【www.zhangdahai.com--其他范文】
危雁麟 张俊瑞* 汪方军 程茂勇
(1.西安交通大学 管理学院,陕西 西安 710049; 2.西安交通大学 经济与金融学院,陕西 西安 710061)
随着大数据战略成为我国重点发展的战略,数据的获取、管理、运营、交易等成为新的经济生态和新的经济增长点。党的十九大报告高瞻远瞩,提出要“推动互联网、大数据、人工智能和实体经济深度融合”,以促进经济高质量发展。在数字经济时代,数据作为关键的生产要素,打破“数据孤岛”、充分挖掘数据资源的用途、实现数据资源共享逐渐成为企业重要的价值源泉。杨善林和周开乐[1]提出要不断研究探索以更好地发现和利用大数据的潜在价值。随着数据为企业带来越来越高的经济效益和社会价值,数据资源已具备了在财务报告中确认为资产的条件。2013年,大数据之父维克托在《大数据时代》一书中分析了数据确认为资产的前景与困境,并乐观预测“几乎可以肯定数据的价值将显示在企业的资产负债表上,成为一个新的资产类别”。此外,截至2019年中国信息通信研究院云计算与大数据研究所发布的《数据资产管理实践白皮书》已更新至4.0版,标志着“数据资产”概念已得到广泛认可。不仅如此,Perrons和Jensen[2]发现数据资产除应用于金融、医疗、零售等具有丰富数据资源的行业,亦存在于能源行业中;《数据资产管理实践白皮书》以及上市公司年度报告等公开资料也表明,数据资产在诸多行业已普遍存在,不同企业的数字化转型升级、数字化发展战略落地都需要通过打破数据孤岛、促进数据融合和价值挖掘来实现。因此,披露数据资产信息的企业已扩展至股票市场涉及的几乎所有行业。
由于越来越多的企业开始重视数字化转型升级,不仅使数据资产逐步成为企业的核心资产,而且投资者对企业数字化转型、数据资产的应用也越来越关注,提高了数据资产信息的价值。此外,投资者对数据资产信息需求的日益增长,强化了企业数据资产信息披露对资本市场信息中介的吸引力。分析师作为股票市场上重要的信息中介[3-4],具有丰富的经验和较强的专业能力,通过收集、处理信息,尤其是专业化信息为市场其他参与者提供分析服务,保障市场有效性。在我国股票市场发行由核准制向注册制过渡之际,监管从前端向中后端转移,分析师作为信息中介的价值不断提升。Wind数据库中分析师研究报告数据显示,2010年来越来越多的分析师在盈余预测报告中关注上市公司数据资产的运用及其价值,其研究报告跟进的上市公司已覆盖多个行业,说明分析师已逐步在其跟踪预测中关注上市公司的数据资产信息,以期通过运用该信息在未来获得更多预测收益。因此,很有必要探讨企业数据资产信息披露行为如何影响分析师发挥信息中介的作用。企业披露数据资产信息,是否可以吸引信息中介跟进分析,既能反映数字化转型升级后市场对数据资产的认知,又为企业改善信息透明度的自愿披露行为能否提高市场有效性提供了依据。
从实践看,已有部分上市公司在年度报告中披露了数据资产信息,并有多家上市公司使用了“数据资产”概念。但由于《企业会计准则》尚未发布数据资产确认、计量规范,中国证券监督管理委员会也未将数据资产纳入强制信息披露范围,企业可以自行决定是否确认并披露数据资产信息。本文基于构建的“数据资产”文本披露词典,对回归样本统计发现,分析师跟进的年度报告披露相关信息的上市公司从2010年的127家上升至2017年的870家,可见大部分上市公司目前仍未直接披露其拥有或使用的数据资产,导致数据资产信息通常难以被外部使用者发现和运用。
目前学术界对数据资产的研究文献主要集中在:1)阐述企业数据资源的价值,论证数据资源确认为资产的合理性,例如Tambe[5]、Perrons和Jensen[2]和谢康等[6]等。2)剖析数据资产的类型和估值方式,例如于玉林[7]和翟丽丽和王佳妮[8]等。3)探讨数据资产的会计处理方式,例如张俊瑞等[9]等。4)数据资产管理,例如李红祥和吴佳坤[10]等。在数据资产信息披露方面,一些文献研究了类似数据资产信息披露特点的披露行为对分析师预测准确度的影响。例如,研究发现企业自愿披露社会责任报告能够有效提升分析师预测的准确度,且效果主要表现于首次披露时[11-12]。Chalmers等[13]认为企业对无形资产的信息披露越少,跟进的分析师预测结果的准确性就越低,从而影响分析师预测报告的质量。研究还发现充分披露可辨认的企业无形资产能够提供决定未来业绩的企业活动和经济环境的有效信息,说明无形资产信息披露具有显著的价值相关性,并因此能够有效提高分析师预测准确度[14-15]。
总体而言,现有文献对数据资产信息披露的研究较少,且未深入剖析数据资产信息披露行为与分析师预测的关系,也较少存在数据资产信息披露行为对资本市场产生作用和影响的研究结论,尤其是相关实证研究还属空白。这为本文从数据资产信息披露现状及发展趋势出发,研究数据资产信息披露对分析师预测行为的影响提供了较大空间。
本文运用获取的相关数据,研究了数据资产信息披露频率是否影响分析师的跟踪预测决策、能否有效改善分析师预测准确度,论证了自愿披露数据资产信息的行为对分析师预测的价值,并从企业前瞻性信息提供及信息透明度两个视角出发,揭示了数据资产信息披露频率影响分析师预测准确度的作用机制。进而,考虑到数据资产信息的揭示作用可能受文本可读性影响以及牛、熊市下分析师信息收集处理决策可能存在差异,研究了年报文本可读性水平和牛(熊)市市场状态是否影响数据资产信息披露频率对分析师预测准确度发挥作用的程度。
研究发现:个股年度报告中数据资产信息披露频率越高,分析师对该个股次年每股收益(EPS)的跟踪预测报告越多,且对每股收益的预测偏误越低,说明分析师跟踪预测决策越受到数据资产信息披露的影响,同时提高数据资产信息披露频率能够显著改善分析师预测准确度;提高数据资产信息披露频率可通过增加企业前瞻性信息提供和提高企业信息透明度来显著提升分析师预测准确度。进一步研究还表明,公司年报可读性较高或市场处于牛市状态时,数据资产信息披露频率的增加,更能改善分析师预测的准确度。
本文的主要贡献在于:1)分析了企业数字化转型过程中数据资产信息披露行为,揭示了数据资产的确认和披露对企业自愿性信息披露的影响。2)拓展了大数据时代自愿性信息披露及分析师行为的研究,提供了数据资产信息自愿披露对分析师预测行为影响的经验证据,丰富了数字化转型推动无形资产扩容背景下分析师信息需求的研究。3)提供了数据资产信息披露对分析师盈余预测准确度作用机制的实证证据,将研究视角扩展到数据资产信息披露的经济后果方面,对数据资产的理论研究具有增量贡献。
1.1 数据资产概念界定
随着大数据时代到来,不同类型的数据资源已经融合应用于与工业、农业、金融、交通和电信等诸多行业紧密相关的系统软件和整体解决方案,采集、处理并使用自身数据资源从而实现企业经济利益流入的实例越来越多。以我国电信行业和钢铁行业为例①案例内容来自2018年中国信息通信研究院云计算与大数据研究所发布的《数据资产管理实践白皮书》(3.0版),来源链接:http://www.caict.ac.cn/kxyj/qwfb/bps/201812/t20181214_190696.htm。,中国电信集团公司建立了数据管理委员会,输出了整个公司的数据资产目录,并基于公司数据资产形成了五个系列16个子产品,实现了多个领域的覆盖;通过提供相关产品,协助客户充分发挥数据的内在价值。与此同时,中国移动省级公司着力有效推进数据资产综合运营和流通使用,使数据资产管理成为利润中心。而在钢铁行业中,部分大型钢铁集团公司开始着眼于将实时数据处理结果嵌入生产流程中,以期运用数据资源实现自动质检取代人工抽检,通过有效运用数据挖掘分析提高产品质检效率。
与此同时,数据资源交易市场也在不断发展。互利共赢的数据共享是数据交易的重要表现形式,目前诸多企业通过建立数据资源联盟,与联盟企业互换数据资源,从而实现数据共享,打破彼此之间的“数据孤岛”[8];此外,也有企业通过战略合作以共享数据资源实现经济利益,例如上市公司“初灵信息”2017年年报表明其与“企业微信”深度合作,借此采集企业管理数据用于提供企业商业大数据智能服务,帮助企业提高管理和商业竞争效率。除此之外,数据交易平台也是数据资源交易的重要途径,2014年2月我国首个大数据交易平台——中关村数海大数据交易平台启动后,不同规模和特点的数据交易平台和交易所纷纷建立。毫无疑问,近年来我国数据交易渠道日益丰富,企业已能够直接凭借所控制的数据资源实现外部经济利益流入企业。
不难看出,企业数据资源体量不断增大,数据资源的采集、应用和交易等活动日益增多,企业认可数据资产存在的进程加快,相关文献也提出数据资源已具备确认为资产的条件[2,8,16],充分证明了数据资源具有实现企业经济利益流入的能力。中国信息通信研究院连续四年发布《数据资产管理实践白皮书》以指导企业数据资产的获取和管理行为,其中对数据资产的定义为:“数据资产是由企业拥有或者控制的,能够为企业带来未来经济利益的,以物理或电子的方式记录的数据资源。”
在明确数据资产概念界定的基础上,数据资产的具体类型划分也备受关注。从数据资产特点来看,数据资产与无形资产有较多相符之处。于玉林[7]提出,宏观的无形资产概念应该更加宽泛,不仅局限于《企业会计准则——无形资产》中列举的几类资产。目前除了会计核算体系中提及的无形资产类型,相关研究中将员工满意度[17]、供应商基本信息[18]等要素也称为企业的无形资产,甚至一些文献也直接或间接地支持了数据资产属于一类无形资产[7-8,18]。本文也认为数据资产是无形资产的重要组成部分。此外,Warren等[18]提出企业的表外无形资产亦可称为“软资产”。因此,从表外列示的角度看,本文认为数据资产是与有形资产等“硬资产”相区别的一种“软资产”。
1.2 数据资产信息披露行为分析
从信息披露的具体特点来看,数据资产信息披露属于自愿性无形资产信息披露行为。由于无形资产在传统会计报告中难以充分展现,导致盈余与市场收益关系失衡,所以拥有显著无形资产的企业更有意愿进行自愿性信息披露以作为会计报告的信息补充[19]。同时,鉴于无形资产信息是外部信息使用者用于评价企业成长性的重要信息[20],本文认为无形资产信息属于重要的前瞻性信息,企业披露数据资产信息也是一种前瞻性信息披露。
然而,虽然企业在一定程度上具有自愿对外披露数据资产信息的积极性,但考虑到部分无形资产尚未被确认[21],管理层对于披露各类无形资产信息是否能够受到投资者关注和采用难以确定[17],因此不同企业管理层对于无形资产的信息披露意愿也并不一致。数据资产作为一种表外无形资产,其对企业的价值虽然越来越重要,但管理层仍未能明确外部信息使用者是否采用数据资产信息,从而导致不同企业管理层对数据资产信息披露的决策存在差异。
1.3.1 数据资产信息披露与分析师跟进
根据Bhushan[22]从需求和供给的均衡角度讨论分析师跟进的研究框架,本文认为分析师将会依据企业数据资产信息披露状况选择跟进和预测的上市公司。具体来说,从需求角度看,由于各类无形资产信息是投资者判断企业未来成长性、分析企业未来业绩的重要依据[20,23],而数据资产可视为大数据时代企业数字化转型过程中重要的表外无形资产,因此本文认为投资者将会关注数据资产信息,并需要分析师作为信息中介对披露此类信息的企业提供跟踪预测。另外,考虑到分析师只能关注有限数量的个股,更有可能响应投资者的需求,对披露此类信息的企业进行预测。
从供给角度看,财务报表尚未包含一些对企业竞争发展较为重要的无形资产信息,因而会降低传统财务报表传递会计信息的价值相关性,不利于企业决策[18];扩展至财务报告层面来说,如果企业部分或全部可自愿确认和披露的可辨认无形资产信息未能充分反映在企业财务报告中,将削弱财务报告传递财务信息的价值相关性[24]。基于此,分析师作为证券市场上重要的信息中介[3-4],通常希望通过较低的成本收集并处理更多具有价值的信息来实现利益最大化[3],由此推论无形资产价值相关性的提升会增强分析师通过财务报告等公开信息渠道获取和处理企业无形资产信息的意愿。进一步地,Barron等[25]认为预测拥有大量无形资产公司的收益时,分析师将更关注包括数据资产在内的企业自身私有(或特殊)信息,以作为对公司财务信息的补充。同时由于数据资产具有可辨认性[9],根据Ritter和Wells[24]的观点可以推论,数据资产作为对企业有价值的可辨认无形资产,其信息目前并未在财务报表中列示,而是由企业自行确认并在财务报告中自愿披露,因而在财务报告中披露的数据资产信息将有助于缓解财务报告价值相关性的不足。结合以上分析,本文认为分析师作为市场上具有较强专业能力且对企业信息具有高度敏感性的信息中介,应该能够认识到企业财务报告中披露的数据资产信息对提高财务报告的价值相关性、完善企业估值的作用,因而很有可能关注披露数据资产信息的企业,并希望通过对该类企业的跟踪分析改善其预测,尤其是那些通过财务报告等方式公开披露数据资产信息的企业。鉴于能以低成本获取和运用这些信息,分析师可能更愿意增加关于此类企业跟踪预测的供给,进而有效帮助外部市场参与者根据企业盈余做出合理反应,并提高其预测业绩。
综上所述,本文认为企业通过提高数据资产信息的自愿披露程度,将受到更多分析师的跟踪预测,据此,提出如下假设:
假设1企业年度报告中数据资产信息披露频率越高,越会吸引更多的分析师进行盈余预测。
1.3.2 数据资产信息披露与分析师预测准确度
现有文献表明,可辨认无形资产与企业价值显著相关[24],Wyatt[14]提出对可辨认无形资产的充分披露,能够提供决定企业未来业绩的经营活动和经济环境的有效信息,说明企业强制或自愿确认的可辨认无形资产信息具有明显的价值相关性,在财务报告中披露这些信息能够有效提高分析师预测的准确度[15]。
如前文所述,企业数据资产信息披露保证了财务报告的价值相关性。由于数据资产信息受到分析师关注并影响其盈余预测的决策,因此分析师通过财务报告越多、越全面地掌握企业数据资产信息,就能够越多地得到决定企业未来业绩的经营活动和经济环境的有效信息,并能够深入分析企业的价值潜力,对企业未来做出更好的预测。因此,我们认为分析师通过对企业数据资产信息的分析和处理,能够有效提高其盈余预测的准确性。
另一方面,由于企业的无形资产并未全部纳入会计核算系统,而数据资产这类无形资产信息的自愿披露能够有效提高企业的信息透明度,提供企业更多的私有信息,及时获取和解读私有信息则是保障分析师盈余预测准确度的重要因素[26]。通过提高信息透明度能够降低盈余信息质量高低对分析师预测的影响,从而在一定程度上提高分析师预测的准确度[27-28]。此外,上市公司信息披露质量能够影响个体信息在分析师预测中所占的比重,从而削弱行业信息对分析师预测的影响[29],因此提高数据资产信息披露频率能够进一步提高分析师预测结果的准确度。
综上所述,本文认为企业在年度报告中披露数据资产相关信息的频率越高,分析师越能够获取更多有价值的企业特质信息,从而越有助于分析师使用有价值信息进行盈余预测。基于此,提出如下假设:
假设2企业年度报告中数据资产信息披露频率越高,分析师进行盈余预测的准确度越高。
2.1 样本获取
本文以2010—2017年中国A股市场上市公司为样本,通过构建文本挖掘词典度量其数据资产信息披露频率,检验数据资产信息披露频率对分析师预测准确度的影响。在样本数据方面,本文使用了“WinGo(文构)文本数据库”中计算的相似词词典数据、年度报告词频统计数据、年度报告总词数数据、年度报告可读性指数和风险披露指数,以及Wind数据库的企业业绩预告相关数据,并通过CSMAR数据库获得上市公司特征、分析师行为相关变量和市场指数等其他数据。
本文对样本进行了如下处理:1)剔除次年无分析师对年末每股收益(EPS)水平予以跟踪预测的个股样本;2)剔除ST公司;3)剔除金融行业企业;4)剔除任一变量出现缺失值的样本。最终,获得12035个年份-个股观测值。本文对所有连续变量在1%水平上进行了winsorize处理。
2.2 变量定义
2.2.1 数据资产信息披露
目前数据资产虽未被纳入企业资产负债表列示,但已有上市公司在年度报告中自愿披露了数据资产信息,使分析师有机会获取并运用这类信息。因此,本文通过对上市公司年度报告中数据资产信息的文本挖掘,来度量企业数据资产信息的披露频率。
本文参考胡楠等[30]的文本挖掘方法,以“WinGo(文构)文本数据库”(www.wingodata.cn)为数据来源,运用“种子词集+Word2Vec相似词扩充”方法构建数据资产信息披露水平度量的相关词典,挖掘上市公司年报文本中的数据资产信息并评估其披露水平,具体步骤为:1)将“数据资产”词汇纳入词典中。2)考虑到“数据资产”一词尚未被所有上市公司采纳并披露为一项资产,在数据库中也未成为一个固定词汇,基于《数据资产管理实践白皮书4.0》中“数据资产是能为企业产生价值的数据资源”的观点,进一步视“数据资源”为“数据资产”的等价词,因此将“数据资源”也作为种子词汇。3)依据种子词汇,借助“WinGo(文构)文本数据库”中具备的Word2Vec神经网络模型,运用深度学习技术手段,用上市公司披露的海量文本语料进行训练,构建出词语相似度计算模型,获得种子词汇在WinGo文本数据库中的深度学习相似词词集,在此基础上,仅保留相似度高于0.5的相似词以保证词典确实能够反映企业数据资产信息披露,从而完成词典构建,并基于数据库提供的相似度数据对每个词频进行赋权。
关于Word2Vec神经网络模型,根据WinGo(文构)文本数据库中的数据库说明书,Word2Vec神经网络模型是Mikolov等学者于2013年提出的一种神经网络语言模型,它的本质是基于神经网络来完成的Word Embedding方法,能够将词语表示成一个实值向量,并捕捉语义信息。具体来说,WinGo(文构)文本数据库对Word2Vec神经网络模型的运用是通过Word Embedding中的CBOW模型(continuous bag-of-words model)根据上下文语义信息将清洗后的海量财经文本语料中通过分词获得的词语表示成多维向量用以计算词语相似度,并据以筛选种子词汇的相似词,而海量的财经文本语料也能够保证相似词更符合财经文本语境。CBOW模型表达式如式(1)所示:
其中,C为语料,w为中心词,Content(w)为中心词的上下文。关于词语相似度计算,则是在由这些实值向量形成的词向量空间中,以词向量间的余弦距离作为词语之间的语义相似度;余弦距离越小,词语之间的相似度越大。
本文参考王雄元等[31]通过文本挖掘度量风险信息披露频率的方法,运用如下计算模型来度量企业数据资产信息披露:
其中,DADISit为数据资产信息披露频率变量,Freitn为词典中第n个词汇在公司i第t年的年度报告中的精确词频。Simn为词典中第n个词汇与种子词汇的相似度(种子词汇的变量Simn赋值为1)。TotalFreit为公司i在第t年的年度报告的总词频(排除英文和数字)。
2.2.2 分析师预测变量
1)分析师跟踪预测频次。本文参考李春涛等[32]的思路,以研究报告为单位,将分析师跟踪预测的频次变量Coverageit+1界定为预测了公司i在第t+1年期末EPS的分析师研究报告数量的自然对数,即无论发布的报告涉及多少位分析师,本文将发布了一份研究报告视为一次分析师跟踪预测,从而检验公司更高频率的数据资产信息披露是否能带来对该公司盈余的更多跟踪预测,以反映分析师跟踪预测此类信息披露是否被纳入考虑范围。
2)分析师预测准确度FEit+1。本文参考王雄元等[31]对于分析师预测准确度的度量方法,通过如式(3)所示的计算模型度量分析师预测准确度。
其中,FEit+1为分析师预测公司i在第t+1年末每股收益(EPS)的准确度,Ave_FEPSit+1为第t+1期内所有研究报告预测公司i在第t+1期末EPS的平均值,Act_EPSit+1为公司i在第t+1期末的EPS实际值。
与此同时,在计算每一年度分析师跟踪预测相关变量过程中,为保证分析师预测所用的信息与上市公司年度报告的时间相对应,本文参考王艳艳等[12]的研究,将第t+1期的研究报告筛选窗口界定为第t+1年5月1日至第t+2年4月30日之间发布的关于第t+1期末EPS的跟踪预测报告。
2.2.3 控制变量
在实证检验中,本文参考Dhaliwal等[11]、王艳艳等[12]和王雄元等[31]等相关文献,选取控制变量构建模型。模型中的变量汇总如表1所示。
表1 研究变量汇总表Table 1 Summary of research variables
2.3 模型设计
为检验假设1,本文参考现有文献[11-12]构建了回归模型如式(4)所示,同时控制了年份和行业固定效应,并进行了基于行业的聚类(cluster)处理。根据本文假设1,预计模型中的系数α1显著为正。
此外,为了检验假设2,本文参考现有文献[11,31]构建了回归模型如式(5)所示,同时控制了年份和行业固定效应,并进行了基于行业的聚类(cluster)处理。根据本文假设2,预计模型中的系数β1显著为负。
3.1 描述性统计
本文各变量的描述性统计结果如表2所示。个股的跟踪预测频次变量Coverage的标准差为1.224,最大值为4.450而最小值为0,说明分析师对不同个股下一年度每股收益(EPS)的跟踪预测偏好有显著差异。分析师预测准确度FE由分析师预测偏误表示,且由度量方式可看出偏误值不小于0.5;描述性统计结果表明,预测偏误最大为9.544,最小为0.50,而上四分位数为1.038且平均数为1.120,说明针对不同个股,分析师对下一年EPS的预测结果与其实际值的偏离度存在较大差异,但总体来说分析师的跟踪预测通常未与实际值产生过大的偏离,说明分析师具有较强的专业能力。数据资产信息披露水平DADIS的平均值为0.002,最大值为0.034且最小值为0,说明数据资产信息披露程度总体较低,较多公司都暂未披露数据资产信息。
表2 变量描述性统计特征表Table 2 Descriptive statistics of variables
3.2 假设检验结果
3.2.1 数据资产信息披露与分析师跟踪预测数量
本文运用模型(4)检验了假设1,检验结果如表3所示。根据表3可知,解释变量的系数为5.356,且在5%置信水平上显著,说明公司的数据资产信息披露频率与分析师对该公司进行跟踪预测的频次显著正相关。据此,公司对其数据资产相关信息进行的披露越多,跟踪预测的报告数量越多,即分析师越倾向于预测此类公司,可以认为分析师在跟踪预测过程中将数据资产信息纳入了个股信息分析范围。这一结果符合假设1的预期。
表3 数据资产信息披露与分析师跟踪预测数量回归结果Table 3 Results about regression of data assets disclosure and analyst coverage
3.2.2 数据资产信息披露与分析师预测准确度
本文运用模型(5)检验了假设2,结果如表4所示。可以看出,解释变量的系数为-5.328,且在5%置信水平上显著,说明公司的数据资产信息披露频率与分析师对该公司进行跟踪预测的偏差程度显著负相关。由此可见,公司数据资产信息披露频率越高,分析师的预测结果越接近该公司下一年EPS的实际值,从而显著提升了分析师跟踪预测的准确度。因此,可以认为数据资产信息披露频率的提高改善了分析师对相应个股的跟踪预测准确度,假设2得到了验证。
表4 数据资产信息披露与分析师预测准确度回归结果Table 4 Results about regression of data assets disclosure and analyst forecast accuracy
3.2.3 内生性检验
在大数据时代,拥有数据资产、使用数据资产的企业不断增加,披露数据资产信息的上市公司日益普及,企业数据资产信息也越来越受到市场信息中介的关注。但是,企业数据资产信息披露与分析师跟进预测之间存在一定内生性,因此本文采用如下检验以控制研究中的内生性问题。
1)准自然实验
本文以2016年颁布的《中华人民共和国国民经济和社会发展第十三个五年规划纲要》(“十三五规划纲要”)作为外生事件,设计了准自然实验以解决研究中的内生性问题。具体来说,“十三五规划纲要”提出实施国家大数据战略,把大数据作为基础性战略资源,全面实施促进大数据发展行动,加快推进数据资源共享开放和开发应用,助力产业转型升级和社会治理创新。在国家大数据战略的指引下,企业的大数据业务越来越普遍,数据资产信息日益成为企业重要的特质信息。在贯彻落实“十三五规划纲要”过程中,我国各级政府高度重视大数据发展,其中贵州省已将发展大数据提升到“十三五”甚至长期发展的重大战略高度,大数据战略重点实验室发布的《大数据蓝皮书:中国大数据发展报告No.1》中视其为贵州大数据发展能够异军突起的决定性因素。据此,本文认为贵州省上市公司受到国家及当地大数据发展战略的影响更强,在披露数据资产信息、认可数据资产信息等方面,也会更多地受到大数据发展战略的影响,因而能够反映出数据资产信息披露对于分析师跟踪预测的作用。
综上所述,本文构建模型通过准自然实验进一步检验了假设。具体来说,本文基于盈余预测年度,选择2017和2018年度作为事件后时间窗口,Post赋值为1;2014—2016年度则为事件前时间窗口,Post赋值为0。同时本文将办公地点位于贵州省的上市公司作为实验组样本,其余上市公司作为控制组样本。根据表5所示的检验结果,交乘项Treatedit×Postit的检验系数为-0.217,且在5%置信水平上显著,说明“十三五规划纲要”颁布后,办公地点在贵州省的上市公司的数据资产信息披露频率对分析师预测准确度的提升作用相较于其他地区上市公司的数据资产信息披露频率有显著加强。由此可见提高公司数据资产信息披露频率能够显著改善分析师跟踪预测的准确度。
表5 准自然实验回归结果Table 5 Results about regression of the quasi-natural experiment
2)Heckman两阶段法
考虑到数据资产信息披露属于自愿性披露行为,即企业管理层能够选择是否披露数据资产信息,为了控制检验中的选择性偏误等内生性问题,本文采用了Heckman两阶段法中的处置效应模型(treatment effect model)做了进一步检验。具体来说,本文借鉴Matsumura等[33]、Kim和Zhang[34]、傅传锐和洪运超[35]以及曹廷求和张光利[36]等的研究,第一阶段选取行业内披露数据资产信息的企业数量占行业企业总数的比例Disc_Propit为Z变量,并选择规模变量LnAssetit、杠杆Leverageit、第一大股东持股比例Firstit、审计师是否来自四大会计师事务所Big4it、当年被分析师关注程度Coverageit、股东基数Shareholderit、托 宾Q值TobinQit和 现 金 流 水 平CashFlowit为控制变量,运用处置效应模型检验了企业数据资产信息披露对分析师预测准确度的影响,检验结果如表6所示。根据表6的内容,逆米尔斯比率的检验系数为-0.189,且在1%水平上显著,说明采用处置效应模型的估计结果更为合理。而解释变量检验系数为-5.669,且在10%水平上显著,说明在考虑选择性偏误的情况下,企业数据资产信息披露仍能显著降低分析师预测偏差,从而提高分析师预测准确度。
表6 运用处置效应模型的Heckman两阶段回归结果Table 6 Results about regression of Heckman two-stage method using the treatment effect model
3.3 机制检验
假设检验结果表明,数据资产信息披露频率越高,越能改善分析师预测的准确度。根据前文对假设2的分析,本文借鉴Xu[37]的机制检验方法,从前瞻性信息提供和个股信息透明度两个角度,检验数据资产信息披露能够提高分析师预测准确度的具体机制。
3.3.1 前瞻性信息提供程度
年报中的数据资产信息披露提供了更多决定企业未来业绩的经营活动和经济环境的有效信息,有利于分析师了解企业未来的价值潜力并用于盈余预测,从而能够有效提高其盈余预测的准确性。据此,考虑到分析师的有限关注,以及数据资产作为一种前瞻性信息的功能,本文认为分析师对企业前瞻性信息获得程度的高低会影响其运用数据资产信息改善盈余预测的程度,即可获得的前瞻性信息越少,数据资产信息对分析师就越重要,因而也越能发挥改善预测准确度的作用。
目前企业的前瞻性信息主要来自年报中的“管理层讨论与分析”(MD&A)部分和企业临时公告中的业绩预告,前者是企业披露数据资产信息的常见渠道,后者则是企业前瞻性信息披露的另一来源,自愿性披露是企业之间前瞻性信息提供程度存在差异的主要原因。具体来说,因出现中国证券监督管理委员会股票上市规则提到的情形而发布的业绩预告为强制性业绩预告,其他业绩预告则界定为自愿性业绩预告[38]。在操作合规的前提下,企业若未强制性地进行业绩预告,说明未出现上述情形,从而间接传递了关于企业未来业绩的某些信息;此时企业若自愿进行业绩预告,则可进一步披露企业未来业绩信息,从而提高前瞻性信息的提供程度。由此可见,公司是否进行自愿性业绩预告,将在前瞻性信息的供给方面产生显著差异。因此,如果作为前瞻性信息的数据资产披露能够提高分析师预测的准确度,那么当企业未进行自愿性业绩预告时,数据资产信息披露更能提升分析师预测的准确度。
综上,本文根据企业是否发布自愿性业绩预告设定虚拟变量Volunt_Announceit+1,即公司i第t+1年是否进行过自愿性业绩预告,如果是则赋值1,反之为0,并基于该变量进行分组回归检验,检验结果如表7所示。由表7可看出,在不存在自愿性业绩预告的样本组中解释变量检验系数为-7.698,且在5%置信水平上显著;而存在自愿性业绩预告的样本组中解释变量检验系数为-4.071,但不显著。因此当企业未进行自愿性业绩预告时,企业提供了较少的前瞻性信息,而通过提高数据资产信息披露频率更能改善分析师预测。由此可见,企业通过披露数据资产信息等前瞻性信息,能够提高分析师预测准确度。
表7 曾(未)发布自愿性业绩预告组数据资产信息披露与分析师预测准确度回归结果Table 7 Results about regression of data assets disclosure and analyst forecast accuracy in have (have not) issued voluntary earning announcement group
3.3.2 企业信息透明度
如前文所述,数据资产信息披露作为企业自愿性信息披露决策,能够提供企业有价值的私有信息以提高信息透明度,尤其在企业盈余信息质量不理想时,可以起到增量信息的作用,并对分析师的预测准确度产生影响。因此,本文认为当企业盈余信息质量较差时,数据资产信息披露频率的提升更能发挥改善分析师预测的作用。
本文构建了盈余信息质量变量Disc_Accit-1,即公司i第t-1年的操纵性应计利润水平,由Dechow等[39]提出的修正琼斯模型计算得到。在满足Disc_Accit-1不为空的样本中,以样本公司历年盈余信息质量的中位数Mediant作为标准进行分组回归检验。根据表8列示的回归结果,在盈余信息质量低的样本组中解释变量的系数为-7.572,且在5%置信水平上显著;而在盈余信息质量高的样本组中解释变量的系数为-3.304,但并不显著。由此可见,当企业盈余信息质量较差时,提高数据资产信息披露频率能够显著降低分析师预测偏误,说明数据资产信息能够提高企业信息透明度,增加分析师可使用的有效信息,从而提高分析师预测准确度。
表8 高(低)盈余信息质量组数据资产信息披露与分析师预测准确度回归结果Table 8 Results about regression of data assets disclosure and analyst forecast accuracy in high (low) earning information quality group
3.4 稳健性检验
3.4.1 差分方程
在自愿性信息披露的相关研究中,部分文献提及存在信息的样板式披露[31],通过查阅披露数据资产信息的上市公司年报,我们发现企业对数据资产的信息披露在不同年度之间亦存在一定样板化现象。因此参考以往文献[11,31],本文剔除前一年和当年数据资产信息披露频率均为0的样本,运用差分方程对假设2的内容进行了重新回归,以消除未随时间改变要素所带来的影响。检验结果表明,公司的数据资产信息披露频率的变动与分析师预测该公司盈余准确度的变动显著负相关,因此通过公司数据资产信息披露频率的提高,能够显著削弱分析师跟踪预测偏差程度的上升,从而提高分析师预测的准确性。检验结果进一步支持了本文的研究结论。
3.4.2 子样本检验
1)信息披露频率不为0的子样本。在分析师发挥其信息优势挖掘企业特质信息的过程中,如果无法从年报获得数据资产信息等自愿披露的特质信息,分析师可能会在考虑信息成本的前提下决定是否挖掘数据资产信息;而年报中披露了数据资产信息时,分析师将获取并运用这类特质信息,且其披露频率反映了分析师的可获取程度,并将影响分析师预测准确度。据此,本文选取年报数据资产信息披露频率不为0的观测值作为子样本,子样本检验结果表明,对于数据资产信息披露频率不为0的公司,数据资产信息披露频率能够显著降低分析师对该公司进行跟踪预测的偏差程度,说明本文的回归结果具有稳健性。
2)样本期间在2016年之后的子样本。分析师能够关注到企业数据资产的价值并使用相应信息,是数据资产信息披露能够改善分析师预测准确度的重要前提,因此本文认为应进一步确保假设前提成立以重新检验相关结论。具体来说,“十三五”发展规划纲要发布后,分析师在大数据发展战略的宏观背景下,更有可能认可企业数据资产的作用并关注其信息,更能满足数据资产信息影响分析师预测准确度的前提。基于此,本文选取预测年度为2016—2018年的观测值来构建子样本,再次回归检验的结果表明,分析师在预测公司2016—2018年的盈余水平时,公司数据资产的信息披露频率与分析师对该公司盈余预测的偏差程度显著负相关。检验结果说明本文结论具有稳健性。
由于篇幅限制,稳健性检验中检验结果的表格不在正文中列示。
4.1 文本可读性
数据资产相关信息的文字披露可能涉及一定的专业词汇,此时如果企业年报的文本可读性较差,报告中关于数据资产的专业表述难以有效反映数据资产信息所蕴含的企业价值潜力,因此数据资产信息在吸引分析师对相应个股予以关注的同时,也为分析师分析相关信息从而有效完成盈余预测带来一定阻碍。因此,本文以年报可读性作为调节变量,借鉴孟庆斌等[40]采用的方法,以所有样本的个股年报可读性的中位数为基准,将研究样本分为高可读性组和低可读性组进行分组回归,检验结果如表9所示。根据表9的内容可知,高可读性组中,解释变量的系数为-8.639,且在5%置信水平上显著;而在低可读性组中,解释变量的系数为-3.569,但不显著。结果表明,公司的年报可读性能够影响公司数据资产信息披露频率对分析师预测准确度的提升作用,公司年报可读性越高,其数据资产信息的披露频率越能够改善分析师对公司跟踪预测的准确度。
表9 高(低)可读性组数据资产信息披露与分析师预测准确度回归结果Table 9 Results about regression of data assets disclosure and analyst forecast accuracy in high (low) readability group
4.2 市场状态
郦金梁等[41]提出,牛市状态下投资者情绪一般倾向乐观,而熊市状态下投资者情绪则倾向悲观,且市场对信息的反应在牛市状态下也更活跃。据此,本文认为在牛市状态下,由于市场对信息的反应更为活跃,分析师的获利空间更大,因而更有积极性剖析数据资产等公司特质信息以丰富其信息中介服务,促使数据资产信息能够改善分析师预测的准确度。而在熊市状态下,由于市场低迷,分析师预测的获利水平有限,信息需求相对较弱,因而较少关注和分析数据资产相关信息;此外,考虑到在市场低迷时企业可能会通过在年报中使用晦涩难懂的词语增大阅读难度来掩盖企业的负面情况[40],因此分析师处理数据资产这类专业性较强信息的难度可能也较大,本文认为,此时提高数据资产信息频率难以改善分析师预测的准确度。
基于上述分析,本文检验了不同市场状态下数据资产信息披露频率对分析师预测准确度的影响。参考以往文献[42-43],选取沪深300指数作为股票市场指数,运用其120日均线将2010—2013年、2016年、2018年划分为熊市阶段,而将2014—2015年、2017年划分为牛市阶段,并按照盈余预测年度将对应样本分入牛、熊市状态组。分组回归检验结果如表10所示,在牛市状态组中,解释变量的系数为-6.029,且在10%置信水平上显著;而在熊市状态组中,解释变量的系数为-3.951,但不显著。可以看出,在牛市状态下数据资产信息披露频率确实能够改善分析师预测准确度,而在熊市状态下数据资产信息披露频率则难以发挥改善分析师预测的作用。
表10 牛(熊)市状态组数据资产信息披露与分析师预测准确度回归结果Table 10 Results about regression of data assets disclosure and analyst forecast accuracy in bull (bear) market group
本文通过挖掘2010—2017年我国A股市场上市公司的年度报告文本信息,检验了公司数据资产信息披露频率对分析师跟踪预测该公司盈余准确度的影响。研究发现:1)公司年报中的数据资产信息披露频率越高,分析师对该公司次年每股收益(EPS)的跟踪预测报告越多,分析师筛选跟踪预测的个股时越多地考虑了数据资产信息的供给;2)公司年报中数据资产信息披露频率越高,分析师对该公司次年每股收益的预测偏误越低,数据资产信息披露越能显著改善分析师预测的准确度;3)提高数据资产信息披露频率能够通过提供企业前瞻性信息和改善企业信息透明度来提升分析师预测准确度;4)当公司年报可读性较高或市场处于牛市状态时,提高数据资产信息披露频率更能改善分析师预测准确度。
本文的研究结论具有较强的实践意义:第一,佐证了企业数据资产信息披露能够通过改善分析师预测条件促进分析师扮演股票市场信息中介的角色。说明在数字经济迅速崛起过程中,数据资产信息已逐步成为企业有价值的特质信息,其信息披露有利于保障市场的有效性。第二,证明了数据资产文本信息受分析师关注和信息披露频率对分析师准确预测未来盈余的影响,促进企业更加重视数据资产的信息披露。第三,为证券监管部门顺应企业数字化转型升级趋势、针对性地采取监管手段提高企业自愿性信息披露程度和信息质量提供依据。第四,通过证明企业披露文本信息时,文本可读性对分析师依据这些信息准确预测具有重要作用,影响企业不断重视文本信息的科学表达并提高文本信息的可读性。第五,为分析师评估上市公司信息披露质量和在牛、熊不同市场状态基础上制定信息收集决策提供建议。
猜你喜欢 准确度分析师频率 Phosphatidylinositol-3,4,5-trisphosphate dependent Rac exchange factor 1 is a diagnostic and prognostic biomarker for hepatocellular carcinomaWorld Journal of Clinical Cases(2020年17期)2020-09-18振动与频率天天爱科学(2020年6期)2020-09-10无线电频率的特点探索科学(2017年4期)2017-05-04分析师一致预期股市动态分析(2016年24期)2017-01-07分析师一致预期股市动态分析(2016年23期)2016-12-27分析师一致预期股市动态分析(2016年18期)2016-10-11分析师一致预期股市动态分析(2016年4期)2016-09-29一类非线性离散动力系统的频率收敛性哈尔滨理工大学学报(2016年2期)2016-09-12动态汽车衡准确度等级的现实意义中国交通信息化(2016年5期)2016-06-06导航频率源的同步与控制全球定位系统(2015年4期)2015-02-28本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0807/636554.html
