網絡社交媒體意見分歧與分析師預測

DOI：10．19641/j．cnki．42-1290/f．2024．06．016

【摘要】網絡社交媒體被視為資本市場的“傳感器”， 本文利用2011 ～ 2021年我國A股上市公司的數據， 通過挖掘股吧論壇文本信息構建網絡社交媒體意見分歧指標， 研究在意見分歧導致的復雜信息環境下， 分析師是在更大程度上利用“經驗法則”簡化信息， 進而降低預測質量， 還是“逆水行舟”， 進行實地調研以提高其預測準確性。研究發現， 網絡社交媒體意見分歧會引起分析師的關注和持續跟蹤， 分析師也更傾向于“逆水行舟”， 即會增加調研頻率， 積極做出盈余預測修正， 提升其預測準確性。在進一步分析中分別從內在驅動和外在沖擊兩方面考察投資者關注度和2013年最高法《司法解釋》發布對上述關系的調節作用， 探討網絡社交媒體意見分歧對提高分析師預測質量的作用路徑。上述結果表明， 分析師向市場傳遞了增量信息， 進一步佐證了證券分析師“信息中介有用觀”的觀點。

【關鍵詞】網絡社交媒體意見分歧；分析師預測；投資者關注；司法解釋；文本分析

【中圖分類號】 F275；F832.5" " "【文獻標識碼】A" " " 【文章編號】1004-0994（2024）06-0113-10

一、 引言

有效市場假說（EMH）認為， 金融市場的波動取決于新聞、 時事和產品發布， 這些信息都會對公司的股票價值產生重大影響。自2019年以來， 伴隨著“全媒體傳播”輿論格局的建立， 多種輿情傳播的新工具相繼出現。得益于網絡社交媒體的覆蓋性和豐富性， 輿論和話語的方式正在迅速發生變化。例如， 作為股票市場社交媒體的典型例子， 股吧論壇成為股民分享對股票問題認知的完美平臺， 被視為資本市場的“傳感器”。股吧論壇這一媒介具有兩個特點： 一是股吧論壇的參與主體多為未經認證的個人匿名投資者， 個人投資者較容易受到非理性因素的影響， 因此被稱為“情緒型投資者”（林振興，2011）； 二是股吧論壇的帖子內容未經上市公司判斷和審核， 散戶發帖甚至只是單純地為了宣泄情緒或故意為之。基于以上兩個特點， 有學者認為以股吧論壇帖子為代表的網絡社交媒體數據存在一定的不可預測性和模糊性（關靜怡等，2020）。

社會心理學認為， 趨群性是人的本性之一， 網絡群體亦是如此， 人們通過文字等信息來傳遞自己的情緒和態度， 并通過交流等方式對群體內的人產生影響， 所以在網絡社交媒體的推波助瀾下， 意見分歧較容易在群體中蔓延， 從而造成群體的非理性行為。關于意見分歧的研究， Miller（1977）首次提出“投資者意見分歧”這一概念， 其認為當投資者難以預測股價未來的走勢時便容易產生意見分歧。目前已有較多文獻研究了意見分歧在資本市場中帶來的經濟后果， 包括意見分歧與股票交易量（Diether和Scherbina，2002）、 股價崩盤（陳國進和張貽軍，2009）、 過度投資（許致維和李少育，2014）、 IPO異象（Houge等，2001）、 公司治理（李維安等，2012）等之間的相關關系， 但尚未有研究直接研究意見分歧對資本市場中的重要參與者——證券分析師（簡稱“分析師”）的行為會產生何種影響。

從20世紀90年代的“股評家”發展為現代意義上的分析師， 分析師在金融市場上扮演著越來越重要的角色， 其通過搜集、 處理和傳遞信息， 可以提高資本市場上的信息披露水平（廖明情等，2021）。尤其是2021年中共中央辦公廳、 國務院辦公廳印發《建設高標準市場體系行動方案》（簡稱《方案》）， 提出要促進資本市場健康發展， 提升市場專業化服務能力， 健全社會監督機制。作為資本市場上重要的信息中介， 分析師發揮著積極的外部監督作用。分析師的監督渠道有兩種： 一是直接監督， 即通過跟蹤上市公司的財務報表直接與管理層進行溝通； 二是間接監督， 即通過發布研究報告的方式向投資者釋放公有信息和私有信息， 幫助投資者發現管理層的不正當行為。分析師監督可以降低財務報告錯誤概率， 抑制管理層的欺詐行為， 緩解代理問題（Chen等，2016）， 降低代理成本， 提升公司價值； 同時， 還可以提高企業的融資和投資效率（Derrien和Kecskes，2013）， 降低民營企業的盈余管理程度。隨著網絡技術的發展， 投資者的意見分歧容易在群體間擴散， 因此通過討論意見分歧對分析師行為的影響， 研究分析師在面對意見分歧時如何調整自身的盈余預測行為， 對于深入學習和貫徹《方案》思想、 探索分析師的市場作用具有重要的理論和實踐意義。

本文通過股吧論壇數據構建網絡社交媒體意見分歧指標， 對意見分歧和分析師預測行為之間的關系進行檢驗。研究發現， 網絡社交媒體意見分歧越大， 分析師關注度越高。在網絡社交媒體意見分歧導致的復雜市場信息環境下， 分析師更傾向于“逆水行舟”， 對上市公司進行實地調研以提高其預測準確性， 具體表現為分析師預測偏差、 樂觀偏差和分歧度降低， 這一結論符合Hirshleifer（2001）提出的分析師“保守主義”假說。同時， 從內在驅動和外在沖擊看， 投資者關注度和2013年最高法《司法解釋》發布增強了意見分歧和分析師預測質量的關系； 進一步研究發現， 分析師的實地調研行為在網絡社交媒體意見分歧影響分析師預測途徑中發揮著中介作用。

本文首次從新的視角論證了網絡社交媒體意見分歧對分析師盈余預測的影響， 研究貢獻主要體現在以下三個方面： 第一， 本文補充了分析師預測的相關研究。已有關于分析師預測質量的研究主要集中在公司特征或分析師個人特質上， 本文聚焦于熱門輿情信息， 檢驗了分析師對網絡社交媒體的反應程度， 有助于加強分析師利用輿情信息來修正盈余預測的能力， 從而更好地發揮外部監督作用。第二， 本文的結論有助于從分析師調研的視角更好地理解網絡社交媒體意見分歧對分析師預測的影響。本文不局限于單一視角， 結合分析師是傾向于利用“經驗主義”簡化信息， 還是更有可能“逆水行舟”進行實地調研， 客觀分析網絡社交媒體意見分歧影響分析師預測的邏輯。第三， 本文的研究結論具有一定的現實意義。在網絡媒體時代， 信息傳播速度較快， 尤其是股吧論壇這種網絡信息傳播渠道， 其信息蔓延容易導致非理性情緒的爆發。因此， 本文的結論能為監管機構進一步規范治理信息傳播渠道提供一定的現實幫助， 也為優化證券市場上的信息傳播和信息質量提供理論支撐。

二、 理論背景與假設推導

（一） 網絡社交媒體意見分歧與分析師關注度

2021年9月， 摩根大通推出一款包含散戶正在社交媒體中討論哪只股票的數據產品， 自此之后越來越多的基金經理開始使用該數據產品來幫助管理自己的風險。國內同樣存在這種現象， 即股吧論壇上也有機構投資者及分析師的參與和關注。根據筆者對滬深多家券商分析師的調研得知： 分析師在股吧論壇中更多的是關注散戶情緒較高的股票， 梳理市場咨詢， 并對股票進行深入分析， 在對分析師進行采訪時， 分析師表示社交論壇越來越多地被散戶用于交易， 一些散戶投資者利用其人數基數這一優勢推高某一只股票的價格， 關注論壇可以第一時間關注到中小投資者的投資行為， 并及時對散戶行為做出反應。正如華爾街日報報道所稱： “如果你是一名專業投資者， 就不能忽視來自散戶的資金流。這是一個全新的投資者階層， 且這一投資者階層實際上正在把握正確的投資主題。”

近年來， 隨著互聯網技術的發展和“全媒體傳播”輿論格局的建立， 中小投資者對股市的參與度提高， 股吧論壇中除少部分有認證的大V外， 其余多為匿名的個人投資者， 總體來看， 散戶能自由參與到各個話題的討論中， 用戶的發帖率較高。但從有限理性視角來看， 個人投資者整體信息獲取能力偏低， 容易受到媒體和市場情緒的影響， 無法及時對新信息做出反應并將其融入到股價中， 這種認知偏差在中小投資者群體間具有普遍性和系統性， 散戶之間的從眾心理和羊群效應會促使投資者群體之間出現系統性認知偏差（裴平和張誼浩，2004）， 投資者非理性因素會進一步加劇意見分歧， 這使得投資者群體內非理性行為產生和傳播的可能性提高， 進而導致散戶對股價信息含量的認知產生偏差。因此從投資者需求上看， 由于散戶的有限理性行為， 網絡社交媒體意見分歧會導致市場上包含更多噪音信息。限于信息處理和分析能力， 投資者無法有效判斷企業的發展前景， 從而會加大對信息的需求， 其不得不依賴市場上的分析師進行信息的挖掘和解讀（王愛群和王婧怡，2021）。此外， 股吧論壇中存在少量經過認證的大V， 這些大V擁有一定的信息解讀能力， 并將宏觀經濟信息納入自己的決策中， 因此其對股票信息的分析能夠引起市場中投資者和分析師的共同關注。同時， 信息是分析師做出預測決策的重要基礎， 盡可能全面囊括與上市公司相關的信息是分析師進行預測的前提條件（周開國等，2014）， 因此股吧論壇會吸引分析師的關注和跟蹤。基于此， 本文提出第一個假設：

H1： 在一定條件下， 網絡社交媒體意見分歧越大， 分析師關注度越高。

（二） 網絡社交媒體意見分歧與分析師預測質量

從分析師的經驗主義角度看， 如前文所述， 考慮到股吧參與主體多為信息獲取和處理能力較低的中小投資者， 他們更多的是依靠互聯網媒體和技術分析進行決策和投資。當意見分歧較大時， 非理性情緒會在中小投資者群體之間蔓延， 使得投資者的羊群心態更加明顯， 這些因素不僅會推動股價的非理性上漲， 還會使投資者的噪音交易更為頻繁。分析師盈余預測質量取決于其獲得信息的數量和質量， 倘若由于意見分歧導致資本市場上的噪音交易和信息增多， 分析師在進行盈余預測時難以識別市場上錯誤的定價信息， 這無疑增加了分析師獲取公開信息的難度。因此， 對于網絡社交媒體意見分歧大的股票， 分析師很難對市場上公開的信息進行判斷， 從而迫使其基于自身的經驗和擁有的私有信息做出判斷。當分析師面臨復雜的市場環境時， 他們也容易產生樂觀偏差， 積極情緒會誘導分析師更少關注細節， 并在很大程度上依賴直覺來做出快速的判斷（Keshk和Wang，2018）， 從而降低盈余預測準確性。由于分析師的專業能力和經驗預測水平參差不齊， 以及信息的局限性和預測主觀性的增強， 分析師對市場上噪音情緒的識別不盡相同， 再加上此時分析師的私人信息產出減少， 導致其預測樂觀度和分歧度增大。

從分析師的專業性和勤勉度角度來看， 當面臨復雜的市場環境時， 分析師為了滿足投資者對信息需求的增加， 同時出于對自身職業發展的考慮， 傾向于跟蹤預測難度較大的公司（Lehavy等，2011）， 并會更努力地工作（Chen等，2018）。陳勝藍和李占婷（2017）研究發現， 當不確定性程度提升時， 分析師會增加其負向盈余修正的可能性和頻率， 這與Hirshleifer（2001）的研究結論一致， 支持了分析師“保守主義”的假設， 即上市公司信息不確定性程度越高， 分析師的研究報告越保守。一方面， 盈余修正是分析師根據新獲取的信息對以往盈余預測做出的修正判斷， 能夠避免由于時滯帶來的信息失真， 為研究報告使用者提供更為有效和準確的信息（Kothari等，2016）。另一方面， 負向盈余修正有助于對分析師的樂觀傾向進行糾偏， 降低其預測樂觀性， 提高預測準確性。此外， 不同于美國的分析師， 我國的分析師基本都供職于經紀公司旗下的研究機構（Wu等，2018）。分析師所在的經紀公司具有良好的社會關系和資源網絡， 在面對網絡社交媒體意見分歧所造成的市場信息不確定時， 除了分析師個人的努力， 券商為了在這一時段內完成聲譽的積累， 往往也會為分析師提供某種渠道以便其接觸到管理層， 這種私人互動是分析師獲取私人信息的一個重要渠道（Soltes，2014）， 可以降低分析師獲取私人信息的成本和努力程度， 提高分析師的研究治理水平（Brown等，2015）， 這無疑會提高分析師的預測質量。因此， 當網絡社交媒體意見分歧較大時， 市場上噪音信息增多， 投資者對信息的需求增加， 分析師更有動力對上市公司進行調研， 并將通過各種渠道獲取的信息進行分析處理后有效傳遞給投資者， 以滿足投資者的需求， 具體表現為研究報告內容更豐富、 研究報告發布更頻繁以及對其盈余預測進行修正， 提高其預測準確性。

綜合以上分析可知， 網絡社交媒體意見分歧對分析師預測質量的影響取決于分析師處理噪音信息的態度， 即在市場復雜的信息環境下， 分析師是會基于個人經驗簡化信息處理， 還是增加其調研頻率， 更加努力工作以降低市場的信息不確定程度？由于無法確定意見分歧對分析師不同行為影響程度的大小， 難以確定分析師會更依賴“經驗之談”， 導致預測質量降低， 還是會“逆水行舟”， 進行實地調研以提高預測質量。基于此， 本文提出第二個假設：

H2a： 在一定條件下， 網絡社交媒體意見分歧越大， 分析師預測質量越低。

H2b： 在一定條件下， 網絡社交媒體意見分歧越大， 分析師預測質量越高。

三、 研究設計

（一） 數據來源

考慮到網絡社交媒體數據的可獲取性， 以2011 ～ 2021年我國資本市場A股上市公司為研究樣本。本文爬取國內多個股吧論壇數據進行文本分析， 以此構建網絡社交媒體意見分歧指標。借鑒現有國內外研究和CNRDS數據庫， 本文按照“建立詞典→文本信息提取→構建指標”三個步驟構建網絡社交媒體意見分歧指標。第一步， 詞典的建立。本文主要構建了反映投資者關于股票走勢看法的情緒詞典， 在姚加權等（2021）構建的金融領域中文情緒詞典的基礎上， 增加了反映網絡社交媒體的詞語， 如“無良商家”“下跌無極限”“天天砸”“快速跳水”“逐步還魂”“錢多熱門”等。第二步， 輿情文本描述的提取。在網絡社交媒體方面， 本文爬取了影響力較大的股吧論壇， 包括東方財富網、 百度貼吧、 和訊貼吧、 新浪股吧、 搜狐股吧， 這些股吧論壇的發帖量和閱讀量均較大， 具有較強的影響力。本文爬取了足夠多的網站， 通過互補提取盡可能多的研究對象， 并進行格式轉換。第三步， 網絡社交媒體意見分歧指標的構建。本文采用“人工標注+機器學習”的方法對輿情信息的情感進行判斷， 首先人工標注輿情新聞的情感， 然后利用機器學習方法對全部樣本進行分類， 引入監督學習算法支持向量機， 結合建立的詞典中的相關詞匯， 對爬取到的文本信息進行自動識別， 提取表現投資者情緒的詞匯， 對每個帖子的正面、 負面和中性語氣進行判斷， 并統計上市公司在帖子中的正面、 負面和中性信息量。

分析師預測數據、 公司特征和其他控制變量數據來自CSMAR數據庫。為避免極端值的影響， 對所有連續變量進行了上下1%的Winsorize處理。本文按照表1的步驟對數據進行篩選， 最終獲得397839個公司—季度—分析師層面的樣本數據。

（二） 變量衡量

1. 被解釋變量。

（1） 分析師關注度。本文采用分析師跟蹤人數和出具的研究報告數量衡量分析師關注度。參照許年行等（2012）的研究， 采用Ana_i，t表示公司i第t年分析師跟蹤人數的自然對數， Ana_i，t值越大， 表明分析師跟蹤人數越多， 分析師關注度越高。同時， 采用Report_i，t表示分析師出具的研究報告數量， Report_i，t值越大， 表明分析師出具的研究報告數量越多， 分析師關注度越高。

（2） 分析師預測質量。本文采用以下三個變量衡量分析師預測質量：

第一， 分析師預測偏差（Ferror_i，t，j）。參考已有研究（Duru和Reeb，2002； 褚劍等，2019）， 分析師預測偏差（Ferror_i，t，j）的計算公式如下：

Ferror_i，t，j=|FEPS_i，t，j-MEPS_i，t，j|/P_i，t （1）

其中： FEPS_i，t，j表示公司i第t個季度第j位分析師每股盈余收益預測值， 如果分析師在一個季度內對同一家上市公司有多個盈余預測估計值， 那么本文取最后一次預測值評估該變量； MEPS_i，t，j表示公司i第t個季度的實際每股盈余收益； P_i，t為公司i在第t個季度初的股價。Ferror_i，t，j的值越小， 表明分析師盈余預測偏離上市公司實際水平的程度越低， 盈余預測質量越高。

第二， 分析師樂觀偏差（Fopti_，t，j）。借鑒已有研究（Jackson，2005）， 本文采取以下公式衡量分析師樂觀偏差（Fopt_i，t，j）：

Fopt_i，t，j=（FEPS_i，t，j-MEPS_i，t，j）/P_i，t （2）

其中， FEPS_i，t，j、 MEPS_i，t，j、 P_i，t定義與前文一致。通常分析師對公司的預測值大于其實際每股盈余， 即Fopt_i，t，jgt;0。Fopt_i，t，j的值越大， 說明分析師的樂觀偏差程度越嚴重， 盈余預測質量越差。

第三， 分析師預測分歧度（Fdisp_i，t，j）。參照現有研究（褚劍等，2019）， 本文采取以下方式來構建分析師預測分歧度（Fdisp_i，t，j）指標：

其中， FEPS_i，t，j、 P_i，t與前文定義一致， mean（FEPS_i，t，j）表示t季度內分析師盈余預測平均值。Fdisp_i，t，j的值越小， 表明分析師對同一上市公司的盈余預測分歧越小， 盈余預測質量越高。

2. 解釋變量。參考已有研究（Antweiler和Frank，2004； 林振興，2011）， 本文采取以下方式衡量網絡社交媒體意見分歧（Social_Media_i，t）：

本文將第ti日股吧中針對公司i的正面帖子量記為Pospostnum_i，ti， 負面帖子量記為Negpostnum_i，ti， Social_Media_i，ti的取值范圍是［0，1］。因為一個季度內有多次意見分歧的數據， 為初步減少內生性問題， 本文選取季度內分析師做出盈余預測日期前的意見分歧平均值進行計算， 將計算后的數值記為Social_Media_i，t， 該值越大說明股吧意見分歧越大， 即網絡社交媒體意見分歧程度越高。

3. 控制變量。參考以往相關文獻， 本文選取以下變量作為控制變量： 業績波動（Vsales_i，t）、 資產負債率（Lev_i，t）、 盈利能力（ROE_i，t）、 公司成長性（MB_i，t）、 上市年齡（Age_i，t）、 股權性質（SOE_i，t）、 預測期限（Horizon_i，t）、 股權集中度（Top10_i，t）、 兩職合一（Dual_i，t）、 公司規模（Size_i，t）。此外， 模型中還加入了年份虛擬變量和行業虛擬變量。

變量定義如表2所示。

（三） 實證模型

針對H1， 本文設定以下實證模型加以檢驗：

Analyst_i，t=α+β₁Social_Media_i，t+∑β_j×Control+Year+Industry+ε_i，t （5）

在模型設定中， 本文使用Analyst_i，t來替代分析師關注度， 進行假設檢驗時分別將Ana_i，t、 Report_i，t代入。

針對H2， 本文設定以下實證模型加以檢驗：

Analyst behavior_i，t，j=α+β₁Social_Media_i，t+∑β_j×Control+Year+Industry+ε_i，t" （6）

在模型設定中， 本文使用Analyst behavior_i，t，j來替代分析師預測質量， 進行假設檢驗時分別將Ferror_i，t，j、 Fopt_i，t，j、 Fdisp_i，t，j代入。

四、 實證結果分析

（一） 描述性統計

表3顯示了主要變量的描述性統計結果。其中分析師預測偏差、 樂觀偏差和預測分歧度的均值分別為0.012、 0.008和0.004， 說明不同分析師對上市公司的預測存在一定的分歧度。網絡社交媒體意見分歧的均值為0.515， 說明中小投資者之間的意見分歧程度較高， 符合本文的預期。在樣本上市公司中， 分析師跟蹤人數和出具的研究報告數量的均值分別為2.051和2.488， 標準差分別為0.959和1.229， 說明不同上市公司對分析師的吸引程度不同， 分析師的關注具有集群效應。

（二） 回歸結果分析

表4第（1）、 （2）列展示了網絡社交媒體意見分歧對分析師關注度的影響程度。第（1）列中因變量為分析師跟蹤人數， 網絡社交媒體意見分歧的系數為0.8347（t=5.17，plt;0.01）； 第（2）列中因變量為分析師出具的研究報告數量， 網絡社交媒體意見分歧的系數為1.0565（t=4.06，plt;0.01）。這說明網絡社交媒體意見分歧程度越高， 分析師跟蹤人數和出具的研究報告數量越多， 即網絡社交媒體意見分歧越大， 分析師關注度越高， 回歸結果支持H1。

表4第（3） ～ （5）列報告了網絡社交媒體意見分歧與分析師預測偏差、 樂觀偏差和預測分歧度的回歸結果。結果顯示， 網絡社交媒體意見分歧與分析師預測偏差、 樂觀偏差和預測分歧度均呈顯著的負相關關系， 回歸系數分別為-0.0050（t=-8.06，plt;0.01）、-0.0073（t=-6.11，plt;0.01）、 -0.0026（t=-8.97，plt;0.01）， 表明網絡社交媒體意見分歧越大， 分析師越有可能“逆水行舟”， 增加其他實質性活動， 如實地調研等（后續加以驗證）， 以提高其預測準確性， 回歸結果支持H2b。

五、 進一步分析

（一） 內在驅動——投資者關注度的調節作用

投資者注意力對金融市場的投資決策有重大影響， 投資者有限注意力假說最早由Kahneman（1973）提出， 他認為注意力是一種稀缺資源， 投資者的注意力是有限的， 有限的投資者注意力會影響資本市場活動。投資者只有在關注股票時才會對信息做出過度反應， 更有可能將某只股票納入其投資組合并交易該股票， 且注意力影響的是投資者的買入行為而不是賣出行為（Barber和Odean，2008）。當市場上網絡社交媒體意見分歧較大時， 投資者的關注會進一步放大分歧的市場后果效應。一方面， 更高的投資者關注度意味著散戶更積極地參與市場交易， 當投資者關注某只股票時， 他們會對該股票產生樂觀情緒（Da等，2011）。另一方面， 已有研究發現， 投資者關注度對股票流動性有顯著正向影響， 從而導致公司日收益的增加。根據價格壓力假說， 高關注度會推動中小投資者的買入行為， 形成“凈買入效應”（Barber和Odean，2008）。投資者的關注會進一步提高由于意見分歧導致的股票價格偏離價值的程度， 噪音信息的增多進一步增加了投資者對信息的需求。由于市場上噪音信息的增加， 出于職業聲譽和薪酬激勵的考慮， 分析師更有可能增加其調研頻率以試圖挖掘出更多有價值的信息， 信息處理速度加快， 預測行為更為謹慎， 并傾向于做出盈余預測修正， 利用信息更正自身的盈余預測， 減少預測樂觀性并提高其準確性。因此， 本文預計投資者關注度能夠強化網絡社交媒體意見分歧對分析師預測質量的影響。

對此， 本文借鑒Da等（2011）的研究， 使用上市公司網絡搜索指數來衡量投資者關注度（Attention_i，t）， 具體來說， 選取第t日對股票代碼i的搜索值衡量， 并對搜索值進行對數處理。

表5第（1） ～ （3）列報告了網絡社交媒體意見分歧和分析師預測質量在不同投資者關注調節下的回歸結果。第（1）列結果顯示， 交互項Social_Media×Attention的系數為-0.0010（t=-8.45，plt;0.01）， 第（2）、 （3）列結果顯示， 交互項Social_Media×Attention的系數分別為-0.0011（t=-6.89，plt;0.01）和-0.0002（t=-6.95，plt;0.01）， 結合表4的回歸結果可知， 在投資者關注度較高的上市公司中， 網絡社交媒體意見分歧對分析師預測質量的影響更強烈。

（二） 外在沖擊——《司法解釋》的調節作用

2013年9月， 最高人民法院頒布《最高人民法院、 最高人民檢察院關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》（簡稱《司法解釋》）， 自此互聯網言論得到立法監管， 任何在網絡上造謠和誹謗的行為負責人都可能面臨重大的責任。《司法解釋》第二條中將“同一誹謗信息實際被點擊、 瀏覽次數達到五千次以上， 或者被轉發次數達到五百次以上的”認定為“情節嚴重”。這一監管政策實施后， 股吧論壇用戶在發帖時更為謹慎， 肆意發布虛假信息的可能性降低， 即這一監管條例促使股民傳播更多有理有據、 真實可靠的信息（孫鯤鵬等，2020）， 因此股吧中的意見分歧應該較之前更真實地反映了投資者對某股票的實際看法。假如意見分歧確實會影響分析師的盈余預測行為， 那么在意見分歧更大程度地反映投資者看法后， 分析師更能“對癥下藥”， 更聚焦于投資者關注的領域， 針對意見分歧進行調研以搜集和處理信息， 使得網絡社交媒體意見分歧和分析師預測質量之間的關系有所增強。而如果散戶之間的意見分歧是由于公司自身信息披露和特有環境引起的， 則兩者的關系在《司法解釋》頒布前后應該沒有顯著差異。

對此， 本文構建政策虛擬變量（Policy）， 對2013年9月之前的季度賦值為0， 對2013年9月份之后的季度賦值為1， 同時構建網絡社交媒體意見分歧和政策的交乘項（Social_Media×Policy）進行回歸。

表5第（4） ～ （6）列報告了《司法解釋》發布在網絡社交媒體意見分歧與分析師預測質量關系間調節作用的結果。在第（4）列中， Social_Media的系數為-0.0010（t=-1.69，plt;0.1）， 交乘項Social_Media×Policy的回歸系數為-0.0208（t=-7.09，plt;0.01）； 在第（5）列和第（6）列中， Social_Media的系數分別為-0.0026（t=-4.07，plt;0.01）和-0.0022（t=-5.76，plt;0.01）， 交互項Social_Media×Policy的回歸系數分別為-0.0245（t=-8.78，plt;0.01）和-0.0020（t=-7.85，plt;0.01）。在引入《司法解釋》之后， Social_Media×Policy的系數均在1%的水平上顯著為負， 結合前文的假設檢驗結果可知， 在引入《司法解釋》這一政策后， 網絡社交媒體意見分歧對分析師預測質量的影響更顯著。

（三） 中介機制分析

前文的假設檢驗支持H2b， 即網絡社交媒體意見分歧越大， 分析師預測質量越高。在上文的理論推導中， 本文的假設提出遵循這樣一個路徑： 由于資本市場上中小投資者不成熟、 不理性， 總體上表現出有限理性特征。在股吧論壇中， 散戶傾向于點擊與自己意見一致或點擊量較高的帖子， 當意見分歧較嚴重時帖子的兩極分化程度更高。同時， 由于散戶之間的“達克效應”， 過度自信導致非理性因素在投資者群體之間蔓延， 致使散戶“處置效應”交易更頻繁。當意見分歧程度較高時， 散戶之間產生情緒傳染和非理性行為的可能性較大， 無法有效掌握與上市公司相關的發展信息， 進而增加了對信息的需求。分析師為了滿足投資者的需求， 需要校正市場上的非理性行為以實現職業聲譽的積累， 其會通過更多渠道對上市公司進行調研， 與管理層進行溝通以獲取私人信息， 對其盈余預測公告進行負向修正， 更為努力地工作以更有效地傳達信息， 進而提高其預測準確性。那么， 分析師的調研行為是否是網絡社交媒體意見分歧影響分析師預測質量的內在機制呢？本文將驗證這一問題。

采用公式（7）和公式（8）來檢驗分析師調研行為在網絡社交媒體意見分歧對分析師預測質量影響過程中所發揮的中介作用， 如下所示：

Visit_i，t=α+β₁Social_Media_i，t+∑β_j×Control+Year+Industry+ε_i，t （7）

Analyst behavior_i，t，j=α+β₁Social_Media_i，t+Visit_i，t+∑β_j×Control+Year+Industry+ε_i，t" "（8）

其中， Visit_i，t表示分析師調研行為， 借鑒已有研究， 由于在對上市公司的實地調研過程中， 存在同家券商多位分析師參與調研， 以及多家券商共同參與調研的情況， 本文從券商層面計量分析師的實地調研行為， 當該季度內分析師所在的券商公司有實地調研行為時， Visit_i，t取值為1， 否則取值為0， 其余變量與前文定義一致。

表6報告了分析師調研行為在網絡社交媒體意見分歧與分析師預測質量之間發揮的中介作用。第（1）列中被解釋變量為分析師調研行為， 網絡社交媒體意見分歧的系數為0.0217（t=6.87，plt;0.01）， 表明網絡社交媒體意見分歧越大， 分析師越有可能參與實地調研。在第（2） ～ （4）列中同時考慮中介變量和解釋變量， 中介變量分析師調研行為的系數顯著為負， 網絡社交媒體意見分歧的回歸系數小于原回歸系數， 說明分析師調研表現出部分中介效應， 中介效應程度分別為10.62%、 2.68%和21.48%。

六、 穩健性檢驗

（一） 更換變量衡量方式

1. 更換分析師預測質量衡量方式。參考褚劍等（2019）的研究， 當分析師在一個季度內存在多次盈余預測時， 本文將計算其平均值重新衡量分析師預測偏差（Ferror_M_i，t，j）和樂觀偏差（Fopt_M_i，t，j）； 同時， 選用分析師盈余預測的中位數［median（FEPS_i，t，j）］構建分析師預測分歧度（Fdisp_M_i，t，j）指標。將以上指標分別代入模型（2）重新進行回歸， 根據表7的回歸結果， 第（1） ～ （3）列中網絡社交媒體意見分歧的回歸系數分別為-0.0049（t=-7.81，plt;0.01）、 -0.0072（t=-8.85，plt;0.01）和-0.0024（t=-6.33，plt;0.01）， 表明網絡社交媒體意見分歧降低了分析師預測偏差、 樂觀偏差和預測分歧度， 綜合來看網絡社交媒體意見分歧的系數符號與表4相比沒有發生變化， 即主要結論沒有發生大的變化。

2. 更換分析師預測質量的標準化方式。借鑒張超等（2021）的研究， 本文對被解釋變量采用除以公司i第t季度的每股凈資產代替除以股價來標準化衡量分析師預測質量， 新的指標分別記為Ferror_N_i，t，j、 Fopt_N_i，t，j、 Fdisp_N_i，t，j。將以上指標分別代入模型（2）重新進行回歸， 由表8第（1） ～ （3）列可知， 網絡社交媒體意見分歧的回歸系數分別為-0.0192（t=-9.55，plt;0.01）、 -0.0285（t=-5.21，plt;0.01）和-0.0083（t=-6.67，plt;0.01）， 說明網絡社交媒體意見分歧越大， 分析師預測偏差、 樂觀偏差和預測分歧度越低， 與主回歸相比， 該結果沒有發生顯著性變化， 說明本文的結論依舊穩健。

3. 更換分析師預測偏差的計量方法。借鑒Malloy（2005）的研究， 本文采用相對精度的方法衡量分析師預測偏差（Ferror_F_i，t，j）， 如下所示：

Ferror_F_i，t，j=|FEPS_i，t，j-mean（FEPS_i，t）| （9）

其中， mean（FEPS_i，t）表示第t季度內所有的分析師對上市公司i盈余預測的平均值。

將以上指標代入公式（6）重新進行回歸， 表8第（4）列報告了回歸結果。Social_Media的回歸系數為-0.0550（t=-7.43，plt;0.01）， 表明網絡社交媒體意見分歧越大， 分析師預測偏差越低， 本文的主要結論沒有發生變化。

4. 更換投資者關注度的衡量方式。采用以股票代碼、 公司簡稱、 公司全稱等為關鍵字的搜索值加總為投資者關注度的衡量方式， 同前文一致， 對搜索總值進行對數處理， 該值越大說明投資者關注度越高。表9報告了網絡社交媒體意見分歧與分析師預測質量在投資者關注度調節下的回歸結果。第（1） ～ （3）列的回歸結果顯示，交互項Social_Media×Attention_A的回歸系數分別為-0.0007（t=-7.94，plt;0.01）、 -0.0009（t=-7.78，plt;0.01）和-0.0001（t=-8.27，plt;0.01）。總體來看， 在更換投資者關注度的衡量方式后， 其結果與表5相比沒有發生顯著變化， 投資者關注度顯著增強了網絡社交媒體意見分歧與分析師預測質量之間的關系， 主要結論沒有發生變化。

（二） 工具變量法

分析師是證券市場上重要的信息中介， 已有文獻也支持投資者會使用分析師研究報告中的定性和定量信息來調整自身的投資決策計劃這一結論（廖明情等，2018）， 因此本文的研究可能存在雙向因果的問題。參考李思龍等（2018）的研究， 在每一個樣本期間選擇同行業其他公司網絡社交媒體意見分歧的平均數（Social_Media_ind）作為本公司意見分歧的工具變量。因為同行業中其他公司的輿情信息會影響到投資者對本公司的看法， 但尚未有研究發現同行業中對其他公司股價走勢的討論會影響到分析師對目標公司做出的盈余預測， 因此該變量滿足相關性和外生性的要求。本文采用兩階段回歸法（2SLS）對假設進行檢驗。

表10報告了工具變量法的回歸結果。從第一階段回歸結果來看， 工具變量Social_Media_ind的回歸系數為0.4466， 且在1%的水平上顯著。從第二階段的回歸結果來看， 擬合的網絡社交媒體意見分歧的回歸系數仍然在1%的水平上顯著為負， 分別為-0.0180、 -0.0031和-0.0040， 說明網絡社交媒體意見分歧對分析師預測質量的影響在考慮了內生性后仍然顯著。總體來看， 使用工具變量法回歸后， 本文的研究結論仍然穩健。

（三） Heckman兩階段回歸法

考慮到潛在的樣本選擇偏差， 即由于并非所有的上市公司都有分析師跟蹤并做出盈余預測， 對于沒有分析師跟蹤的上市公司， 本文并未檢驗到網絡社交媒體意見分歧對于分析師預測質量的影響， 因此本文的實證結果可能存在樣本選擇偏差。參考Heckman（1979）的研究， 用Heckman二階段模型解決由于樣本選擇偏差引起的內生性問題。

首先， 本文重新命名一個新的被解釋變量， 即企業是否存在分析師跟蹤（Ananum）， 在第一階段計算逆米爾斯比率（IMR）， 設定以下二元選擇模型計算：

Pr（Ananum）=β₀+β1Turnover+β₂Groupretvol+β₃Incvol+β₄Lev+β₅MB+β₆ROA+β₇Size+Year+Industry+ε （10）

借鑒Miller（1977）、 Garfinkel（2009）的研究， 本文選擇換手率（Turnover）、 股票超額收益的波動率（Groupretvol）、 歷史盈余波動率（Incvol）、 財務杠桿（Lev）、 賬面市值比（MB）、 盈利能力（ROA）、 公司規模（Size）加入公式（10）， 同時控制年份（Year）和行業（Industry）變量。

其次， 在第二階段中， 將第一階段得出的逆米爾斯比率置入公式（6）中進行回歸， 同時控制年份和行業變量， 結果如表11所示。

表11第（1） ～ （3）列報告了Heckman兩階段回歸中第二階段的回歸結果， 可以看到逆米爾斯比率的系數顯著， 說明存在樣本自選擇導致的內生性問題。同時在置入逆米爾斯比率之后， 網絡社交媒體意見分歧的系數符號與主回歸保持一致且顯著， 說明在控制樣本自選擇這一內生性問題后， 本文的研究結果沒有發生顯著變化， 具有較強的穩健性。

（四） PSM回歸

網絡社交媒體意見分歧的產生可能是由于存在公司特征的差異所導致的， 因此本文選擇傾向得分匹配（PSM）來解決可能存在的自選擇問題。將網絡社交媒體意見分歧劃分為高—低兩組， 其中意見分歧低組為目標組。在網絡社交媒體意見分歧高組中， 選擇與目標組特征相似的上市公司作為對照組。傾向得分匹配的回歸結果如表11第（4） ～ （6）列所示， 網絡社交媒體意見分歧的回歸系數分別為-0.0048（t=-7.34，plt;0.01）、 -0.0068（t=-9.45，plt;0.01）和-0.0027（t=-8.03，plt;0.01）， 可見在解決樣本可能存在的自選擇問題后， 網絡社交媒體意見分歧的回歸系數依然顯著為負， 表明網絡社交媒體意見分歧對分析師預測偏差、 樂觀偏差和預測分歧度會產生負向影響， 即網絡社交媒體意見分歧會提高分析師預測質量的研究結論仍然沒有發生實質性變化。

（五） 遺漏變量偏誤

本文的另一個重要內生性問題是遺漏變量偏誤。產業政策是由國家制定的， 對國家資源配置具有導向作用， 有產業政策支持的行業會受到投資者和分析師的關注， 所以產業政策既是網絡社交媒體意見分歧的影響因素， 又是影響分析師預測質量的因素。對此， 本文繼續控制產業政策的干擾， 構造IP指標來衡量該行業是否受產業支持， 變量衡量方式如下： 若該行業在“十二五”規劃中未被支持， 而在“十三五”規劃中被提及（包括鼓勵和重點鼓勵）， 則該行業在2016年及以后年份賦值為1。

表12匯報了將產業政策進行控制后的估計結果。在第（1） ～ （3）列中， 網絡社交媒體分歧的回歸系數分別為-0.0050（t=-8.12，plt;0.01）、 -0.0073（t=-8.05，plt;0.01）和-0.0026（t=-6.00，plt;0.01）， 仍然在1%的水平上顯著， 表明前文的回歸結果具有一定的穩健性。

七、 研究結論與啟示

隨著信息社會的發展和全媒體傳播體系的建設， 股吧等網絡社交媒體傳播工具對資本市場行為的影響力逐漸增強。本文利用2011 ～ 2021年我國A股上市公司的數據， 實證檢驗網絡社交媒體意見分歧是否會對資本市場的信息中介——分析師產生影響。研究發現： 網絡社交媒體意見分歧會引起分析師的關注和持續跟蹤， 分析師也更傾向于“逆水行舟”， 即會增加其調研頻率， 積極做出盈余預測修正， 提升其預測準確性。同時， 本文分別從內在驅動和外在沖擊兩方面考察投資者關注度和2013年最高法《司法解釋》發布對上述關系的調節作用， 探討了網絡社交媒體意見分歧對分析師預測質量的作用路徑。結果表明， 分析師向市場傳遞了增量信息， 進一步佐證了分析師“信息中介有用觀”的觀點。本文通過了一系列穩健性檢驗和內生性檢驗， 包括更換變量衡量方式、 解決遺漏變量偏誤、 工具變量法、 Heckman兩階段回歸法、 PSM回歸， 表明研究結論具有一定的穩健性。

在理論層面， 本文的研究在引入網絡社交媒體這一重要視角后， 進一步拓展了意見分歧和分析師行為的研究成果。在實踐層面， 我國正處在一個輿情媒介快速發展并產生經濟后果的時期， 全媒體時代的到來既是機遇也是挑戰。它一方面加快了信息傳播速度、 降低了信息傳播成本， 使市場參與者能以較少的時間和較低的成本獲取信息進行決策； 但另一方面， 也加快了非理性情緒在群體間的傳播速度， 容易引起群體情緒崩潰并增加市場風險。另外， 《建設高標準市場體系行動方案》倡導建立健全的外部監督機制， 分析師作為資本市場上重要的外部監督者， 研究網絡社交媒體信息的傳播和表現形態對分析師的影響， 對于促進分析師發揮其信息中介作用和資本市場健康發展具有重要作用。因此， 在目前的全媒體傳播環境中， 深入全面研究全媒體時代遇到的機遇和挑戰， 維護良好的資本市場信息環境， 引導網絡信息的發展方向， 對于更好地發揮分析師的作用， 以及推動媒體、 金融市場朝著正確方向融合具有重要意義。

【 主 要 參 考 文 獻 】

陳國進，張貽軍．異質信念、賣空限制與我國股市的暴跌現象研究［ J］．金融研究，2009（4）：80 ～ 91．

陳勝藍，李占婷．經濟政策不確定性與分析師盈余預測修正［ J］．世界經濟，2017（7）：169 ～ 192．

褚劍，秦璇，方軍雄．中國式融資融券制度安排與分析師盈利預測樂觀偏差［ J］．管理世界，2019（1）：151 ～ 166+228．

關靜怡，朱恒，劉娥平．股吧評論、分析師跟蹤與股價崩潰風險——關于模糊信息的信息含量分析［ J］．證券市場導報，2020（3）：58 ～ 68．

李思龍，金德環，李巖．網絡社交媒體提升了股票市場流動性嗎？——基于投資者互動視角的研究［ J］．金融論壇，2018（7）：35 ～ 49+63．

李維安，張立黨，張蘇．公司治理、投資者異質信念與股票投資風險——基于中國上市公司的實證研究［ J］．南開管理評論，2012（6）：135 ～ 146．

廖明情，鄧路，宋順林．內部“軍師”和外部“謀士”誰更重要——基于基金公司內部數據的經驗證據［ J］．南開管理評論，2018（3）：191 ～ 202+224．

廖明情，孫繼欣，鄧路．社會關系在分析師調研過程中的作用——基于利益沖突和信息優勢的視角［ J］．南開管理評論，2021（1）：148 ～ 158+192 ～ 193．

林振興．網絡討論、投資者情緒與IPO抑價［ J］．山西財經大學學報，2011（2）：23 ～ 29．

裴平，張誼浩．中國股票投資者認知偏差的實證檢驗［ J］．管理世界，2004（12）：12 ～ 22．

孫鯤鵬，王丹，肖星．互聯網信息環境整治與社交媒體的公司治理作用［ J］．管理世界，2020（7）：106 ～ 132．

王愛群，王婧怡．投資者情緒對分析師盈余預測行為的影響研究［ J］．社會科學戰線，2021（1）：245 ～ 249．

許年行，江軒宇，伊志宏等．分析師利益沖突、樂觀偏差與股價崩盤風險［ J］．經濟研究，2012（7）：127 ～ 140．

許致維，李少育．投資者異質信念、股權融資現金流與企業過度投資——來自中國A股的經驗證據［ J］．財經研究，2014（7）：86 ～ 96．

姚加權，馮緒，王贊鈞等．語調、情緒及市場影響：基于金融情緒詞典［ J］．管理科學學報，2021（5）：26 ～ 46．

張超，伍燕然，蘇凇等．有限套利、投資者情緒與分析師盈利預測精度［ J］．外國經濟與管理，2021（12）：118 ～ 134．

周開國，應千偉，陳曉嫻．媒體關注度、分析師關注度與盈余預測準確度［ J］．金融研究，2014（2）：139 ～ 152．

Barber B. M.， Odean T.. All That Glitters：The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors［ J］． Review of Financial Studies，2008（2）：785 ～ 818．

Brown L. D.， Call A. C.， Clement M. B.， et al.. Inside the \"Black Box\" of Sell-side Financial Analysts［ J］． Journal of Accounting Research，2015（1）：1 ～ 47．

Chen J.， Douglas C.， Hou W.， et al.. Does the External Monitoring Effect of Financial Analysts Deter Corporate Fraud in China？［ J］． Journal of Business Ethics，2016（4）：727～742．

Chen Y.， Chen D.， Wang W.， et al.. Political Uncertainty and Firms' Information Environment：Evidence from China［ J］． Journal of Accounting amp; Public Policy，2018 （1）：39 ～ 64．

Da Z.， Joseph E.， Gao P.. In Search of Attention［ J］． The Journal of Finance，2011（5）：1461 ～ 1499．

Derrien F.， Kecskes A.. The Real Effects of Financial Shocks：Evidence from Exogenous Changes in Analyst Coverage［ J］． The Journal of Finance，2013（4）：1407 ～ 1440．

Diether K. B.， Scherbina M. A.. Differences of Opinion and the Cross Section of Stock Returns［ J］． The Journal of Finance，2002（5）：2113 ～ 2141.

Garfinkel J. A.. Measuring Investors' Opinion Divergence［ J］． Journal of Accounting Research，2009（5）：1317 ～ 1348．

Hirshleifer D. A.. Investor Psychology and Asset Pricing［ J］． The Journal of Finance，2001（4）：1533 ～ 1597．

Houge T.， Loughran T.， Suchanek G.， et al.. Divergence of Opinion， Uncertainty， and the Quality of Initial Public Offerings［ J］． Financial Management，2001（4）：5 ～ 23．

Jackson A. R.. Trade Generation， Reputation， and Sell-side Analysts［ J］． The Journal of Finance，2005（2）：673 ～ 717．

Keshk W.， Wang J. J.. Determinants of the Relationship Between Investor Sentiment and Analysts' Private Information Production［ J］． Journal of Business Finance amp; Accounting，2018（9-10）：1082 ～ 1099．

Kothari S. P.， So E. C.， Verdi R. S.. Analysts' Forecasts and Asset Pricing：A Survey［ J］． Annual Review of Financial Economics，2016（1）：197 ～ 219．

Lehavy R.， Li F.， Merkley K.. The Effect of Annual Report Readability on Analyst Following and the Properties of Their Earnings Forecasts［ J］． Accounting Review，2011（3）：1087 ～ 1115．

Malloy C. J.. The Geography of Equity Analysis［ J］． The Journal of Finance，2005（2）：719 ～ 755．

Miller E. M.. Risk， Uncertainty， and Divergence of Opinion［ J］． The Journal of Finance， 1977（4）：1151 ～ 1168．

Soltes E.. Private Interaction Between Firm Management and Sell-side Analysts［ J］． Journal of Accounting Research，2014（1）：245 ～ 272．

（責任編輯·校對： 陳晶" 劉鈺瑩）

【基金項目】教育部人文社會科學基金一般項目（項目編號：23YJA630055）；廣東省哲學社會科學規劃項目（項目編號：GD23XGL018）；廣州市哲學

社會科學發展“十三五”規劃項目（項目編號：2020GZYB57）

【作者單位】1.廣東財經大學會計學院， 廣州 510320；2.深圳TCL新技術有限公司惠州分公司， 廣東惠州 516006；3.華南理工大學工商管

理學院， 廣州 510640。謝軍為通訊作者