分析師對創新相關信息的關注能提高預測準確性嗎？

劉璐 洪劍峭

(1.上海師范大學商學院，上海 200234；2.復旦大學管理學院，上海 200433)

一、引言

分析師作為資本市場重要的信息中介，扮演著信息使用者和信息提供者的角色，通過不斷地對公司相關信息進行收集、加工、處理，做出盈利預測和投資建議，并將相關信息以研究報告的形式提供給投資者，成為投資者主要的外部信息來源之一(馬黎珺等，2022)[35]。特別是其中的盈利預測作為分析師綜合分析評價得出的核心結論，得到投資者的高度關注，是投資者進行投資決策的重要依據。因此，分析師盈利預測質量的高低關系著研究報告價值的大小，影響著分析師信息中介作用的有效程度。如何提高分析師的盈利預測質量，促使分析師充分發揮其在信息傳遞、提高資本市場運行效率中的重要作用，也是學者們一直關注和探討的熱點話題。

研究表明，分析師在預測過程中，主要利用公司的公開會計信息(胡奕明等，2003)[30]，但對其他類型的信息如非財務信息的關注度也逐漸增加。Orens and Lybaert(2010)[20]指出，某些非財務信息如研發信息和前瞻性信息與公司未來的盈利能力和市場價值具有一定的相關性，分析師對這類非財務信息進行關注和利用有助于更好地預測公司未來的經營業績和市場表現。Brown et al.(2015)[7]基于對分析師的調查，發現分析師將智力資本信息看作盈利預測最重要的輸入變量之一。Beccalli et al.(2015)[4]、Martens and Sextroh(2021)[17]指出，分析師對作為公司財務信息重要補充的非財務信息較高的獲取和利用程度有助于提高其專業能力，進而提升預測質量和影響力。這些研究在一定程度上證實了非財務信息的重要性，分析師對這類信息進行關注和利用有助于更好地把握公司發展前景和推斷公司未來的盈利情況，從而做出更加準確的預測，提高研究報告的質量。

一方面，創新是企業進步的源泉，是推動企業源源不斷地創造價值、保持市場競爭優勢的不竭動力，關系著企業的生存與長遠發展。這說明創新信息作為重要的非財務信息之一，具有一定的價值相關性，代表了企業的核心競爭力和未來發展潛力，對于預測企業未來經營業績和財務狀況起到了不容忽視的作用(韓鵬和岳園園，2016；程新生等，2020)[27][25]。由此看來，分析師在分析和預測過程中理應關注和利用公司的創新相關信息(Bellstam et al.，2021)[5]，這些信息是分析師對公司相關情況進行分析并對未來業績進行預測的重要依據。例如光大證券的分析師于2019年10月25日對恒瑞醫藥發布的研究報告《恒瑞醫藥(600276)：創新驅動業績逐季加速 吡咯替尼療效進一步驗證》中提到：“考慮到創新藥品種放量超預期，我們上調公司收入預測，同時由于重磅產品正進入臨床后期，研發投入將保持高增長，我們小幅上調19―21年EPS預測……”。可以看出，分析師在對公司的成長能力和發展前景的分析中關注并利用了公司的創新相關信息，在預測過程中考慮到了創新活動對公司未來業績所產生的影響。

另一方面，創新活動具有較高的復雜性和不確定性(Wyatt，2005)[23]，再加上公司財務報告對這類活動的信息承載能力不足(徐欣和唐清泉，2010)[37]，存在較大的信息缺口，分析師獲取和解讀創新相關信息的難度較大(Nguyen and Kecskés，2020)[19]，這對分析師的能力和努力程度提出了更高要求。分析師如果沒有充分地收集和利用創新相關信息，往往無法全面理解創新活動對公司未來盈利情況的影響，容易造成較高的盈利預測誤差，可能會誤導投資者做出錯誤的投資決策，損害投資者利益，甚至可能會擾亂資本市場運行效率，影響實體經濟的持續、高質量發展。相關研究表明，對于創新活動水平較高的公司，分析師盈利預測的難度較大，準確性相對較低(Amir et al.，2003；Gu and Wang，2005)[2][12]。Amir et al.(2003)[2]研究指出，對于研發活動強度較大的公司，分析師能夠在一定程度上彌補公司財務報告的缺陷，但彌補作用有限，特別是當分析師忽視研發活動的重要性、沒有完全理解這一活動的價值時，盈利預測的準確性往往較低。這會對分析師預測結果的質量和研究報告的價值造成負面影響，從而極大地削弱分析師在信息傳遞、改善信息環境、提高資本市場運行效率、促進資源合理配置中所發揮的積極作用。

那么，如果分析師憑借自身的專業能力和信息渠道優勢，對創新相關信息進行深入的挖掘和解讀以及充分的分析和利用，是否能夠改善盈利預測質量，提高預測的準確性？為了回答這一問題，本文利用2012―2020年分析師對我國A股上市公司發布的研究報告，通過對研究報告進行文本分析，發現分析師研究報告中創新相關信息的含量與盈利預測質量之間正相關。特別是當公司的創新活動強度較高、盈余質量較差、信息不對稱較為嚴重時，分析師的創新信息關注和利用對于提高預測準確性、改善預測質量所起到的作用更大。這說明分析師對創新相關信息的關注是通過更為有效地獲取和解讀盈利預測相關的重要信息，從而帶來預測質量的提升。

本文的研究貢獻主要體現在以下方面：第一，豐富了關于分析師盈利預測的文獻。以往的研究主要從分析師個人特征、預測特征以及公司特征等方面考察分析師盈利預測質量的影響因素(Clement，1999；廖明情，2012)[9][34]，本文著眼于分析師的信息使用過程，深入到研究報告信息層面，發現分析師對信息的關注和利用程度與預測質量密切相關，有助于更為深入全面地認識分析師的研究過程，打開分析師信息使用和預測的“黑箱”，深刻理解信息的收集和使用對分析師研究結果的重要影響，為分析師信息中介作用的發揮及其有效性提供了一定的證據。第二，拓展了關于公司創新活動與分析師盈利預測關系的研究。現有文獻大多數將分析師作為一個整體，發現公司的創新活動對分析師的盈利預測準確性會產生負面影響，忽視了分析師對創新相關信息的關注和利用程度存在差異，這種差異影響了分析師的預測質量。本文從分析師報告的視角出發，基于研報中所體現的信息差異，證實了分析師對創新相關信息進行充分的關注和利用有助于提高預測質量，回應了以往文獻對分析師價值的質疑。第三，豐富了非財務信息價值的文獻。相關研究指出，分析師在進行盈利預測時會考慮到非財務信息。然而，分析師對這些非財務信息較高的關注和利用程度的價值何在？文獻對這一問題的回答并不充分，而且大多采用問卷調查或訪談的方法，實證結論較為匱乏。本文利用文本分析的方法，探究了分析師對創新這一非財務信息的關注程度，提供了非財務信息在改善分析師盈利預測質量方面價值的實證證據。本文響應了Palmon and Yezegel(2012)[21]提出的利用文本分析法，對比分析師研究報告內容的差異，判斷分析師信息關注的不同方面和做出業績預測的不同依據，以此來考察非財務信息價值的建議，并為如何提高分析師研究報告的質量、充分發揮分析師在資本市場中的重要作用提供了新的研究視角。第四，本文結論對于分析師的信息關注和利用、投資者的信息理解和判斷、政策制定和監管部門的信息評價和規范具有一定的實踐指導價值。在當前規范和引導資本健康發展、堅持高質量創新驅動高質量發展的時代背景下，本文也在一定程度上為如何提升我國證券研究行業水平、促進分析師信息中介作用有效發揮、提高資本市場運行效率、推動公司創新進而實現高質量發展提供了新思路。

二、文獻回顧與研究假設

圍繞著分析師盈利預測行為的影響因素，學者們展開了大量研究，相應的結論表明，分析師對信息的分析利用能力以及掌握信息的深度和廣度會影響預測的質量。作為分析師的主要信息來源(Schipper，1991)[22]，公開信息的數量和質量直接影響了分析師的預測水平。Hope(2003)[14]的研究表明，公司披露信息質量越高，分析師盈利預測越準確，預測分歧越小。李丹和賈寧(2009)[31]的研究也支持，公司的盈余信息質量與分析師預測誤差和預測分歧負相關。同時，分析師盈利預測的質量也會受到預測任務的難度和復雜程度的影響(Brown et al.，1987)[8]。由于公司的創新活動具有較高的復雜性和不確定性(Wyatt，2005)[23]，分析師對這類活動進行分析和解讀的難度較大，信息收集和處理成本較高(Nguyen and Kecskés，2020)[19]，再加上公司財務報告對這類活動的信息承載能力不足(徐欣和唐清泉，2010)[37]，公司盈余信息含量較小，公開信息的質量較低，導致分析師盈利預測較為困難，預測質量會受到負面影響。Barron et al.(2002)[3]、Amir et al.(2003)[2]、Gu and Wang(2005)[12]都發現，分析師對于研發活動強度較大的公司預測難度較高，導致預測準確性較低。Dinh et al.(2015)[11]進一步提供實證證據證實，研發投入會計處理的復雜性造成了分析師較低的預測質量。Jia(2017)[15]、李哲等(2021)[33]的研究表明，突破式創新提高了分析師信息獲取和解讀的難度，一定程度上會增加預測誤差和分歧。Hill et al.(2019)[13]的研究指出，分析師并沒有理解公司研發活動對未來盈利狀況的影響，導致其預測誤差較大。

此時，公司提高研發和無形資產等創新相關信息的披露水平有助于降低分析師預測的難度和不確定性，從而做出更準確的盈利預測。J o n e s(2007)[16]、Merkley(2014)[18]的研究表明，公司對于研發信息的自愿披露能夠降低分析師盈利預測誤差。Beyhaghi et al.(2022)[6]的研究證實，專利相關信息的披露有助于提高分析師盈利預測的準確性。李巖瓊和姚頤(2020)[32]的研究也支持，公司年報中研發相關文本信息的披露能夠降低分析師預測誤差和分歧。這些研究表明，創新信息作為分析師預測過程中的重要投入要素，會影響分析師預測水平，關系著分析師的預測結果和預測質量。然而，這類研究相對較為匱乏，并且主要關注的是公司相關信息的披露對分析師預測行為的影響。在跟蹤公司自身的公開信息之外，分析師還會通過多種途徑進行信息挖掘，以提高信息獲取水平和分析能力。由此看來，分析師是否對創新相關信息給予了充分關注，并進行了有效的信息收集、利用和解讀仍不得而知，對于分析師關注和利用創新相關信息所能產生的價值仍缺乏足夠的說服力和證據支持。

創新活動會影響公司基本面情況，如銷售收入、費用、收益、現金流等。如果分析師忽視了創新活動對未來盈余的影響，沒有充分關注創新相關信息并納入預測和分析中，將會影響其預測模型參數估計的精確性，進而影響最終盈利預測結果的準確度(Amir et al.，2003；Hill et al.，2019；李巖瓊和姚頤，2020；何雨晴，2021)[2][13][32][28]。具體來說，創新活動具有較高的復雜程度、較大的不確定性和較強的風險，包括未來成功或者失敗的可能性、預期收益的實現程度和取得時間、與之伴隨的內部經營風險的大小等等。無論是創新活動取得成功帶來的收益還是創新活動失敗造成的損失，都可能會對企業的正常發展產生重要影響，未來的盈余狀況也會因此改變。從投入角度看，創新活動具有一定的異質性，其投入也相應地具有獨特性的特征，分析師難以估計后續的投入情況以及判斷投入的合理性。并且，企業對于創新相關支出的會計處理具有一定的主觀性和靈活性，哪些投入能夠資本化，哪些投入要計入費用，也需要分析師結合創新活動的進展以及成功與否的可能性進行估計。這加劇了信息的復雜程度，造成信息處理難度增加，影響分析師對于相關成本費用的預測準確性。從產出角度看，創新產出具有一定的滯后性和不確定性，投入與產出并不完全匹配，增加了分析師的預測和評估難度，影響分析師對于相關收益的預測準確性。

由此看來，分析師需要充分關注和利用創新相關信息，才能準確把握創新活動對公司未來盈余狀況的影響。這對分析師的信息挖掘和解讀工作提出了更高要求，分析師需要具備較高的信息獲取和分析能力，收集更多的信息，進行更為深入全面的分析。此時，分析師除了關注公司報表中的相關定量信息如研發投入水平之外，還需要充分解讀公司披露的其他定性信息如研發周期和進展等。除此之外，分析師還需要考慮多種因素，通過多種途徑進行信息挖掘，并從多種角度進行分析和解讀。例如通過實地調研等方式獲取私有信息，并結合行業信息、公司公告、問詢函信息、新聞媒體信息等多渠道多方式，搜尋與公司創新活動密切相關的有用信息并進行驗證；深入挖掘創新活動背后的詳細信息，例如借助項目計劃書、相關政策支持、支出核算方法和標準、人員配置、項目進展、發展前景和預期等非財務信息，形成更為審慎可靠的判斷。通過對相關信息進行充分的搜集和深入的分析研判，分析師對公司創新活動相關情況能夠形成更為客觀全面的認識，從而提高其對創新活動風險的認知，更為準確地把握公司未來的經營業績，對于相關的收入和成本費用形成更為合理的估計，最終保證預測結果的準確性。

研究報告作為分析師工作成果的主要呈現，其文本內容反映了分析師的預測依據和分析過程。如果分析師對創新相關信息給予了充分關注，進行了深入全面的信息搜集和解讀并將其納入預測和分析過程中，理應會通過研究報告文本中較高的創新信息含量體現出來。根據上述分析，本文可以通過檢驗分析師報告中創新相關信息含量與盈利預測準確性之間的關系，探究分析師對創新相關信息的關注是否能夠起到提高預測質量的效果。由此本文提出如下假設：

H1：分析師研究報告中創新相關信息的含量與盈利預測準確性正相關。

對于創新活動強度較高的公司，一方面，創新相關的非財務信息價值更高，在預測公司未來業績表現中的重要性和有用性更強(Barron et al.，2002)[3]，分析師對這類信息的關注和利用對其預測準確性提高能夠起到更大的作用；另一方面，高強度的創新活動往往會造成更嚴重的信息不對稱，分析師對這類公司的分析和預測難度更大，特別是當分析師沒有充分理解公司創新活動的價值及其對未來盈利情況的影響時，會產生較高的預測誤差(Amir et al.，2003)[2]。在這種情況下，如果分析師對創新相關信息給予了充分關注，進行了有效的收集和利用，在預測過程中全面深入地分析了相關信息對未來盈利情況的影響，那么其預測準確性會顯著提高，預測質量會得到更明顯的改善。因此，本文進一步探究創新活動強度對結果的影響，驗證對于創新活動強度較高的公司，分析師的創新信息關注在提高盈利預測準確性方面的作用是否更大。由此，本文提出如下假設：

H2：對于創新活動強度較大的公司，分析師研究報告中創新相關信息的含量與盈利預測準確性之間的正相關關系更強。

以往的研究表明，分析師對非財務信息的關注程度取決于財務信息的可利用程度(Coram et al.，2011)[10]，與公司的盈余質量和盈余信息含量負相關(Orens and Lybaert，2010)[20]。作為分析師的主要信息來源，公司公開會計信息的數量和質量是分析師盈利預測準確性的重要影響因素(白曉宇，2009)[24]。當公司的公開會計信息數量較少、質量較低時，財務信息的價值較低，對于預測和估值的作用較小；相反，研發投入和無形資產等非財務信息的重要程度更高(Amir and Lev，1996)[1]。分析師僅依靠公開會計信息進行預測的難度較大，誤差較高，需要更多地關注和利用其他渠道和其他類型的信息進行補充，確保預測和分析的質量。此時，公司的非財務信息，如創新相關信息，作為公司公開會計信息的有益補充，在預測過程中的地位更加重要，對于提高預測準確性的作用更大，分析師關注和利用創新相關信息所產生的增量價值相應更高。

此外，公司的信息不對稱程度對于創新相關信息的價值也會產生一定的影響。創新活動的復雜性、不確定性以及財務報告對其信息承載不足，加劇了公司的信息不對稱，特別是在創新活動的專業程度和復雜程度較高、創新項目的專有程度較高以及根據其他信息推斷公司創新情況的難度較大時，信息不對稱更為嚴重(Palmon and Yezegel，2012)[21]。此時，分析師提高努力程度，增加對創新相關信息的關注，獲取更多私有信息以及充分解讀公開信息，有助于深入全面地理解公司創新活動的進展、內在價值和未來收益情況，做出更為合理的分析和預測，從而提升盈利預測的準確性，改善預測質量。

基于上述分析，本文進一步探究公司的信息環境對分析師創新信息關注與盈利預測質量之間關系的影響，驗證是否對于盈余質量較低、信息不對稱程度較高的公司，分析師研究報告中創新相關信息的含量與盈利預測準確性之間的正相關關系更強。由此，本文提出如下假設：

H3：對于信息環境較差，即盈余質量較低、信息不對稱程度較高的公司，分析師研究報告中創新相關信息的含量與盈利預測準確性之間的正相關關系更強。

三、研究設計

(一)樣本選擇與數據來源

本文選取2012―2020年分析師對我國A股上市公司發布的研究報告為樣本，并進行了以下的篩選：(1)剔除當年度新上市的公司樣本；(2)剔除研究報告發布時間在相應預測年度年報發布日及之后日期的樣本；(3)剔除ST類特殊處理公司樣本；(4)刪除金融行業公司樣本；(5)刪除相關數據缺失的樣本；(6)只保留每個分析師當年度對該公司的最后一次預測。具體的樣本篩選步驟如表1所示。經過篩選，最終得到的樣本數量為104646，涉及的公司為3039家，公司-年度觀測值為14627，平均每家公司在每一年度的跟蹤分析師數量為7.15，研報數量為16.87。為了控制極端值對結果的影響，本文對所有連續變量進行了上下1%的縮尾處理。

表1 樣本篩選過程

本文所使用的分析師研究報告文本內容來自于新浪財經和慧博投研平臺，分析師盈利預測數據、券商和分析師相關數據、公司相關數據來自于萬得數據庫(Wind)和中國研究數據服務平臺(CNRDS)，并結合手工搜集進行核對和補充。

(二)分析師研究報告中創新相關信息含量的衡量

參照胡楠等(2018)[29]、張俊瑞等(2022)[42]方法，本文使用“種子詞+Word2Vec相似詞擴充”的方法提取分析師研究報告中的創新相關詞匯，并進行詞頻統計，以此衡量研究報告中創新相關信息的含量。具體包括以下三個步驟：

首先，借鑒以往的文獻(胡楠等，2018)[29]確定創新相關詞匯的種子詞集，以“技術創新、研究、開發、研發、專利、發明”作為創新的種子詞匯。

其次，由于語言的復雜性，對同一概念或者事物可能會存在多種不同的表達方式，因此需要對選取的種子詞進行近義詞的擴充。本文運用Word2Vec神經網絡模型對分析師研究報告文本進行訓練，獲取創新相關詞匯在分析師研究報告語料中的相似詞集。先找出每個種子詞的前200個相似詞，剔除重復詞和相似度較低的詞匯，形成候選詞集。再由兩名專家對候選詞集中的詞匯進行逐一確認和篩選，并對比分析師研究報告文本樣例進行核驗，最終得到373個創新相關詞匯作為本文構建的創新詞庫。表2展示了這一創新詞庫中包含的部分創新相關詞匯。

表2 本文構建的創新詞庫部分詞匯示例

最后，利用Python軟件統計本文構建的創新詞庫中的每個詞匯在每一份分析師研究報告中出現的頻數，所有創新相關詞匯出現的頻數之和與總詞匯數(排除停用詞)之比為該分析師研究報告中創新相關信息的含量。這一數值越大，代表分析師對創新相關信息的關注和利用程度越高，研究報告中包含的創新相關信息越多。

(三)模型設定與變量定義

本文利用模型(1)對假設H1進行回歸檢驗：

Acc為本文的主要被解釋變量——分析師盈利預測的準確性。借鑒楊青等(2019)[40]的研究，本文利用分析師對上市公司最近一期的每股收益預測值與對應年度公司每股收益實際值之間差異的絕對值衡量分析師盈利預測的誤差，并用期初股價進行調整，將這一數值乘以-100，作為分析師盈利預測準確性的代理變量。這一數值越大，代表分析師盈利預測的準確性越高，具體的計算方法如式(2)所示：

其中，FEPSi,j,t為分析師i對上市公司j于t年度發布的最近一期每股收益預測值，EPSj,t為上市公司j在t年度的每股收益實際值，Pj,t-1為上市公司j在t-1年度的期末收盤價。

本文的主要解釋變量為分析師研究報告中創新相關信息的含量(Innw)。根據假設H1，如果分析師研究報告中創新相關信息的含量與分析師盈利預測的準確性正相關，那么模型(1)中自變量Innw的系數α1應該顯著為正。

本文借鑒以往的文獻(楊楠和洪劍峭，2019；楊青等，2019)[39][40]，對分析師個人層面、分析師預測層面、券商層面和公司層面等可能影響分析師盈利預測準確性的因素進行了控制：分析師的公司經驗(Fexq)，即分析師對該公司的首次研究報告與本次研究報告發布時間的月份間隔，并取自然對數；分析師的總體經驗(Gexp)，即分析師的首次研究報告與本次研究報告發布時間的月份間隔，并取自然對數；分析師的專注度(Anacov)，即分析師當年度跟蹤的公司數量，并取自然對數；分析師的預測頻率(Freq)，即分析師當年度對該公司發布的研究報告數量，并取自然對數；分析師的預測范圍(Horizon)，即分析師盈利預測發布日期與對應公司年度報告發布日期的天數間隔，并取自然對數；券商規模(Broker)，即分析師所在券商雇傭的分析師數量，并取自然對數；公司規模(Size)，即公司總市值的自然對數；公司的賬面市值比(Bm)，即公司的權益賬面價值與總市值的比值；公司的盈利能力(Roa)，即公司的總資產報酬率；公司的資產負債率(Lev)，即總負債與總資產的比值；公司年齡(Age)，即公司上市年度與當年度的年份間隔，并取自然對數；公司的研發投入水平(Rd)，即公司的研發費用與總資產的比值；公司年報中創新相關信息的含量(Ino)，即公司年報中創新相關詞匯數占總詞匯數的百分比。此外，本文還控制了行業和年度效應。

對于假設H2和假設H3，本文構建模型(3)進行回歸檢驗：

其中，Intvar為調節變量。對于假設H2，Intvar為創新活動強度(Inten)，參照李巖瓊和姚頤(2020)[32]的研究，利用是否屬于科技密集型企業這一啞變量來衡量(屬于科技密集型企業則賦值為1，否則為0)。具體來說，定義屬于C2(家具、造紙、印刷、石油、化學、醫藥制造業)、C3(金屬、非金屬、設備、汽車、航天、器械、電子制造業)、I(信息傳輸、軟件和信息技術服務業)、M(科學研究和技術服務業)四類行業的公司為科技密集型企業，這類公司創新活動強度較大，創新信息相應更為重要，信息價值也相對更高。其他行業的公司為勞動和資本密集型企業，即非科技密集型企業，這類公司創新活動強度相對較小，創新相關信息對于預測公司未來業績變化的相關性和有用性相對較低。對于假設3，Intvar這一調節變量分別為公司的盈余質量(Nge)和公司的信息不對稱程度(Fdis)。借鑒石桂峰等(2007)[36]、楊楠和洪劍峭(2019)[39]的研究，本文利用非經常性損益占凈利潤的比例衡量公司的盈余質量Nge。非經常性損益的比例越大，表示公司的盈余質量越差，可預測性越低。根據楊楠和洪劍峭(2019)[39]、伊志宏等(2019)[41]的研究，公司的信息不對稱程度越高，分析師盈利預測的分歧越大，因此本文利用分析師預測分歧衡量公司的信息不對稱程度Fdis。具體計算方法為所有分析師當年度對該公司盈利預測的標準差與盈利預測均值的比值。這一數值越大，代表分析師的預測分歧越高，公司的信息不對稱程度越大。

其他變量的定義同模型(1)，這里主要關心的系數為β1。根據假設H2和假設H3，如果對于創新活動強度較大、盈余質量較低、信息不對稱程度較高的公司，分析師研究報告中創新相關信息的含量與盈利預測準確性之間的正相關關系更強，那么模型(3)中交乘項Innw×Intvar的系數β1應該均顯著為正。

表3對上述變量的定義進行了詳細解釋。

表3 變量定義

四、實證結果與分析

(一)描述性統計

表4列示了主要變量的描述性統計結果。被解釋變量分析師盈利預測準確性(Acc)的均值為-1.113。解釋變量分析師研究報告中的創新相關信息含量(Innw)的均值為0.682%，標準差為0.900%，說明分析師研究報告中創新相關信息的含量存在較大差異，這為本文的研究提供了良好的基礎。同時，公司年報中創新相關信息含量(Ino)的均值為0.727%，均值和中位數都高于分析師研究報告中的創新信息含量，而標準差相對較小，說明公司自身的創新相關信息披露與分析師的創新相關信息關注之間存在一定的差異。

表4 變量的描述性統計結果

(二)單變量分析

本文首先利用單變量分析，檢驗給予公司創新相關信息更高關注的分析師發布的盈利預測是否更準確。這里，將分析師研究報告中的創新相關信息含量按照是否高于公司-年度中位數進行分組，考察對于同一家公司而言，不同創新信息關注水平的分析師所發布的盈利預測準確性的差異。表5顯示，在分析師研究報告中創新相關信息含量(Innw)較高的組中，分析師盈利預測準確性的均值為-1.047，而在分析師研究報告中創新相關信息含量較低的組中，盈利預測準確性的均值為-1.159，且兩組的差異在1%水平下顯著，說明給予公司創新相關信息較高關注的分析師盈利預測準確性要顯著高于創新信息較低關注的分析師的預測。單變量檢驗結果初步證實，分析師對創新相關信息的關注和利用程度越高，盈利預測的準確性越高、質量越好。

表5 單變量分析結果

(三)回歸分析

表6報告了模型(1)的回歸結果。第(1)列是只控制了分析師和券商相關變量、沒有控制公司相關變量的回歸結果。解釋變量分析師研究報告中創新相關信息含量(Innw)的系數為0.050，t值為8.31，在1%水平下顯著為正，說明在控制分析師特征、券商特征和分析師預測等因素的影響后，分析師研究報告中的創新相關信息含量與分析師盈利預測準確性正相關，支持了本文假設H1。第(2)列是在第(1)列的基礎上控制了公司相關因素后的回歸結果，在加入所有控制變量后，Innw的系數為0.020，t值為3.40，在1%水平下顯著為正，進一步證明在控制分析師和公司其他因素的影響后，分析師對創新相關信息的關注有助于提高其盈利預測準確性。綜合第(1)(2)列結果，本文的假設H1得到了證實，即分析師研究報告中的創新相關信息含量與盈利預測準確性之間存在正相關關系，分析師對創新相關信息的關注和利用程度越高，盈利預測的質量越好。

表6 模型(1)的回歸結果

表7報告了加入調節變量之后模型(3)的回歸結果。第(1)列顯示，當調節變量(Intvar)為創新活動強度(Inten)時，交乘項Innw×Intvar的系數為0.040，t值為2.69，在1%水平下顯著為正，表明對于科技密集型企業，分析師研究報告中的創新相關信息含量與盈利預測準確性之間的正相關關系更強。這個結果支持了假設H2，即在公司創新活動強度較高的情況下，分析師的創新信息關注對盈利預測質量的提升作用更大。第(2)(3)列的回歸結果顯示，當調節變量(Intvar)為盈余質量(Nge)和信息不對稱程度(Fdis)時，交乘項Innw×Intvar的系數分別為0.056和0.227，均在1%水平下顯著為正，表明對于盈余質量較差、信息不對稱程度較高的公司，分析師研究報告中的創新相關信息含量與盈利預測準確性之間的正相關關系更強。這個結果支持了假設H3，即在信息環境較差的情況下，分析師的創新信息關注對盈利預測質量的提升作用更大。

表7 模型(3)的回歸結果

對于這三個調節變量與分析師盈利預測準確性之間的關系，表7中的結果與之前的研究結論基本相符，即公司的創新活動強度、盈余質量和信息不對稱程度均與分析師盈利預測準確性顯著負相關。這說明在公司創新活動強度較高、盈余質量較差、信息不對稱較為嚴重時，分析師盈利預測的難度較大，從而引起較為嚴重的預測誤差。此時，分析師對創新相關信息充分的關注和利用能在一定程度上緩解這些因素對預測準確性的負面影響，提升其信息掌握程度和分析水平，有效降低預測難度和不確定性，減少預測誤差，進而起到提高預測準確性、改善預測質量的作用。

(四)穩健性檢驗

1.內生性檢驗

由于分析師在進行信息獲取和利用的選擇時會受到某些公司以及自身因素的影響，這些因素可能與分析師盈利預測準確性相關。也就是說，分析師對公司創新相關信息的關注可能會存在自選擇的問題，本文的結果在一定程度上會受到內生性的影響。針對這一問題，本文分別采用兩階段最小二乘法和傾向得分匹配法(PSM)這兩種方法緩解可能存在的內生性問題。

(1)兩階段最小二乘法

借鑒許汝俊等(2021)[38]的研究，選取同行業同年度其他公司的分析師研究報告中創新相關信息含量的均值(Innw_m)作為工具變量。行業內同年度其他公司的分析師研究報告中創新相關信息含量反映了該行業分析師對創新信息關注的整體情況，與分析師對該公司發布的研究報告中創新相關信息含量具有較高的相關性，但與分析師對該公司的盈利預測準確性沒有直接相關關系。

工具變量兩階段回歸的結果如表8第(1)(2)列所示。第(1)列是第一階段回歸結果，工具變量(Innw_m)與分析師研究報告中的創新相關信息含量(Innw)具有顯著正相關關系，相關系數為0.602，證實了這一工具變量的選取是合適的。第(2)列報告了第二階段的回歸結果，分析師研究報告中的創新相關信息含量與分析師盈利預測準確性仍然顯著正相關(Innw的系數為0.211，t值為7.45，在1%水平下顯著為正)，說明在使用工具變量對可能存在的內生性問題進行控制后，本文的主要結果仍成立，一定程度上證明了結果的穩健性。

表8 內生性檢驗結果

(2)傾向得分匹配法(PSM)

將分析師研究報告中創新相關信息含量大小設置為虛擬變量(若Innw大于同一年度同一行業中位數則賦值為1，否則為0)，利用本文的控制變量對其進行Logit回歸，計算出傾向得分。然后根據傾向得分，采用1:1相鄰匹配構建配對樣本。對匹配之后的樣本利用模型(1)進行回歸檢驗，結果如表8第(3)列所示。可以看到，解釋變量Innw的系數依然顯著為正，進一步驗證了本文結果的穩健性。

2.更改解釋變量和被解釋變量的衡量方法

首先，更改被解釋變量分析師盈利預測準確性(Acc)的衡量方法。借鑒管總平和黃文鋒(2012)[26]的方法，用公司實際每股盈余的絕對值對預測誤差進行調整。考慮到每股盈余可能為0，導致盈利預測準確性無法計算，為避免這一原因造成的數據缺失，本文用實際每股盈余的絕對值加0.5進行調整，保證衡量方式的有效性。同樣將這一數值乘以-100，作為分析師盈利預測準確性的替代變量。具體計算方法如式(4)所示，變量的定義同式(2)。

更改被解釋變量衡量方法后的回歸結果如表9第(1)列所示。可以看到，Innw的系數仍然顯著為正，說明被解釋變量分析師盈利預測準確性的衡量方法不會影響本文的主要結果。

表9 更改變量衡量方式以及控制遺漏變量的回歸結果

其次，更改解釋變量分析師研究報告中創新相關信息含量(Innw)的衡量方法。以分析師研究報告的句子為單位，采用分析師研究報告中包含創新相關詞匯的句子占總句子數的比例來衡量分析師研究報告中的創新相關信息含量。更改解釋變量衡量方法后的回歸結果如表9第(2)列所示，Innw的系數仍然顯著為正，說明解釋變量分析師研究報告中的創新相關信息含量的衡量方法不會影響本文的主要結果。

3.控制遺漏變量

本文進一步對可能影響分析師盈利預測質量的其他遺漏變量進行控制，包括發布研究報告的分析師是否是明星分析師的虛擬變量(Star)，該研究報告是否由分析師團隊發布的虛擬變量(Team)，公司當年度的創新成果產出即專利申請數量(Apply)，公司的無形資產比例(Intang)，是否是國有企業的虛擬變量(Soe)，機構投資者持股比例(Inst)，以及分析師跟蹤數量(Analyst)。加入這些控制變量后的回歸結果如表9第(3)列所示，Innw的系數仍然顯著為正，說明本文主要結果受到遺漏變量影響的可能性較小，具有一定的穩健性。

五、結論與啟示

本文利用2012―2020年分析師對我國A股上市公司發布的研究報告，通過文本分析，檢驗分析師的創新相關信息關注對于其盈利預測準確性的影響。研究發現，分析師研究報告中創新相關信息的含量與盈利預測準確性正相關，即分析師對創新相關信息的關注和利用程度越高，盈利預測質量越好。特別是在公司創新活動強度較高、盈余質量較差、信息不對稱程度較大的情況下，分析師的創新相關信息關注和使用對于提高其預測準確性的作用更強。這說明分析師的創新信息關注是通過更充分地獲取和解讀盈利預測相關的有用信息，以及降低預測難度和不確定性，來達到盈利預測質量提升的效果。本文深入到分析師報告文本信息的層面，探究了分析師對公司創新相關信息的關注和利用在提高盈利預測質量中所發揮的重要作用，豐富了分析師盈利預測影響因素的研究；同時，本文也拓展了關于非財務信息價值的研究，從分析師信息使用和提供的角度，為創新這一非財務信息的價值進一步貢獻了有力證據。

本文結論對于分析師、投資者、公司和監管部門也具有一定的啟示意義。首先，從分析師角度，本文的結論證明分析師關注和利用創新相關信息是有價值的，提示分析師在獲取和使用會計信息的同時，也應對創新等非財務信息給予足夠的重視，進行綜合分析和全面解讀，以提高盈利預測的質量和研究報告的價值。其次，從投資者角度，本文的結論提示投資者要不斷提高信息獲取、甄別和吸收能力，結合相關信息對研究報告的內容和結論進行辯證、有效、合理的判斷和利用。再次，對于公司來說，本文的結論啟示公司需要與分析師保持良好的互動和交流，為分析師對公司信息的有效收集和解讀提供便利，從而使其形成關于公司未來經營業績和市場價值的合理預期，助力分析師充分發揮在緩解信息不對稱方面的作用。最后，本文的結論也為政策制定和市場監管部門評價分析師研究報告的質量、規范分析師的信息使用和提供行為、提高其所傳遞信息的價值提供了一定的參考。相關監管部門應充分重視和合理引導分析師對于創新等非財務信息的關注和解讀，從而促進分析師更有效地發揮其在傳遞信息、提高資本市場運行效率方面的重要作用。■