分析師預測準確度與企業融資約束

張文文

(中南財經政法大學會計學院，湖北 武漢 430073)

一、引言

融資約束問題一直都是國內外的企業在經營管理過程中會遇到的困擾。 與部分發達國家相比，我國的資本市場發展還不完善，債務融資仍然是企業融資的主要方式。 但債務融資的要求高、程序復雜等特點，也導致了很多企業融資困難，無法滿足企業擴張的需要，甚至是后續資金沒法滿足企業正常經營活動的需要，因此，融資約束問題的存在在一定程度上減緩了企業發展的速度。 所以近年來越來越多的學者開始關注融資約束，思考有哪些因素會導致融資約束以及如何才能進一步緩解融資約束疑難。

我國資本市場發展起步較晚，直到今年也才不過30 余年，這也直接導致我國證券分析師行業起步較晚。 21 世紀以來，金融化的熱潮和政府的一系列政策推動，使得分析師行業在不斷蓬勃發展的同時更加規范專業。 證券分析師一般可以以較低的成本獲取企業的各項信息數據，再依靠自身的專業基礎知識和職業判斷，發布各種預測報告，給更多的外部投資者提出投資的參考意見。 由于證券分析師所出具的預測報告是基于政策規定、行業前景以及企業過去的經濟財務狀況和外來發展潛力等綜合得出的，所以對于普通的個人投資者而言，是很客觀公正的投資參考意見。

從理論上來看，分析師的存在可以在一定程度上建立企業和外部投資者之間的聯系。 外部投資者在所獲得信息有限或專業能力受限的情況下，可以綜合利用分析師的工作成果進行判斷。 分析師的預測報告是否可以緩解企業信息不對稱的程度，外部利益相關者是否可以通過利用分析師的預測報告進行篩選以做出更好的投資決策? 下文將從分析師預測準確度的視角展開討論，討論其可能對企業融資約束產生的影響，并進一步分組討論在不同條件下的作用情況。

二、文獻綜述

完美的資本市場中信息充分流通，利益相關者獲取信息的渠道便捷，無信息成本，所以就不會存在內外部融資約束的問題。 現實資本市場中各方之間的信息不對稱會導致外部的融資成本大于內部融資成本，這也就是融資約束問題。已有文獻認為企業和各方投資者之間的信息不對稱問題導致了企業的融資約束。 影響企業融資約束的因素有很多，如企業規模、盈利能力、內控水平等。 Athey 和Laumas 認為當企業的規模越大時，可選擇的融資渠道越豐富，所受融資約束越輕。 Cull 和Xu 指出盈利能力越強的企業將會擁有更多的結余資金用于擴大生產，償債能力也更強，可以增強外部利益相關者的信心，融資約束更少。 程小可等發現內控水平較高的企業相較于內控有缺陷的企業，融資約束問題更少。 魏志華等發現金融環境越好時，對融資約束的緩解作用越明顯，同時中小企業和民營企業很容易面臨融資約束問題。 姜付秀等發現董事會秘書的財務經歷通過降低內外部信息不對稱的途徑，可以起緩解融資約束的作用。

同時，對于分析師的文獻研究也有很多，但大多與分析師關注和跟蹤有關。 Chang 等則認為分析師關注度越高、信息披露的透明度越高，分析師的報告可以有效降低會計信息的閱讀難度。 方軍雄發現企業的信息披露透明度提高，將會使得分析師預測準確性有所提升。 朱紅軍等表明分析師的數據收集行為可以提高股價的信息含量和我國資本市場的運行效率。 李春濤等認為分析師的跟蹤可以作為監督機制，有效降低企業的盈余管理行為。 周開國等發現媒體的關注度可以有效提高分析師關注度和盈余預測的準確度。 鄭建民等發現分析師的關注可以減少業績預告違規的發生， 特別是在上市公司受監管較弱時表現得更明顯。

三、研究假設的提出

根據已有文獻，分析師可以以成本優勢獲取企業相關信息，并基于自身的專業能力和職業判斷進行盈利預測。 外部投資者通過閱讀分析師報告來進行投資判斷，所以分析師的預測可以緩解企業和外部投資者之間的信息不對稱問題。當分析師的關注度越高時，外部投資者可綜合利用的分析師結果就越多，投資風險降低。 一般當企業所披露的各項信息透明度越高或質量越高時，越能夠吸引分析師的關注，預測的準確性得以保證。 所以，分析師預測準確度越高時，信息透明度越高，越能減輕信息不對稱問題，從而緩解企業融資約束。 綜上所述，文章認為分析師預測準確度可以有效降低企業信息不對稱程度，故提出主要研究假設:

H1:分析師預測準確度可以有效緩解企業的融資約束問題。

我國的企業分為國有企業和非國有企業，其中國有企業一般規模較大，加上國家對其資本擁有所有權或控制權，故在債務融資方面的阻力較小。 國有企業在向銀行進行貸款時，抵押擔保要求更低，程序審批環節少，資本成本相對較低，內外部融資的成本和難度相差不大，融資約束問題不嚴重。 但對于非國有企業而言，外部投資者會對其提出更高的要求，很多企業都會出現融資難、融資貴的情形，融資約束問題也更明顯。 所以本文提出如下研究假設:

H2:相較于國有企業，對非國有企業，分析師預測準確度對企業融資約束問題的緩解作用更明顯。

四、研究設計

(一)樣本選擇和數據來源

為了研究分析師預測準確度與企業融資約束之間的關系，本文選取2012～2019年我國滬深A 股上市公司作為研究樣本。 為保證數據的有效統一，將按照如下標準對樣本進行篩選:①由于金融行業公司較少受到融資約束，故剔除金融行業上市公司樣本；②剔除上市不滿一年的上市公司樣本數據；③剔除ST、*ST 的上市公司樣本數據；④剔除當年分析師預測值小于2 個的樣本數據；⑤剔除關鍵財務數據缺失的樣本數據。 同時，為減少極端值對回歸結果的影響，本文將對連續變量在1% 和99% 的水平上進行縮尾處理。 研究的所有數據均來自CSMAR 數據庫，并使用Stata15.0 進行數據處理和回歸。

(二)變量定義

1.被解釋變量

融資約束(KZ)。 本文直接借鑒Kaplan 和Zingales、魏志華所做研究中的融資約束KZ 指數作為被解釋變量，基于企業經營活動產生的現金凈流量、現金股利、現金持有、資產負債率和托賓Q 值這五個方面來構造的。

KZ 指標的具體構造過程如下:

(1)對所有樣本按照年度對經營活動產生的現金凈流量/ 上期期末總資產、現金股利/ 上期期末總資產、現金持有水平/ 上期期末總資產、資產負債率和托賓Q 值以中位數進行分組。 如果經營活動產生的現金凈流量/ 上期期末總資產處于中位數以下，則kz1 ＝1，否則kz1 ＝0。 如果現金股利/ 上期期末總資產處于中位數以下，則kz2＝1，否則kz2＝0。 如果現金持有水平/ 上期期末總資產處于中位數以下，則kz3 ＝1，否則kz3＝0。 如果資產負債率處于中位數以上，則kz4＝1，否則kz4＝0。 如果托賓Q 值處于中位數以上，則kz5 ＝1，否則kz5＝0。

(2)計算KZ 數值，即KZ＝kz1＋kz2＋kz3＋kz4＋kz5。

(3)使用Ordered Logit 回歸，以計算出來的KZ 指標作為被解釋變量，分別對經營活動產生的現金凈流量/ 上期期末總資產、現金股利/ 上期期末總資產、現金持有水平/ 上期期末總資產、資產負債率和托賓Q 值進行回歸，并對各系數進行估計。

(4)以回歸估計出的系數結構重新構造KZ 指數，KZ 指數越大，表示上市公司遇到的融資約束問題越嚴重。

2.解釋變量

分析師預測準確度(acc)，即采用分析師每股收益預測值的偏差來衡量。 如果在某一年度同一個分析師或分析師團隊對同一家企業出具多次分析師報告的，那么僅保留當年最后一次報告中的每股收益值預測值。 計算過程是每股收益預測值減去每股收益實際值后的絕對值除以每股收益實際值的絕對值，再將計算出的結果分年度分企業取平均值后再取相反數。 acc 取值越大，表明分析師預測準確度越高。

3.控制變量

本文根據已有文獻的研究，設置如下控制變量，包括:①企業規模(Size)，等于企業期末營業收入的自然對數；②企業成長性(Growth)，等于企業期末營業收入減去期初營業收入再除以期初營業收入；③資產負債率(LEV)，等于期末總負債除以期末總資產；④資產有形性(PPE)，等于企業存貨凈額加上固定資產凈額后再除以總資產凈額；⑤總資產利潤率(ROA)，等于企業凈利潤除以期末總資產；⑥賬面市值比(BM)，等于企業資產總計除以市值；⑦股權集中度(Top10)，等于企業前十大股東持股比例乘100。 除了上述的控制變量外，由于不同行業和年份所受融資約束程度具有顯著差異，本文還加入了年度(year)和行業(ind)的虛擬變量。

(三)模型設定

為了檢驗分析師預測準確度是否可以有效降低企業受到的融資約束程度以及緩解作用是否在國企與非國企中有顯著差異，本文將建立如下模型來驗證假設1 和假設2，并控制行業年度固定效應。 如果回歸結果顯著為負，則說明分析師預測準確度可以有效地緩解企業融資約束問題。 模型如下:

五、實證結果與分析

(一)描述性統計

表1 顯示的是本文主要變量的描述性統計結果，總觀測樣本數為10399 個。 融資約束(KZ)的均值為0.82，和中位數結果比較接近，表明樣本間融資約束程度分布較均勻；融資約束(KZ)的最小值是－5.609，最大值是5.074，表明企業之間所受到的融資約束程度差異較大。 分析師預測準確度(acc)的均值和中位數差異較大，表明不同分析師預測每股收益的偏差程度較大。 分析師預測準確度(acc)的最大值為－0.04，這是縮尾后的結果，這表明有的分析師預測的每股收益與實際每股收益值間差異很小。

表1 描述性統計

變量 觀測值 均值 標準差 中位數 最小值 最大值KZ 10399 0.820 2.192 1.093 －5.609 5.074 acc 10399 －1.834 3.071 －0.753 －18.73 －0.040 Size 10399 21.95 1.479 21.78 19.18 26.16 Growth 10399 0.218 0.377 0.143 －0.364 2.376 LEV 10399 0.418 0.197 0.412 0.056 0.846 PPE 10399 0.349 0.175 0.334 0.018 0.772 ROA 10399 0.056 0.045 0.048 －0.064 0.209 BM 10399 0.610 0.248 0.602 0.133 1.150 Top10 10399 61.00 14.09 61.77 27.78 91.72

資產負債率(LEV) 和總資產利潤率(ROA) 的均值結果與中位數相近，這表明公司總體財務狀況分布均勻。 企業成長性(Growth)的最小值為－0.364，最大值為2.376，說明不同企業的營業收入增長水平存在較大差異。 股權集中度(Top10)的均值為61，但最大值和最小值相差過大，表明有的企業的股權集中于少數人手中，但也有股權過度分散的情形。

(二)主回歸結果

表2 為全樣本回歸結果，根據表中第(1) 列的全樣本回歸結果顯示，分析師預測準確度與融資約束的回歸系數顯著為負(系數為－0.027，

p

值＜0.01)，表明了分析師報告的預測準確度對于企業的融資約束有緩解作用。 這表明，當分析師預測的每股收益值與企業實際每股收益值越接近，代表企業信息的透明度會更高，信息不對稱程度降低，從而會緩解企業所遇到的融資約束問題。

表2 分析師預測準確度與企業融資約束回歸結果

注:＜0.01，＜0.05，＜0.1。

變量KZ全樣本(1)國有企業(2)非國有企業(3)acc －0.027***(－6.091)－0.015**(－2.190)－0.033***(－5.725)Size －0.059***(－4.373)－0.075***(－3.760)－0.060***(－3.021)Growth －0.416***(－11.835)－0.865***(－15.063)－0.240***(－5.416)LEV 6.316***(61.272)6.272***(40.695)6.285***(45.406)PPE 1.113***(12.368)0.791***(6.462)1.351***(10.606)ROA －19.553***(－50.192)－17.963***(－27.849)－20.121***(－40.899)BM －1.762***(－21.953)－1.448***(－12.362)－1.908***(－17.553)Top10 －0.012***(－12.449)－0.011***(－7.235)－0.013***(－9.914)年度固定效應 已控制 已控制 已控制行業固定效應 已控制 已控制 已控制N 10399 3551 6848調整R2 0.648 0.676 0.628

表2 中第(2)(3)列是將總樣本拆分為國有企業和非國有企業樣本，表中的結果顯示，分析師預測準確度與融資約束二者之間的關系依然是負向顯著。 但第(3) 列中的系數為－0.033，

p

＜0.01，第(2)列中的系數為－0.015，

p

＜0.05，顯著性不如非國有企業樣本，而且負的程度更低，即緩解作用更小，可以驗證了前文中的假設2。 這表明相較于國有企業，對于非國有企業而言，分析師預測準確度更能有效緩解融資約束，作用更為明顯。

六、結語

本文主要考察分析師預測準確性對企業融資約束問題的影響，研究發現當分析師預測準確度越高時，企業的信息透明度越高，信息不對稱得以緩解，從而減輕了企業的融資約束問題。 相較于國有企業，在非國有企業中，分析師預測準確度能更有效地緩解企業的融資約束。