”，使公司特質信息無法有效反映，從而降低了資本市場的信息效率。股價同步性的差異具體表現為公司特質信息還是非理性噪聲，目前還沒有統一的結論。作為資本市場上重要的信息中介，證券分析師在信息傳播中扮演著關鍵角色。分析師通過自身信息挖掘、信息解讀以及盈余預測的專業能力對公司特質信息進行分析，將有價值的公司特質信息傳遞給資本市場，從而降低投資者與公司之間的信息不對稱，對提高資本市場的運行效率和實現社會資源的優化配置起著至關重要的作用。但是，也有學者指出分析師作為公司的“外部人”，無法及時、準確的獲得公司特質信息，在很大程度上傳遞的是行業與市場層面等“非特質信息”（Bushman?et?al.，2004），說明分析師作為資本市場中的信息紐帶，其作用還存在一定的局限性。

隨著人工智能、區塊鏈、云計算、大數據等技術的不斷涌現，數字化轉型成為企業變革創新的重要契機，越來越多的企業已經開啟了數字經濟與實體企業深度融合的新模式。在數字經濟下，信息的表現形式從原子轉變為比特，數據驅動對企業的數字化賦能體現了智力資本價值，不僅改變了傳統的競爭模式、商業模式與商業結構，還推動著企業目標、治理結構以及內部管理的系統性創新。后者強調價值創造過程中利益相關人的利益分配機制和激勵約束機制，以及相關的信息開放、共享的機制。在這當中，數字化轉型還能夠通過改善信息的準確性、信息傳遞的高效性，以及加強監督等途徑發揮其改善資本市場效率的功能，彌補分析師作為資本市場信息紐帶存在的不足。那么，分析師盈余預測質量是否會提高資本市場定價效率？在企業數字化轉型的影響下分析師盈余預測質量對資本市場效率的作用是否會發生變化？本文對這些問題開展了研究。

1?理論分析與研究假設

1.1?分析師盈余預測質量與資本市場定價效率

根據“信息效率”原則，資本市場的股票價格能夠反映公司特質信息，股價同步性的差異源于公司特質信息的多寡。Hutton?et?al.（2009）以發達資本市場的上市公司為研究樣本，發現隨著公司信息透明度的提高，股價同步性顯著下降。武安華等（2010）以中國資本市場的上市公司為樣本，得出相同的結論。同時，會計穩健性對股價同步性也存在顯著負向影響（沈華玉等，2017）。而證券分析師作為資本市場的中介，能夠對公司特質信息進行挖掘、分析和傳播。分析師的關注度越高，上市公司的會計信息風險越低（胡瑋佳等，2020）。分析師盈余預測的準確度越高，上市公司的應計異象程度越低（黃杰生，2021）。黃俊等（2014）和胡軍等（2015）研究發現開通微博以及媒體報道數量較多的公司具有較低的股價同步性，且微博信息通過分析師的解讀作用融入股票價格當中，提高了分析師盈余預測質量，降低了股價同步性。

根據“非理性噪聲”原則，中國資本市場是一個新興市場，一般被認為“噪聲”較多，股票價格更多反映的是市場“噪聲”，而非公司特質信息（王亞平等，2009）。王松等（2018）研究發現，上市公司為了迎合分析師作出的盈余預測結果，往往會通過分類轉移盈余管理手段來調整其盈余水平，使公司的效益達到投資者的預期，即分析師盈余預測會增強公司的盈余管理水平。由于受到中國資本市場“非理性噪聲”影響，盈余管理行為提高了信息不對稱程度，致使資本市場信息效率下降。同時，盈余管理導致了更多的公司特質信息融入了股票價格，從而降低了股價同步性（夏芳，2012）。基于以上分析，本文提出如下假設：

H1：分析師盈余預測質量對資本市場定價效率具有顯著的正向影響。

1.2?企業數字化轉型、分析師盈余預測質量與資本市場定價效率

基于“信息效率”的觀點，由于投資者與管理層之間天然存在著信息不對稱的問題，公司特質信息無法準確、及時地反映在股票價格當中，是造成股價同步性較高的主要原因。雖然證券分析師具有更為專業的信息挖掘和分析能力，并以此對企業未來的盈利能力進行預測，但是未實際參與到企業的經營與治理當中，其預測質量很大程度上取決于所獲得信息的準確性與及時性，而市場環境的變化也會使得證券分析師的盈余預測產生一定程度的偏差及滯后性。數字化轉型是企業利用數字技術推動流程變革、提升經營效率的過程，促進了企業的高質量發展（Vial?G，2019）。伴隨著經營理念和模式的轉變，采用開放與信息共享的商業模式，使數字經濟通過提高企業信息透明度和降低管理者非理性的決策行為，顯著提高了公司治理水平（祁懷錦等，2020）與信息披露效率（徐展等，2023），并降低了經營風險與股價同步性（雷光勇等，2022）。同時，數字化轉型在極大程度上提升了企業的信息處理和傳播效率，彌補了證券分析師預測的不足，通過降低資本市場信息不對稱性，提高資本市場效率，在一定程度上降低了外部投資者對證券分析師的依賴，這也符合資本市場中的“信息效率”原則。基于以上分析，本文提出如下假設：

H2：企業數字化轉型能夠降低分析師盈余預測質量對資本市場定價效率的正向影響。

2?研究設計

2.1?樣本選取與數據來源

本文選取2012—2021年滬深兩市A股上市公司作為研究樣本，并根據以下標準對樣本進行篩選：

（1）剔除金融行業企業的樣本。

（2）剔除樣本期內上市狀態為“*ST”“ST”、暫停上市與退市整理的樣本。

（3）剔除主要研究指標數據缺失的樣本。

最終得到2648家上市公司，共計10957個公司-年度觀測值。本文所使用的主要數據均來自國泰安（CSMAR）數據庫。為減少極端值對回歸結果的潛在影響，對連續變量在1%和99%分位數上進行了縮尾處理。

2.2?變量定義與模型構建

2.2.1?變量定義

（1）股價同步性。

本文通過股價同步性變量對資本市場定價效率進行研究，參考鐘覃琳和陸正飛（2018）的研究構造股價同步性指標，構造步驟如下：

rit=β0+β1×rmt+εit?（1）

其中，rit和rmt分別為股票i的周收益率和市場的周收益率，εit代表回歸殘差。上述回歸方程的擬合優度R2代表公司股票價格由公共市場信息所解釋的程度，即個股與市場“同漲同跌”的程度。但R2的取值介于0和1之間，給實證估計帶來了困難，因此我們參考張延良等（2022）的做法，利用模型（2）對的R2進行對數化處理使其服從正態分布，得到股價同步性的衡量指標SYNCH：

SYNCHit=ln（R2it1-R2it）?（2）

SYNCH值越大，個股與市場“同漲同跌”的程度越嚴重，上市公司股票價格變動可被其特質信息所解釋的程度越低，股價同步性程度越高，資本市場定價效率越低。

（2）分析師盈余預測質量。

參考余怒濤等（2023）的做法，本文采用分析師盈余預測誤差（Ferror）和預測分歧度（Fdisp）來衡量分析師盈余預測質量。分析師盈余預測誤差（Ferror）代表分析師預測與企業實際盈余之間的偏離程度，盈余預測分歧度（Fdisp）代表不同分析師之間的預測偏差。同時，借鑒李文貴和鮑嬌蕾（2023）的做法，對分析師預測樣本進行了如下處理：（1）只保留距公司年報公布日360天以內的預測樣本；（2）如果分析師在一年內對同一家公司發布了多份研究報告，只保留距公司年報公布日最近的數據；（3）剔除少于3名分析師跟蹤的企業樣本。兩個指標的計算方法如式（3）、式（4）和式（5）所示：

Ferrorit=Forecastitj-ActualitActualit（3）

σit=1Nit-1∑Nitj=1（Forecastitj-Forecastitj）21/2（4）

Fdispit=σitActualit（5）

其中，Forecastitj衡量分析師j對公司i在第t年所做的盈余預測值，Actualit衡量公司i在第t年的真實每股盈余，Forecastitj為分析師盈余預測平均值。分析師盈余預測誤差（Ferror）和分歧度（Fdisp）越小，分析師的盈余預測質量越高。

（3）企業數字化轉型。

本文參考吳非等（2021）的做法，以上市公司年報為基礎，提取全部文本內容中有關數字化轉型的關鍵詞頻數來刻畫企業數字化轉型水平，該方法是基于數字技術應用獲取數字化轉型指標的代表性方法。該方法統計了代表企業數字化轉型當中如人工智能（artificial?intelligence）、區塊鏈（block?chain）、云計算（cloud?computing）和大數據（big?data）等關鍵詞在上市公司報告中出現的頻次，詞頻越高代表企業數字化轉型程度越高。為保證數據服從正態分布，對數字化轉型詞頻數加1后取自然對數處理。

（4）控制變量。

參考現有研究（張延良等，2022；余怒濤等，2023），本文控制變量選擇如下：企業規模（Scale）、資產負債率（LEV）、營業收入增長率（BRG）、經營性現金流量（FCF）、股權制衡度（ER）、第一大股東持股比例（Top1）、機構投資者持股比例（CHS）、分析師人數（Nana）、未預期盈余（Surp）、市賬比（MB）。

上述被解釋變量、解釋變量、調節變量以及控制變量的具體說明見表1。

2.2.2?模型構建

為驗證假設H1，本文構建模型（6）、模型（7）進行檢驗：

SYNCHit=β0+β1×Ferrorit+β2×Controls+εit（6）

SYNCHit=β0+β1×Fdispit+β2×Controls+εit（7）

為驗證假設H2，本文構建模型（8）、模型（9）進行檢驗：

SYNCHit=β0+β1×Ferrorit+β2×DCGit+β3×Ferrorit×DCGit+β2×Controls+εit（8）

SYNCHit=β0+β1×Fdispit+β2×DCGit+β3×Fdispit×DCGit+β2×Controls+εit（9）

3?實證結果與分析

3.1?描述性統計

表2報告了描述性統計結果。分析結果顯示，股價同步性（SYNCH）的均值為-1.0807，標準差為1.1999，最大值和最小值分別為1.3269和-8.7351，表明不同上市公司的資本市場定價效率存在較大差異。分析師盈余預測準確性（Ferror）的均值為0.5152，最大值和最小值分別為17.2363和0.0015，分析師盈余預測分歧度（Fdisp）的均值為0.3496，中位數為0.1330，最大值為14.2683，最小值則為0.0071，反映了不同上市公司的盈余預測準確性以及不同分析師對同一家企業的盈余預測分歧度存在較大差異。企業數字化轉型水平（DCG）的均值為0.7367和、標準差為1.1300、中位數則為0，說明許多公司尚未開始實施數字化轉型，并且不同企業在數字化轉型方面存在明顯不同的進展水平。

3.2?相關性分析

相關性分析結果如表3所示，股價同步性與分析師盈余預測誤差、分析師盈余預測分歧度在1%水平上顯著正相關，初步驗證了分析師盈余預測質量對資本市場定價效率的影響作用。另外，主要變量間的相關系數絕對值均小于0.5，表明變量間不存在嚴重的多重共線性問題，模型設計具有較強的可行性。

3.3?基準回歸分析

3.3.1?分析師盈余預測質量與資本市場定價效率

表4報告了基準回歸分析的結果，列（1）為模型（6）的檢驗結果，Ferror的系數為0.0197，且在5%的水平上顯著為正，說明分析師盈余預測誤差越大，股價同步性越高，資本市場定價效率越低；列（2）為模型（7）的檢驗結果，Fdisp的系數為0.0665，且在1%的水平上顯著為正，說明分析師盈余預測分歧度越大，股價同步性越高，資本市場定價效率越低。以上結果表明，分析師盈余預測質量對資本市場定價效率具有顯著的正向影響，假設H1得到驗證。

3.3.2?企業數字化轉型、分析師盈余預測質量與資本市場定價效率

列（3）為模型（8）的檢驗結果，核心解釋變量Ferror×DCG的回歸系數為-0.0213，t值為-2.5912，在1%的水平上顯著為負，說明分析師盈余預測誤差Ferror和企業數字化轉型水平DCG的交乘項對股價同步性具有顯著的負向影響；列（4）為模型（9）的檢驗結果，核心解釋變量Fdisp×DCG的回歸系數為-0.0237，t值為-1.7474，在10%的水平上顯著為負，說明分析師盈余預測分歧度Fdisp和企業數字化轉型水平DCG的交乘項對股價同步性具有顯著的負向影響。以上結果說明，企業數字化轉型能夠降低分析師盈余預測質量對資本市場定價效率的正向影響，假設H2得到驗證。

3.4?穩健性檢驗

為了保證研究結果的穩健性，本文采取替換被解釋變量的方法進行重新檢驗。參考雷光勇等（2022）的做法將計算R2?的方法由模型（1）替換為下述的模型（10），再利用模型（2）進行正態化處理得到股價同步性指標SYNCH2：

rit=β0+β1×rmt+β2×rjt+εit?（10）

模型（1）與模型（10）之間的主要區別在于，模型（10）引入了行業回報率這一變量，其他變量的含義與模型（1）保持一致。通過加入行業回報率，模型（10）有助于減少在使用市場模型進行估計時可能出現的潛在偏差。表5列示了替換被解釋變量后的檢驗結果，假設H1和假設H2得到驗證。

3.5?內生性檢驗

3.5.1?傾向得分匹配法（PSM）

為了應對可能存在的樣本自選擇帶來的內生性問題，本文進一步采用了傾向得分匹配法（PSM）進行檢驗。首先，分別根據分析師盈余預測誤差和分析師盈余預測分歧度兩個變量按照年度和行業的中位數分組，將大于中位數的樣本賦值為1，否則為0。其次，以主回歸中顯著的控制變量包括企業規模（Scale）、企業成長性（BRG）、股權制衡度（ER）、第一大股東持股比例（Top1）、機構投資者持股比例（CHS）、分析師人數（Nana）、未預期盈余（Surp）、市賬比（MB）作為協變量計算傾向得分，采用1∶1最近鄰匹配法為處理組尋找相近特征的控制組，進而使兩組樣本間的差異僅體現為分析師盈余預測質量的影響。最后，對樣本進行重新估計。檢驗結果如表6所示，列（1）為分析師盈余預測誤差（Ferror）與股價同步性（SYNCH）的檢驗結果，列（2）為分析師盈余預測分歧度（Fdisp）與股價同步性（SYNCH）的檢驗結果，核心解釋變量Ferror和Fdisp的回歸系數均顯著為正，與基準回歸結果基本保持一致，說明在克服樣本自選擇偏差問題后研究結果依舊穩健，進一步支持了本文的假設。

3.5.2?工具變量法

為了應對可能存在的遺漏變量和樣本選擇偏差帶來的內生性問題，本文使用工具變量法，分別使用同年度、同行業公司的分析師盈余預測誤差均值（Ferror_mean）和分析師盈余預測分歧度均值（Fdisp_mean）作為工具變量進行兩階段回歸。由于同行業企業在特征和外部環境方面較為相似，分析師在預測時容易受到其他企業的干擾。然而，分析師盈余預測的行業平均水平與資本市場定價效率之間并無直接關系，因此滿足了工具變量的相關性和外生性要求。表6列（1）和列（3）報告了第一階段的回歸結果，分析師盈余預測誤差（Ferror_mean）和分析師盈余預測分歧度（Fdisp_mean）的系數均在1%的水平上顯著為正，說明工具變量Ferror_mean、Fdisp_mean與內生解釋變量Ferror、Fdisp之間具有較強的相關性。列（2）和列（4）報告了第二階段的回歸結果，分析師盈余預測誤差（Ferror_mean）、分析師盈余預測分歧度（Fdisp_mean）與股價同步性（SYNCH）顯著正相關，與基準回歸一致。從工具變量的檢驗結果來看，Cragg-Donald?Wald?F統計量分別為605.060和642.036，通過弱工具變量檢驗，表明在控制內生性問題后研究結果依舊穩健，進一步支持了本文的假設。

4?結論與建議

本文選取2012—2021年滬深兩市A股上市公司為研究對象，檢驗了分析師盈余預測質量對資本市場定價效率的影響，并通過調節效應進一步檢驗了企業數字化轉型對兩者之間關系的影響。結果表明，分析師盈余預測質量對資本市場定價效率具有顯著的正向影響，即分析師盈余預測質量越高，資本市場定價效率越高；企業數字化轉型能夠降低分析師盈余預測質量對資本市場定價效率的正向影響，即企業數字化轉型程度越高，分析師盈余預測質量對資本市場定價效率的正向影響越小。

根據以上研究結論，本文認為，為了有效降低股價同步性從而提高資本市場定價效率與資本的配置效率，可以通過監管者、分析師與企業三個方面來實現。從監管者方面來講，監管機構要對上市公司對外披露的財務報告進行重點審查，修正并完善資本市場的會計信息披露制度，提高信息披露質量，降低投資者與公司之間的信息不對稱程度；從分析師方面來講，證券分析師應提高自身信息挖掘、信息解讀以及盈余預測的專業能力，修正并完善分析師預測的相關制度；從企業方面來講，國內企業應積極順應數字經濟的發展趨勢，推動企業數字化轉型，提升公司內部治理水平，并提高公司信息質量，使公司信息能夠及時、準確地反映在股票價格當中。同時，企業數字化還可以通過其信息開放與信息共享的功能提供更多高質量的公司特質信息，并通過其多元化的傳播手段降低投資者與公司之間的壁壘，引導投資者直接對公司特質信息進行收集，降低投資者識別并分析公司信息的成本，從根源上解決資本市場中股價“同漲同跌”的現象，發揮資本市場對實體經濟的助力作用。

參考文獻

［1］Bushman?R?M，Piotroski?J?D，Smith?A?J.?What?Determines?Corporate?Transparency？[J].Journal?of?Accounting?Research，2004，42（2）：207252.

[2]Hutton?A?P，Marcus?A?J，Tehranian?H.?Opaque?financial?reports，R2，and?crash?risk☆[J].Journal?of?Financial?Economics，2009，94（1）：6786.

[3]武安華，張博.公司透明度與股價波動同步性的相關性研究[J].金融理論與實踐，2010，（1）：7780.

[4]沈華玉，郭曉冬，吳曉暉，等.會計穩健性、信息透明度與股價同步性[J].山西財經大學學報，2017，39（12）：114124.

[5]胡瑋佳，韓麗榮.分析師關注降低上市公司的會計信息風險了嗎？——來自中國A股上市公司的經驗證據[J].管理評論，2020，32（4）：219230.

[6]黃杰生.分析師盈余預測、財務報告透明度與企業應計異象[J].財會通訊，2021，（5）：5053.

[7]黃俊，郭照蕊.新聞媒體報道與資本市場定價效率——基于股價同步性的分析[J].管理世界，2014，（5）：121130.

[8]胡軍，王甄.微博、特質性信息披露與股價同步性[J].金融研究，2015，（11）：190206.

[9]王亞平，劉慧龍，吳聯生，等.信息透明度、機構投資者與股價同步性[J].金融研究，2009，（12）：162174.

[10]王松，李萍，李芳，等.分析師盈余預測對企業盈余管理方式選擇的影響研究——基于三種盈余管理替代的視角[J].山東科技大學學報（社會科學版），2018，20（4）：100109.

[11]夏芳.盈余管理、投資者情緒與股價“同漲同跌”[J].證券市場導報，2012，（8）：4956.

[12]VialG.?Understanding?digital?transformation：?A?review?and?a?research?agenda[J].The?Journal?of?Strategic?Information?Systems，2019，28（2）：118144.

[13]祁懷錦，曹修琴，劉艷霞，等.數字經濟對公司治理的影響——基于信息不對稱和管理者非理性行為視角[J].改革，2020，（4）：5064.

[14]徐展，盛思思.企業數字化轉型能降低權益資本成本嗎——基于效率和風險視角的機制識別[J].金融經濟學研究，115.

[15]雷光勇，買瑞東，左靜靜，等.數字化轉型與資本市場效率——基于股價同步性視角[J].證券市場導報，2022，（8）：4859.

[16]鐘覃琳，陸正飛.資本市場開放能提高股價信息含量嗎？——基于“滬港通”效應的實證檢驗[J].管理世界，2018，34（1）：169179.

[17]張延良，崔海濤，李琪，等.媒體關注對股票定價效率影響研究[J].投資研究，2022，41（9）：143158.

[18]余怒濤，苗瑞晨，袁博，等.連鎖股東與分析師盈余預測[J].證券市場導報，2023，（2）：4050.

[19]李文貴，鮑嬌蕾.社會信任與分析師盈余預測[J].管理評論，2023，35（1）：283297.

[20]吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據[J].管理世界，2021，37（7）：130-144+10.