分析師關注與企業全要素生產率

【摘 要】 提升企業全要素生產率，對經濟高質量增長至關重要。作為一種關鍵的外部監督機制，分析師的關注對企業成長具有深遠影響。文章選取2010—2022年間滬深A股市場上市公司作為分析對象，旨在深入了解分析師關注對企業全要素生產率的作用機理。通過研究發現，分析師的密切關注與企業全要素生產率的提升呈正相關關系。特別是在國有企業和代理成本較高的企業中，這種正向效應更加明顯。機制檢驗揭示，提高企業內控質量是分析師關注促進企業全要素生產率提高的關鍵路徑。本研究不僅揭示了分析師關注如何促進企業生產效率的提升，也擴展了對分析師治理作用的認識，并對促進企業生產率提高，推動經濟高質量發展提供了實踐指導。

【關鍵詞】 分析師關注； 企業全要素生產率； 內部控制； 產權性質； 代理成本

【中圖分類號】 F270；F273；F832.51" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）09-0058-10

一、引言

分析師不僅是資本市場的信息媒介，也是外部治理的重要力量之一，在資本市場中發揮著重要的作用。分析師通過搜集上市公司信息，幫助投資者決策，緩解信息不對稱。隨著資本市場的快速發展，截至2024年底，我國A股上市公司數量已達5 300多家，而相對應的中國證券業協會已注冊的分析師人數也達5 776人。研究發現，分析師關注促進了企業研發投資活動，實現了資源的合理配置[1]，提高了企業創新績效[2]，約束了高管在職消費水平[3]，促進去產能[4]。但也有研究發現，分析師關注提高了企業未來股價崩盤風險[5]，增強了管理者盈余管理動機[6]，損害了公司價值[7]。從上述研究可以發現，分析師關注可以借助外部治理的因素，對企業的經營管理產生重要的影響。而企業全要素生產率作為實現企業高質量發展的動力，會受到內部治理機制和外部治理機制的影響。因此，如果不從外部治理機制的角度分析，就難以打開企業全要素生產率發展的“黑匣子”。

本文圍繞上述問題，以2010—2022年滬深A股上市公司為研究對象，檢驗了分析師關注與企業全要素生產率的關系。研究發現，分析師關注與企業全要素生產率呈正相關關系，即分析師關注人數越多，企業全要素生產率越高；進一步研究發現，在不同的產權性質下，分析師關注對企業全要素生產率的影響有顯著區別，即相較于非國有企業，分析師關注對企業全要素生產率的提升在國有企業中更為顯著；在不同的代理成本下，分析師關注對企業全要素生產率的提升在代理成本更高的企業中更為顯著；機制檢驗發現，內部控制發揮著部分中介作用，即分析師關注通過提高企業內部控制質量，從而提高企業全要素生產率。

本文的貢獻可能主要有以下兩個方面：一方面，雖然之前的學者對于分析師關注與企業全要素生產率做過相應的研究，但是對其影響路徑的研究是缺乏的。本文挖掘了分析師關注影響企業全要素生產率的路徑，即分析師關注→內部控制→企業全要素生產率。影響路徑的發現有利于揭示分析師關注影響企業全要素生產率更深層次的邏輯，不僅豐富了分析師關注的經濟后果研究，還為分析師關注提升企業全要素生產率提供了理論解釋。另一方面，結合相關的制度背景，本文從產權性質、代理成本角度對分析師與企業全要素生產率進行了截面分析，考慮其差異性，深化了分析師關注與企業全要素生產率的理論研究，為當前新質生產力的提升和經濟高質量發展的政策完善提供了理論基礎。

二、研究假設

全要素生產率是宏觀經濟學一個重要的概念，同時也是政府制定可持續發展政策的重要理論依據[8]。技術的進步、效率的提高是影響企業全要素生產率的主要原因[9]。而企業技術的進步、效率的提高離不開資本市場的支持。分析師不僅是公司外部治理重要的力量之一，還是資本市場信息重要的媒介之一。那么，隨著分析師在資本市場發揮的作用越來越大，分析師關注對企業全要素生產率是發揮促進作用還是阻礙作用，需要做進一步的檢驗。

（一）信息揭示假說

企業全要素生產率的提升離不開創新活動。缺乏核心技術是制約經濟發展和產業轉型升級的重要因素。研發投入對企業全要素生產率有顯著的促進作用[10]。而上市公司的研發行為受到多種因素的影響，如政治關聯[11]、股權結構[12]、內部控制[13]。信息不對稱以及代理問題是影響企業研發創新的兩個重要因素。

從信息揭示假說來看，分析師能夠準確判斷企業創新活動的價值，緩解信息不對稱，降低企業的融資成本，促進企業創新，從而提高企業全要素生產率。由于創新活動不確定性大、成本高，這在一定程度上增強了信息不對稱，導致投資者難以準確判斷企業的價值。同時，這又會降低企業管理層進行創新的意愿。信息的不對稱增強了分析師關注的動機[14]，而分析師通過實地調研、搜集信息，對信息進行解讀、分析并形成研究報告，降低了投資者收集信息的成本，大大降低了投資者對錯誤信息解讀的概率[15]。分析師關注緩解了公司內部與外部的信息不對稱，降低了代理成本，有利于監督管理層。分析師監督作用的進一步擴大，降低了管理者的機會主義行為對企業價值的損害。同時，分析師對企業的無形資產、研發支出等項目會格外關注，并對這些項目進行跟蹤。因此，在企業技術創新的過程中，分析師會對管理者的創新行為進行監督，這在一定程度上降低了管理者謀取私利的動機，有利于緩解代理成本對企業技術創新的影響。

基于上述分析，分析師關注降低了企業內外部的信息不對稱程度，有利于投資者充分了解企業的創新活動，促進技術的進步，從而提高企業的全要素生產率；據此，本文提出假設1a。

H1a：在相同條件下，企業受到的分析師關注度與其全要素生產率成正比關系，即分析師關注度增加時，企業的全要素生產率亦提升。

（二）業績壓力假說

分析師關注可能會抑制企業全生產要素的提升。分析師作為資本市場的信息中介，盈余預測是分析師的職能之一，分析師的預測往往會受到投資者的關注，這增加了企業管理者的短視行為[16]。當分析師的盈余預測與企業實際情況不一致時，特別是實際盈余低于分析師預測盈余時，會引發一系列不良后果，如降低薪酬、管理者離職。基于業績壓力假說，當分析師過于關注某家企業時，會給管理者造成業績上的壓力，從而可能迫使管理者出現短視行為。一旦管理者選擇短視行為，會進一步引發委托代理沖突，不利于企業的技術創新，從而阻礙企業全要素生產率的提升。當企業存在嚴重的代理沖突問題以及信息不對稱時，管理者往往會面臨巨大的短期業績壓力，從而放棄可能潛在的投資與企業技術創新活動，進而損害企業的長期利益與價值，不利于企業全要素生產率的提升。基于上述分析，本文提出假設1b。

H1b：在相同條件下，企業受到的分析師關注度與其全要素生產率成反比關系，即隨著分析師關注度的增加，企業的全要素生產率反而會降低。

三、研究設計

（一）數據來源與樣本選擇

本文以2010—2022年間滬深A股上市公司為初始樣本，對原始數據進行了如下處理，確保研究數據的準確性和可靠性：（1）剔除了金融行業的上市公司；（2）剔除數據缺失的樣本；（3）剔除ST或*ST的企業。最終得到15 334個公司-年度觀測值。分析師關注數據及相關財務數據來源于CSMAR數據庫并結合上市公司年報、巨潮資訊網等網站進行補充與核對，企業全要素生產率通過相關財務數據計算得出。為了消除異常值的影響，本文對連續變量在1%和99%分位數進行了Winsorize處理。

（二）變量定義

1.被解釋變量

現有研究對企業全要素生產率的計算方法主要包括普通最小二乘法（OLS）、Olley-Pakes法（OP法）、Levinsohn-Petrin法（LP法）和GMM估計法等[17]。本文采用基于一致半參數估計值方法計算全要素生產率，相較于OP法，LP法可以解決因樣本不符合要求而造成樣本缺失問題。同時，LP法通過引入中間投入作為工具變量，可以有效降低估計偏差。因此本文借鑒冀云陽等[18]的做法，采用LP法計算企業全要素生產率。

2.解釋變量

本文借鑒劉星等[19]的做法，采用跟蹤一家公司的分析師（團隊）的人數衡量。在穩健性檢驗中，本文使用研究報告數量衡量分析師關注。本文分別對分析師人數、研報數量加1取自然對數衡量。

3.控制變量

參照鄭寶紅等[20]的研究，選取企業規模（Ln size）、固定資產占比（Fix）、資產負債率（Lev）、資產收益率（Roa）、成長性（Growth）、產權性質（Soe）等財務特征的控制變量，并選取兩職合一（Dual）、董事會規模（Board）、獨立董事比例（Inp）、第一大股東持股比例（Top）等公司治理特征的控制變量。另外還控制了行業（Ind）和年份（Year）固定效應，且在公司層面進行了聚類調整（Cluster）以控制潛在的異方差及組內序列相關引起的偏誤。

具體變量定義如表1所示。

（三）模型設計

為檢驗分析師關注如何作用于企業全要素生產率，本研究建立以下回歸分析模型：

Ln tfpi，t=α0+α1Analysti，t+α2Ln sizei，t+α3Levi，t+

α4Roai，t+α5Growthi，t+α6Fixi，t+α7Duali，t+α8Inpi，t+α9Top1i，t+

α10Boardi，t+α11Soei，t+∑Ind+∑Year+εi，t" "（1）

四、實證結果與分析

（一）描述性統計

本文主要變量的描述性統計結果如表2所示。企業全要素生產率的均值為8.269，最小值為6.079，最大值為10.830，說明樣本公司的企業全要素生產率差別較大。分析師關注的均值為2.026，中位數為2.079，說明在資本市場中，多數上市公司存在被分析師關注的情況；標準差為0.896，最小值為0.000，最大值為4.331，說明不同企業之間，分析師關注度存在較大的差異，這與翟勝寶等[21]的研究結論基本一致。在財務特征方面，資產負債率的均值為0.425，中位數為0.420，說明樣本公司的財務杠桿處在一個適中的水平，而其最小值為0.053，最大值為0.884，說明不同企業間的財務杠桿水平差別還是挺大。資產收益率的均值為0.047，中位數為0.043，說明樣本公司的盈利水平處在一個正常的水平，而其最小值為-0.225，最大值為0.191，說明不同的公司，其盈利水平存在顯著的差距。企業成長性的均值為0.214，最小值為-0.510，最大值為2.612，說明企業之間的營業收入增長存在差異，企業間成長的速度不同。兩職合一的均值為0.266，說明約有27%的上市公司的董事長與總經理是同一人擔任。第一大股東持股比例的最小值為8.800，最大值為74.820，說明不同企業之間，其第一大股東的持股比例存在較大差異。產權性質的均值為0.370，說明約有37%的上市公司為國有上市公司，這與實際情況是一致的。

（二）單變量分析

本文進行了均值差異t檢驗和Wilcoxon秩和檢驗，旨在對比有無分析師關注的樣本公司間的變量差異，以驗證這兩類樣本中變量特性的不同。表3列示了單變量分析的結果。以分析師關注的中位數劃分為高分析師關注組與低分析師關注組。從表3 Panel A可以看出，高分析師關注組的樣本公司其全要素生產率顯著大于低分析師關注組的樣本公司，這初步驗證了H1a，即分析師關注人數越多，企業全要素生產率越高。在控制變量方面，高分析師關注度組的上市公司大多顯著大于低分析師關注度組的上市公司。

進一步的，從表3 Panel B可以看出，有分析師關注的上市公司其全要素生產率的均值大于無分析師關注的上市公司全要素生產率，且在1%的水平上顯著，這為驗證H1a提供了先驗基礎。在控制變量方面，有分析師關注的上市公司大多顯著大于無分析師關注的上市公司。

（三）相關性分析

為了檢驗分析師關注、各控制變量與企業全要素生產率之間的關系，本文對主要變量進行了相關性分析。表4是主要變量的Pearson相關系數表。從表4可以看出，在不考慮其他變量的情況下，分析師關注與企業全要素生產率的相關系數為0.311，且在1%的水平上顯著相關，表明分析師關注人數越多，企業全要素生產率越高。初步驗證了H1a。同時，可以發現，絕大多數變量間的相關系數均小于0.5。為了排除多重共線性的可能性，本文進行了多重共線性測試。測試結果表明，最高的方差膨脹因子（VIF）僅為2.56，這一數值明顯低于10的常規閾值，從而證明了模型中各變量之間未出現顯著的多重共線性問題。

（四）基準回歸結果

表5詳細列示了分析師關注對企業全要素生產率影響的基準回歸結果。表5列（1）是未考慮任何控制變量情況下進行的回歸分析結果，分析師關注的回歸系數達到了0.368，并且這一關系在1%的顯著性水平上表現為正相關。這表明分析師的關注程度與企業的全要素生產率正相關，即隨著分析師關注度的增加，企業的全要素生產率也會相應提升。表5列（2）是引入控制變量后的回歸結果，仍然支持了分析師關注對企業全要素生產率有正向影響的關系，從而驗證了H1a。

（五）穩健性檢驗

1.替換分析師關注衡量方式

為了驗證基準回歸結果的準確性，本文借鑒劉柏等[22]的做法，以研究報告數量衡量分析師關注。回歸結果如表6所示。從表6列（1）可以看出，在未考慮控制變量的情況下，分析師關注（Ra）的回歸系數為0.289，在1%的水平上顯著正相關，說明分析師關注提升了企業全要素生產率；從列（2）可以看出，在加入控制變量的情況下，分析師關注的回歸系數為0.017，且在5%的水平上顯著正相關，驗證了H1a，即分析師關注人數越多，企業全要素生產率越高。控制變量的回歸結果與前文基本一致。

2.固定效應模型

為了保證研究結論的可靠性，本文使用固定效應模型重新進行了回歸。回歸結果如表7所示。從列（1）可以看出，在未加入控制變量的情況下，分析師關注的回歸系數為0.143，且在1%的水平上顯著正相關；從列（2）可以看出，在加入控制變量的情況下，分析師關注的回歸系數為0.031，且在1%的水平上顯著正相關，說明分析師關注人數越多，企業全要素生產率越高，驗證了前文的結論，說明主回歸的結果是穩健的。

3.解釋變量滯后一期

為了緩解可能因反向因果等內生性問題對回歸結果產生偏差，本文將分析師關注這一變量滯后一期進行回歸。回歸結果如表7所示。從列（3）可以看出，在未考慮控制變量的情況下，分析師關注的回歸系數為0.356，在1%的水平上顯著正相關，說明分析師關注人數越多，企業全要素生產率越高；從列（4）可以看出，在加入控制變量的情況下，分析師關注的回歸系數為0.028，且在1%的水平上顯著正相關，驗證了H1a，即分析師關注人數越多，企業全要素生產率越高。控制變量的回歸結果與前文基本一致。

4.考慮行業差異

本文涉及了21個行業，其中包括建筑業、制造業等，不同的行業可能對企業全要素生產率會產生不同的影響。為了緩解因行業不同而對企業全要素生產率產生的影響，本文將各上市公司的全要素生產率減去該指標按年度按行業計算的均值，最后得到被解釋變量。回歸結果如表7所示。從列（5）可以看出，在不加入控制變量的情況下，分析師關注的回歸系數為0.365，且在1%的水平上顯著正相關；從列（6）可以看出，在加入控制變量的情況下，分析師關注的回歸系數為0.026，且在1%的水平上顯著正相關，說明分析師關注人數越多，企業全要素生產率越高。驗證了H1a，說明結論是穩健的。

5.工具變量法

在考察分析師關注對企業全要素生產率的影響時，可能存在內生性問題。分析師關注與企業全要素生產率可能存在反向因果關系。因此，采用工具變量法來緩解潛在的內生性問題。選擇同年度同行業其他上市公司分析師關注的均值作為工具變量。對工具變量進行弱工具檢驗，結果發現F值為319.58，P值為0.000，遠大于10，拒絕了存在弱工具變量的原假設，說明不存在弱工具變量問題。篇幅所限，表略。

本文采用兩階段最小二乘法（2SLS）進行回歸。回歸結果如表8所示，列（1）是第一階段的回歸結果，工具變量Analyst_m的回歸系數在1%的水平上顯著為正，說明工具變量能夠較好地解釋內生變量。列（2）是第二階段的回歸結果，分析師關注的回歸系數為0.310，且在1%的水平上顯著正相關，說明在控制內生性問題后，分析師關注與企業全要素生產率仍然顯著正相關，進一步支持了H1a，說明結果是穩健的。

五、進一步分析

（一）分析師與企業全要素生產率：產權性質差異的影響

企業根據產權性質一般分為國有企業與非國有企業。國有企業與非國有企業在資源稟賦、企業目標等方面存在差異。因此，分析師關注對企業全要素生產率的影響可能與企業的產權性質相關。一方面，對于國有企業來說，企業金字塔的治理結構決定了其內部存在嚴重的“內部人控制”問題[23]，這在一定程度上加大了對國有企業管理者的監督。分析師是企業外部治理的重要力量之一，對企業實現高質量發展起著關鍵作用。因此，分析師對國有企業的關注，可以有效緩解國有企業“內部人控制”問題，加大對國有企業的監督，改善公司治理水平，有利于企業作出科學合理的投資決策，進而提高企業全要素生產率。另一方面，國有企業在實現企業利潤目標的同時，還承擔慈善捐贈、保障就業等社會責任。因此國有企業擁有較高的信息披露水平與意愿，這在一定程度上有利于分析師獲取更多關于企業的信息，從而幫助投資者作出決策，提高公司的治理水平。而較高的治理水平有利于企業緩解融資約束[24]。企業只有解決了融資問題，才能實現最優的資本配置，從而提升企業全要素生產率。對于非國有企業而言，并不存在“內部人控制”問題，同時披露信息水平更低，分析師關注對企業全要素生產率的提升效果并不顯著。

因此，為進一步檢驗分析師關注與企業全要素生產率的關系是否會因為產權性質的不同而不同，本文進行了國有企業與非國有企業的分樣本檢驗。表9是不同產權性質下分析師關注與企業全要素生產率的回歸結果。從列（1）可以看出，在國有企業樣本中，分析師關注的回歸系數為0.035，且在5%的水平上顯著正相關；從列（2）可以看出，在非國有企業樣本中，分析師關注的回歸系數為0.017，但不顯著。說明在國有企業樣本中，分析師關注對企業全要素生產率的正向影響更為顯著。在此基礎上，對這兩個系數進行了Bootstrap組間系數差異檢驗，結果顯示經驗P值為0.035，在5%的水平上顯著。也就是說，相對于非國有企業，分析師關注對國有企業全要素生產率的正向影響更為顯著。

（二）分析師關注與企業全要素生產率：代理成本的影響

如前文所述，分析師通過實地調研、搜集信息，對信息進行解讀、分析并形成研究報告，這降低了投資者收集信息的成本，大大降低了投資者對錯誤信息解讀的概率。同時，分析師關注緩解了公司內部與外部的信息不對稱，降低了代理成本，有利于監督管理層。隨著分析師監督作用的進一步擴大，降低了管理者的機會主義行為對企業價值的損害。為進一步檢驗分析師關注與企業全要素生產率的關系是否會因為代理成本程度的不同而不同，本文進行了代理成本程度的分樣本檢驗。本文借鑒袁蓉麗等（2018）的做法，用管理費用率衡量企業的代理成本，管理費用率是管理費用與銷售費用之和占營業收入的比重。按照年度行業計算代理成本的中位數，當高于代理成本中位數時，定義為高代理成本組；當低于代理成本組時，定義為低代理成本組。

表9是不同代理成本程度下分析師關注與企業全要素生產率的回歸結果。從列（3）可以看出，在高代理成本的企業中，分析師關注的回歸系數為0.082，且在1%的水平上顯著正相關；從列（4）可以看出，在低代理成本企業中，分析師關注的回歸系數為0.018，但不顯著。說明在高代理成本企業中，分析師關注對企業全要素生產率的正向影響更為顯著。在此基礎上，對這兩個系數進行了Bootstrap組間系數差異檢驗，結果顯示經驗P值為0.000，在1%的水平上顯著。也就是說，相對于低代理成本的企業，分析師關注對高代理成本的企業全要素生產率的正向影響更為顯著。

六、機制檢驗

分析師作為外部治理機制的重要角色之一，通過跟蹤、盈余預測等行為，提供被關注公司的信息，幫助廣大投資者進一步了解企業，獲取企業更深層次的信息，作出正確的投資決策，這緩解了公司與投資者之間的信息不對稱，有利于監督管理者，減少其機會主義行為，防止侵害股東的利益。分析師并不具有公司治理權，高質量的內部控制是企業進行創新的關鍵因素。而高質量的內部控制有利于抑制企業的盈余管理行為，降低代理沖突，從而提高技術創新水平，提高企業全要素生產率。因此，內部控制可能在分析師關注與企業全要素生產率之間發揮著中介作用。即分析師關注提高了企業內部控制水平，內部控制水平的提高促進了企業創新，提升了企業全要素生產率。

因此，本文使用中介效應檢驗分析師關注對企業全要素生產率影響的機制，構建了如下中介效應檢驗的模型：

ICi，t=β0+β1Analysti，t+β2Ln sizei，t+β3Levi，t+β4Roai，t+

β5Growthi，t+β6Fixi，t+β7Duali，t+β8Inpi，t+β9Top1i，t+β10

Boardi，t+β11Soei，t+∑Ind+∑Year+εi，t" " （2）

Ln tfpi，t=γ0+γ1Analysti，t+γ2ICi，t+γ3Ln sizei，t+γ4Levi，t+

γ5Roai，t+γ6Growthi，t+γ7Fixi，t+γ8Duali，t+γ9Inpi，t+γ10Top1i，t+

γ11Boardi，t+γ12Soei，t+∑Ind+∑Year+εi，t" "（3）

本文借鑒溫忠麟等（2014）中介效應檢驗的方法。第一步，驗證分析師關注與企業全要素生產率的關系，考察模型1中α1的系數，若中α1的系數顯著，則繼續檢驗，否則停止中介效應檢驗。第二步，考察模型2、模型3中β1、γ2的系數，如果β1、γ2都顯著，說明存在中介效應。第三步，考察模型3中γ1的系數，如果γ1的系數不顯著，則是完全中介效應。第四步，比較β1×γ2與γ1的符號，如果同號，說明內部控制是部分中介效應，中介效應占比是β1×γ2 /α1；如果異號，則說明存在遮掩效應，這時中介效應占直接效應的比例是β1×γ2 /γ1。

中介效應檢驗結果如表10所示。從前文以及表10可以看出，模型1的系數α1，模型2的系數β1，模型3的系數γ1、γ2均顯著不為0，故無須再進行Sobel檢驗。說明內部控制起到部分中介效應，內部控制的中介效應占總效應的比例為4.17%。

七、研究結論與政策建議

（一）研究結論

本文基于我國實現資本要素市場化配置、促進經濟高質量發展的背景，以2010—2022年滬深A股上市公司為研究樣本，探究了分析師關注與企業全要素生產率之間的關系與作用路徑。研究發現，分析師關注人數越多，企業全要素生產率越高；進一步研究發現，分析師關注對企業全要素生產率的正向影響在國有企業、代理成本高的企業中更為顯著；機制檢驗發現，分析師關注通過提高企業內部控制質量提升企業全要素生產率。本文提供了分析師如何影響企業全要素生產率的經驗證據，拓寬了分析師關注的治理效應研究范圍，同時對如何提升企業全要素生產率，實現經濟高質量發展也具有一定的實際意義。

（二）政策建議

基于前文的研究結果，本文提出以下兩點建議：一是充分發揮證券分析師的外部治理作用，促進資本要素實現市場化配置，實現高質量發展。鼓勵分析師對上市公司的跟蹤與關注，特別是在國有企業、代理成本高的企業中。充分發揮分析師在提高內部控制、提高創新水平等方面的作用。二是證券分析師不僅是公司外部治理的重要力量之一，更是信息的媒介之一，因此，分析師不僅需要具備豐富的專業知識，更應該提高職業素養，搜集更為準確、對投資者更有益的信息，更好地促進高質量發展。

【參考文獻】

［1］ 徐欣，唐清泉.財務分析師跟蹤與企業Ramp;D活動——來自中國證券市場的研究［J］.金融研究，2010（12）：173-189.

［2］ 陳欽源，伊志宏.分析師跟蹤與企業創新績效——中國的邏輯［J］.南開管理評論，2017，20（3）：15-27.

［3］ 郭建鸞，簡曉彤.分析師的外部監督效應——來自企業高管在職消費的證據［J］.中央財經大學學報，2021（2）：73-88.

［4］ 李穎，王曉艷，伊志宏.分析師跟蹤與企業去產能——基于成本粘性視角的研究［J］.宏觀經濟研究，2020（5）：145-165.

［5］ 韓艷錦，馮曉晴，宋建波.基于信息生成環節的分析師關注與股價崩盤風險［J］.管理學報，2021，18（2）：279-286.

［6］ 于忠泊，葉瓊燕，田高良.外部監督與盈余管理——針對媒體關注、機構投資者與分析師的考察［J］.山西財經大學學報，2011，33（9）：90-99.

［7］ FULLER J，JENSEN" M C.Just say no to wall street： putting a stop to the earnings game［J］.Journal of Applied Corporate Finance，2010，22（1）：41-46.

［8］ 薛天航，肖文，唐楠.人口老齡化背景下勞動力成本與全要素生產率：基于企業所有制類型的視角［J］.浙江大學學報（人文社會科學版），2023，53（6）：71-84.

［9］ 盛明泉，蔣世戰.高管股權激勵、技術創新與企業全要素生產率——基于制造業企業的實證分析［J］.貴州財經大學學報，2019（2）：70-76.

［10］ 岳樹民，肖春明，陳曉光.增值稅稅率下調，融資約束與企業全要素生產率——理論模型與上市公司實證證據［J］.經濟理論與經濟管理，2023，43（6）：13-26.

［11］ 徐慧華，李碧珍.民營企業政治關聯，企業家精神與全要素生產率增長［J］.金融與經濟，2019（11）：74-80.

［12］ 郭于瑋，馬弘.混合所有制中的股權結構與企業全要素生產率［J］.經濟學報，2016（2）：90-109.

［13］ 盛明泉，吳少敏，張婭楠.探索式創新與企業全要素生產率［J］.產業經濟研究，2020（1）：28-41.

［14］ 郭慧婷，黃程蘭子.持股結構、分析師關注與股價崩盤風險［J］.會計之友，2021（9）：91-99.

［15］ 胡韜，李丹，郭紫明.披露子公司財務信息對投資者有用嗎？——來自權益資本成本視角的證據［J］.會計與經濟研究，2022，36（2）：22-39.

［16］ 黃慶成.風險投資能夠抑制管理者短視主義嗎？——來自年報文本分析的證據［J］.企業經濟，2023（11）：69-80.

［17］ 魯曉東，連玉君.中國工業企業全要素生產率估計：1999—2007［J］.經濟學（季刊），2012，11（2）：541-558.

［18］ 冀云陽，高躍.稅收治理現代化與企業全要素生產率——基于企業納稅信用評級準自然實驗的研究［J］.2021（2020-12）：49-63.

［19］ 劉星，陳西嬋.證監會處罰、分析師跟蹤與公司銀行債務融資——來自信息披露違規的經驗證據［J］.會計研究，2018（1）：60-67.

［20］ 鄭寶紅，張兆國.企業所得稅率降低會影響全要素生產率嗎？——來自我國上市公司的經驗證據［J］.會計研究，2018（5）：13-20.

［21］ 翟勝寶，張雯，曹源，等.分析師跟蹤與審計意見購買［J］.會計研究，2016（6）：86-93，95.

［22］ 劉柏，琚濤.“事前震懾”與“事后糾偏”：分析師關注對財務錯報和重述的跨期監管研究［J］.南開管理評論，2021，24（1）：50-61，96.

［23］ 鄭志剛.國企改革：與其“并”，不如“混”［J］.企業觀察家，2019（6）：16-17.

［24］ 甄紅線，王謹樂.機構投資者能夠緩解融資約束嗎？——基于現金價值的視角［J］.會計研究，2016（12）：51-57.