非經常性損益項目對分析師盈利預測的影響

李姝妍

摘要：本文主要討論了非經常性損益項目對報表使用者決策制定過程的影響，研究了公司非經常性收益對分析師盈利預測修正的影響。研究發現：非經常性損益可以影響分析師的盈利預測修正;相比于政策變化，分析師更關注公司業務范圍變化導致的非經常性損益項目;如果上市公司在盈余管理期間使用非經常性損益項目將損失轉化為收益，將削弱非經常性損益項目對分析師盈利預測的影響。結果表明，由公司業務變化導致的非經常性損益項目包含使用者所需要的公司未來經營的信息。本文驗證非經常性損益項目的價值相關性并證明對非經常性損益項目披露的必要性。

關鍵詞：非經常性損益項目;盈利預測;盈余管理;回歸分析

1999年，中國證監會首次澄清了非經常性損益項目的概念和披露要求，并隨后調整了非經常性損益項目的定義和若干損益項目的披露要求。2001年首次確定了非經常性損益的具體損益項目，分為已確定損益項目和推定損益項目。2004年，中國證監會取消了分類，調整了非經常性損益的具體損益項目。2007年，中國證監會取消了三個損益項目，并增加了一些損益項目，如從開始到合并日期的同期控制下的子公司凈利潤等;重組成本，如員工安置費和整合成本;以及與公司主營業務無關的預計負債產生的損益。同時，中國證監會調整了資產處置收入，政府補貼，非貨幣兌換損益等損益項目的范圍。到2008年，上述科目被定義為非經常性損益。除此之外還包括處置交易性金融資產，交易性金融負債，以及可供出售金融資產獲得的收益和損失。

一、研究設計

（一）樣本和數據

本文選擇2009年至2013年深圳和上海股票市場的A股上市公司作為樣本。分析師的盈利預測修正數據來自iFinD數據庫，財務數據來自WIND和CSMAR數據庫。在可用的4563個公司年觀察總數中，排除了極端觀察和缺失值，將連續變量推廣到1%水平，以減少異常值的影響。

（二）模型和變量

首先，本文考察了非經常性損益項目是否具有價值相關性，以及它們是否影響分析師的盈利預測修正。其次，研究分析師是否同等重視非經常性收益和損失，以及非經常性損益項目的不同組成部分對分析師的盈利預測修正的影響程度。此外，還研究了分析師是否可以看出通過操縱非經常性損益項目來將損失轉化為收益的行為并相應地修改其預測。

為了檢驗非經常性損益項目與分析師的盈利預測修正，以下建立了模型（1），用于檢驗假設1：

FY1_EPS ＼FY2_EPS=α0+α1NR_PS+α2AS +α3DA+α4G+α5FH+α6PB+α7Rm+α8CHG_EPS+α9RPL+ε1（1）

FY1_EPS和FY2_EPS是模型（1）中的因變量。FY1_EPS是指一年期的分析師盈利預測修正值，相當于分析師在年度報告后的下一會計年度的每股盈余預測，減去分析師在年度報告前對下一會計年度的每股盈余的預測，然后除以年度報告前下一會計年度分析師對每股盈余預測的絕對值。FY2_EPS是指兩年期的分析師盈利預測修正值，相當于分析師在年度報告后的下兩個會計年度的每股盈余預測，減去分析師在年度報告前對兩個會計年度的每股盈余的預測，然后除以分析師在年度報告前對兩個會計年度每股盈利預測的絕對值。通過在分母中使用絕對值，我們可以確定分析師是向上還是向下修改盈利預測。自變量NR_PS表示每股非經常性損益項目，相當于年度報告中披露的非經常性損益項目除以會計年度末的凈資產。模型中控制以下變量：AS是指資產規模，DA指的是盈余管理水平，G是企業增長，FH代表基金持有比例，PB是市凈率，Rm是指上一年的股票收益波動風險，CHG_EPS是盈利能力的變化，而RPL是經常性損益。

模型（2）通過將非經常性損益項目分解為非經常性收益和非經常性損失，然后驗證分析師對非經常性損益的關注是否對稱，進一步分析非經常性損益項目的價值相關性。

FY1_EPS＼FY2_EPS=α0+α1NEG_NR +α2POS_NR+α3AS+α4DA+α5G+α6FH+α7PB +α8Rm+α9CHG_EPS+α10RPL+ε2（2）

因變量的定義與上述相同，NEG_NR和POS_NR是自變量。NEG_NR是指每股非經常性損失。當每股非經常性損益項目（NR_PS）為負數時，NEG_NR與NR_PS相同，否則NEG_NR為0。POS_NR是指每股非經常性利潤。當每股非經常性損益項目（NR_PS）為正時，POS_NR與NR_PS相同，否則POS_NR為0。控制變量與上述相同。

模型（3）檢驗非經常性損益項目的不同組成部分是否包含不同的信息，這是分析師的盈利預測修正的主要原因。把非經常性損益項目分為三個類別，以檢驗每個類別與分析師的盈利預測修正之間的關系：由于業務范圍變化導致的非經常性損益項目，由于政策變化導致的非經常性損益項目以及其他非經常性損益項目。

FY1_EPS＼FY2_EPS=α0+α1Scope+

α2Govern+α3Other+α4AS+α5DA+α6G+α7FH+α8PB+α9Rm+α10CHG_EPS+α11RPL+ε3（3）

模型（3）以相同的方式定義因變量FY1_EPS和FY2_EPS。自變量Scope是指由于業務范圍的變化而產生的非經常性損益項目，等于非經常性損益項目中第5項，第9項和第12項的總和（1）。Govern代表政府政策產生的非經常性損益項目，等于損益項目2和損益項目3的總和。其他是指其他非經常性損益項目，等于上述未提及的損益項目的總和。控制變量與模型（1）中的控制變量相同。

模型（4）用于檢驗假設2，也就是說，當公司使用非經常性損益項目將損失轉化為收益時，分析師是否可以識別利潤操縱行為，然后調低盈利預測。在模型（4）中，我們在不同尋常的利潤（或損失）和虛擬變量N2P之間添加交互變量以捕獲弱化效應。

FY1_EPS＼FY2_EPS=α0+α1NR_PS +α2N2P+α3NR_PS×N2P+α4AS+α5DA +α6G+α7FH+α8PB+α9Rm+α10CHG_EPS +α11RPL+ε4（4）

模型（4）中因變量的定義與相同。N2P是一個虛擬變量，如果公司只是將負收益轉為正數，則等于1，否則等于零。假設沒有非經常性損益項目公司的凈利潤為負，有非經常性損益項目凈利潤為正，則N2P為1或0。NR_PS表示每股非經常性損益項目，相當于在年報中披露的非經常性損益項目除以財政年度末的凈資產。除N2P之外的所有變量都除以會計年度末的凈資產。控制變量與模型（1）中的控制變量相同。

二、統計結果

（一）描述性統計

通過變量的描述性統計發現，一年期的分析師盈利預測修正值（FY1_EPS）的平均值為-0.284，中位數為-0.013，這意味著分析師的整體盈利預測下調。兩年期的分析師的盈利預測修正值（FY2_EPS）平均值為-0.495，中位數為-0.013，表明分析師的兩年盈利預測也下調。此外，一年期的分析師盈利預測修正值（FY1_EPS）明顯區別于兩年期的分析師的盈利預測修正值（FY2_EPS）。

NR_PS的平均值為0.065，這意味著凈非常利潤為正，占凈資產的6.5%。POS_NR的平均值為0.068，NEG_NR的平均值為-0.002，表明在上市公司中，平均非常收益遠大于平均非常損失。

對于各種非經常性損益項目，Scope的平均值為0.030，這意味著由于業務范圍的變化而導致的非經常性損益項目占3%，而Govern的平均值為0.037，表明政府政策產生的非經常性損益項目占3.74%。在使用非經常性損益項目改變公司收益（從負面到正面，或從正面到負面）的兩種情況中，后者很少發生，而7%的公司使用非經常性損益項目將損失轉化為收益。對于控制變量，DA存在很大差異，這表明上市公司的盈余管理的規模各不相同。其余控制變量的差異很小，表明這些控制變量在樣本中離散程度低。

（二）回歸分析結果

分析假設1的回歸分析結果得知，其中FY1_EPS是分析師的一年盈利預測修正，而FY2_EPS是分析師的兩年盈利預測修正，自變量NR_PS測量每股非經常性收益或損失。在回歸過程中控制異方差性。如果NR_PS的系數為正，那么非經常性損益項目的披露與分析師的盈利預測修正之間存在相關性：即非經常性損益項目包含增量信息，分析師會根據非經常性損益項目做出預測改變。

通過統計假設2的檢驗結果發現，相互作用的系數NR_PS×N2P在一年期中不顯著，但在兩年期中顯著水平為1%。這表明，當公司使用非經常性損益項目將損失轉化為收益時，分析師可以識別這種操縱，然后下調盈利預測，這主要反映在兩年期的盈利預測中。當因變量為FY2_EPS時，NR_PS與NR_PS×N2P的系數之和為負，這表明分析人員將其視為該公司績效不良的信號，如果存在證據表明公司使用非經常性損益項目將損失轉化為收益，則下調盈利預測。

三、結論

本文指出非經常性損益項目包含未來損益的信息，這些信息有助于信息使用者對公司價值的判斷。此外，不同來源的非經常性損益項目提供不同級別的增量信息。全面披露非經常性損益項目可以提高公司財務報告的質量，并幫助資本市場投資者做出決策。只有更好地監管非經常性損益項目的披露，才能更好地改善中國的信息披露制度，遏制管理層的利潤操縱，保護投資者的利益，促進資本市場的健康發展。

注釋：

非經常性損益項目的定義來自中國證券監督管理委員會公告[2008]第43號。損益項目分類編號源自非經常性損益項目的Wind數據庫分類。

參考文獻：

[1]周濤.非經常性損益與盈余管理——來自上海A股證券市場的經驗數據[J].財會通訊（學術版），2008（3）.

[2]賴曉娜.分析師預測誤差與信息選擇的相關性研究——基于LH證券公司研究報告的實證分析[J].會計之友，2011（10）.