股权激励影响分析师预测行为吗？

王永妍 耿 卉 王国臣

一、引言

一直以来股权激励被认为是缓解代理冲突的重要途径之一。自2005年证监会发布《上市公司股权激励管理办法(试行)》以来，实施股权激励的上市公司不断增加，国内围绕股权激励的研究也日渐丰富。现有研究通常关注股权激励的动因和经济后果，例如管理层权力(支晓强等，2014[1]；肖星和陈婵，2013[2]；吴育辉和吴世农，2010[3])、股权激励后的盈余管理(苏冬蔚和林大庞，2010[4])、大股东控股(周仁俊和高开娟，2012[5])、权益资本成本(周嘉南和雷霆，2014[6])等。已有一些研究考察了股权激励行为的外部效应，例如股权激励对机构投资者(谭松涛和傅勇，2009[7])以及对审计师(倪小雅等，2017[8]；陈宋生和曹圆圆，2018[9])等的影响，却鲜有研究关注股权激励对分析师的影响。根据相关规定，上市公司应当以绩效考核指标为实施股权激励计划的条件，并且应当在股权激励计划中对激励对象获授权益、行权的条件做出明确规定或者说明并进行披露。与成熟资本市场(如美国)不同，我国上市公司股权激励计划的行权业绩条件几乎不采用股价相关指标，而主要采用加权平均净资产收益率和净利润增长率两项会计业绩指标(谢德仁和汤晓燕，2014[10])，这对于关注企业未来业绩增长的整个市场包括分析师而言，无疑具有重要信息含量。

分析师作为信息中介，会权衡每一单位信息的成本和收益。就股权激励而言，其包含的业绩考核信息作为直接与业绩相关的公开信息，势必会降低分析师的预测成本。同时，股权激励本身也促使高管有充分动机去满足股权激励计划中所要求的业绩指标，不论是通过自身努力或是通过其他的方式(如应计盈余管理或者真实盈余管理等)，因此分析师有动机利用这一信息改善自己的预测。那么，股权激励中的业绩目标信息对于分析师而言是否有价值？是否会吸引更多的分析师跟踪？是否有助于改善分析师的预测质量？这是本文的关注重点。

本文的主要贡献包括以下三点：首先，随着时间的推进，特别是最近几年，实施股权激励的上市公司越来越多，但是股权激励是否影响分析师行为，包括吸引分析师跟踪、改善分析师预测质量，尚无经验证据，本文弥补了这一领域的不足。其次，本文补充了股权激励外部效应的相关研究成果。过往研究集中关注股权激励的动因以及股权激励实施的内部效果，而本文考察了以往研究较少关注的股权激励的外部效应。第三，分析师作为信息中介和外部监督者，是资本市场的重要参与者，其预测行为将影响资本市场效率，本文通过考察股权激励对分析师预测行为的影响，补充了分析师预测行为影响因素研究的相关文献，并为进一步考察股权激励、分析师预测与资本市场效率之间的关系提供了的研究思路。

二、文献回顾与研究假设

掌握资本市场和上市公司信息是分析师进行预测的前提，因此信息的来源和质量在分析师的预测中起着至关重要的作用(周开国等，2014[11])。相较于私有信息，公开信息因其获取成本较低而成为分析师盈余预测的重要依据(方军雄，2007[12])。公开信息的获取渠道包括上市公司发布的各类公告、媒体报道等。现有研究表明，公开信息将影响分析师的预测行为。方军雄(2007)[12]和白晓宇(2009)[13]考察了信息披露透明度对分析师行为的影响，他们发现透明度越高，分析师预测质量越高。王玉涛和王彦超(2012)[14]研究发现业绩预告披露形式以及精度等特征将对分析师预测行为产生影响。李馨子和肖土盛(2015)[15]的研究进一步证明了上市公司的业绩预告将影响分析师的预测行为，上市公司发布的业绩预告显著增加了分析师的盈余预测修正。周开国等(2014)[11]发现媒体关注显著提升了分析师的跟踪人数以及分析师盈余预测的准确度。谭松涛等(2015)[16]利用2003至2011年期间中国主流财经媒体对上市公司报道的数据，考察了媒体报道对分析师预测行为的影响，其研究发现媒体报道显著降低了分析师的预测乐观度和预测偏差。胡军等(2016)[17]研究了上市公司开通微博对分析师盈余预测的影响，其研究发现，上市公司开通微博后，分析师的平均盈余预测偏差和预测分歧度都发生显著下降。公司的自媒体披露行为有助于分析师了解和分析公司经营活动。

上市公司的股权激励计划作为公开信息，披露了公司相应的业绩考核目标，例如要求净利润增长率不低于某个数值。这一信息与上市公司发布业绩预告行为类似，二者均向市场提供了关于公司未来业绩增长的信息。不同的是，业绩预告提供的业绩增长信息仅比实际业绩披露提前若干月，而股权激励提供了公司业绩增长的跨期信息(股权激励的考核期通常为3～5年)。相较于业绩预告，股权激励方案中提供的业绩目标信息对于分析师预测质量的改善作用还有赖于其自身的可靠性，即股权激励计划所要求的业绩目标被达成的可能性。

管理层可能通过三种方式达成业绩目标：

一是制定容易达成的行权条件。权力较高的高管具有决定或影响自身薪酬设计的能力(Bebchuk和Fried，2004[18])，他们容易制定具有较低行权条件的股权激励方案。谢德仁和汤晓燕(2014)[10]以2006—2012年我国A股市场实施股权激励的公司为样本研究发现，我国上市公司股权激励计划行权的业绩条件集中在加权平均净资产收益率和净利润增长率两项会计业绩指标上，同时，其业绩水平要求集中在“10%、20%”，且大部分公司股权激励业绩目标都低于公司自身往期水平，低于所在行业该指标的75分位值，低于近期分析师盈利预测水平。即对于管理层而言，达成股权激励的业绩条件并不存在很大的困难。此外，高管可以通过在股权激励计划草案公告前进行向下的盈余管理，以降低股票期权行权条件或限制性股票的解锁条件(吴德胜和王栋，2015[19])。吕长江等(2009)[20]、吴育辉和吴世农(2010)[3]、肖淑芳等(2013)[21]均不同程度地发现，我国上市公司股权激励计划中的业绩目标较易实现，令股权激励变成一种福利。

二是通过勤勉尽责努力达成业绩目标。根据最优契约理论，股权激励使高管私人利益与股东利益趋于一致，激励了管理层最大化公司价值。现有研究发现，中国上市公司股权激励促进了高管的风险承担(李小荣和张瑞君，2014[22])，增加了公司研发支出(夏芸和唐清泉，2008[23])，促使公司推行长远目标的风险投资战略(陈效东和周嘉南，2016[24])，抑制了非效率投资(徐倩，2014[25])等，促进了公司业绩提升(刘广生和马悦，2013[26]；苏坤，2015[27])。戴璐和宋迪(2018)[28]研究发现股权激励计划设定的业绩目标，通过改进实施期间内部控制的有效性，推动了业绩目标的实现。

三是通过向上的盈余管理达成业绩目标。众多研究表明股权激励本身没有成为代理成本的替代而成了代理成本的结果(吕长江等，2011[29])。苏冬蔚和林大庞(2010)[4]、周嘉南和雷霆(2014)[6]的研究发现，正式的股权激励具有负面的公司治理效应，增加了管理层的盈余管理行为。刘银国等(2018)[30]的研究发现，上市公司管理层会综合使用真实盈余管理和应计盈余管理，以达到行权业绩条件。

综上，站在管理层角度，其有充分动机利用多种手段来达成股权激励中的业绩考核目标。从现实情况来看，截至2017年共有977家上市公司成功实施了股权激励，其中353家完成了全部的股权激励计划，其余仍处于业绩考核期(戴璐和宋迪，2018[28])。因此，股权激励计划所提供的业绩目标信息具有一定的可靠性。

信息透明度越高，跟踪的分析师数量越多(Hope，2003[31])。而股权激励计划中提供的业绩目标信息具有一定的可靠性，增加了公司的信息透明度，因此，我们推测，分析师更愿意去跟踪和报告实施股权激励的上市公司。据此我们提出假设1。

H1：其他条件固定的情况下，实施股权激励的公司吸引了更多的分析师跟踪。

分析师预测误差和分歧度代表着分析师预测的质量，其影响因素是分析师研究领域的重要话题。Hodder等(2008)[32]讨论了信息复杂度对于分析师现金流预测的影响，其研究发现，信息越复杂，分析师预测的误差和分歧度越大。王玉涛和王彦超(2012)[14]考察了业绩预告披露形式、精度等特征对分析师预测误差和分歧度的影响，其研究发现，相较于发布定性业绩预告的公司，对发布定量业绩预告以及闭区间宽度较小的公司，分析师的预测误差和分歧度更低。那么，股权激励是否影响分析师的预测质量呢？首先，股权激励方案中公布的业绩目标通常是一个定量的半开区间(例如：净利润增长率不低于考察基期的20%)。相较于未执行股权激励的公司，提供了具有更高确定性的信息。其次，就管理层个体而言，其有充分动机达成并且“刚好满足”业绩目标。因为如果过高地超过了第一期的业绩，会对第二期的业绩增长造成压力，迫使管理层需要花费更多的努力来满足第二期股权激励的考核要求。综上，我们推测，上市公司股权激励计划中的业绩信息可以帮助改善分析师的预测质量。据此，我们提出假设2。

H2：其他条件固定的情况下，实施股权激励的公司，分析师预测质量更高。

股权激励计划中所设置的业绩指标分为利润相关指标(如营业利润、净利润、EBIT、ROE、ROA、EPS等)和非利润指标(如营业收入、主营业务收入、股价等)，对于分析师而言，利用非利润指标来预测每股盈余时，需要首先运用一定的主观判断根据非利润指标情况来预测利润情况，进而再预测每股盈余，相较于直接利用利润指标预测每股盈余，需要运用的主观判断更多、过程更加复杂且面临的不确定性更大。在极端情况下，如果股权激励计划中的业绩指标包含净利润，且分析师认为企业能够不多不少地恰好实现这一业绩目标时，分析师几乎不用进行预测便可以计算出企业的每股盈余。因此，从这一角度看，当股权激励计划中包含利润相关业绩指标时，对分析师而言，信息的确定性更高。而信息的确定性会影响分析师预测质量，降低预测误差和分歧度(Zhang，2006[33])。据此，我们提出假设3。

H3：其他条件固定的情况下，对股权激励计划中包含利润相关业绩指标的公司，分析师预测质量更高。

三、研究设计

本文结合倾向得分匹配法与双重差分法分析股权激励对分析师预测行为的影响。参考Armstrong等(2011)[34]、卢闯等(2015)[35]的研究，为解决股权激励实施中的内生性问题，本文采用倾向得分匹配法为在2008—2016年[注]中国证监会2005年年底颁布《上市公司股权激励管理办法》，在办法实施的初期，实施股权激励的样本较少，受缺失值影响，本文股权激励样本的起点设为2008年，同时由于本文需要将实施股权激励前后的分析师预测行为进行比较，需要利用实施前后各2年的数据，因此本文样本止于2016年。间首次实施股权激励的公司(测试组公司)匹配一组在此期间内未实施股权激励的公司(控制组公司)。匹配后的控制组公司在可观察到的公司特征上与测试组公司相同或类似。

本文使用以下方式为每一个测试组公司匹配一个控制组公司：

首先，确定上市公司实施股权激励的影响因素的probit模型。根据以往文献(Chourou等，2008[36]；卢闯等，2015[35])，公司特征，尤其是公司业绩、业绩波动性、成长性对股权激励实施有重要影响，因此建立如下模型(1)。

EIi，t=β0+β1Sizei，t-1+β2Levi，t-1+β3ROEi，t-1

+β4ROE_sdi，t-1+β5Insti，t-1+β6Indepi，t-1+β7SOEi，t-1+β8Fcfi，t-1+Year

+Industry+εi，t

(1)

其中，EI为哑变量，公司实施股权激励，则赋值为1，否则为0。其他变量定义详见表1。

其次，以模型(1)来估计每个测试组公司每个年度的倾向得分，这些得分表示公司实施股权激励的概率，采用无放回匹配的方式，一对一实现倾向得分最接近的实施股权激励的公司与未实施公司之间的配对。然后将每个测试组公司实施股权激励年度的上一年度配对的未实施股权激励公司作为这个公司的配对公司，这些配对公司就构成了控制组公司。例如，A公司在2001年上市，在2008年实施股权激励，我们首先通过倾向得分匹配法为A公司在2007—2015年间每一年匹配了一个在同一年里倾向得分最接近的未实施公司。然后我们选择A公司实施股权激励的前一年(即2007年)匹配的B公司作为A公司的配对公司[注]如果B公司在样本期内实施了股权激励，则剔除B公司，并选择其他倾向得分最接近的公司作为A公司的配对样本。。以此方法为所有实施股权激励的公司匹配一个未实施公司，这些未实施公司就构成了控制组公司。由于测试组和控制组公司在每个可观测的维度上都是类似的，因此两类公司的分析师预测行为的差异可以被归结为实施股权激励带来的。

再次，确定研究的时间窗口期。我们确定股权激励实施前后2年为本文研究的窗口期，即实施股权激励的前2年为实施前期间，后2年为实施后期间。由于每个测试组公司实施股权激励的年份不同，它们对应的实施前后期间也不同。对应的控制组公司也采用和与之配对的测试组公司相同的实施期间。本文选择股权激励实施前后2年为本文研究窗口期的原因主要有两点：一是窗口期太长将导致大量的样本因数据缺失而被剔除，为了确保一定的研究样本量，以实施前后2年为窗口期。二是股权激励方案的考核期通常为3～5年，我们预计股权激励考核期前期的业绩目标对于分析师预测的帮助作用更强，因为考核期一旦延长至未来3～5年，一些其他内生或者外生的因素将增加公司业绩的不确定性，降低业绩的可预测性，在后文中我们也将对这一效应进行检验。

最后，在测试组和控制组公司中用双重差分法来分析实施股权激励对分析师预测行为的影响。上市公司实施股权激励对于分析师预测行为的影响，具体而言，参照王玉涛和王彦超(2012)[14]的研究，我们从分析师跟踪人数与分析师预测质量(包括分析师预测分歧度与分析师预测误差)两个角度进行考察，并构建回归模型。

针对假设1和假设2，本文构建回归模型如下：

lnFollowi，t=β0+β1EIi，t+β2Posti，t+β3EIi，t×Posti，t+Controlvariablesi，t-1+Year

+Industry+εi，t

(2)

Dispersioni，t=β0+β1EIi，t+β2Posti，t+β3EIi，t×Posti，t

+Controlvariablesi，t-1+Year

+Industry+εi，t

(3)

Errori，t=β0+β1EIi，t+β2Posti，t+β3EIi，t×Posti，t

+Controlvariablesi，t-1+Year

+Industry+εi，t

(4)

其中，lnFollowi，t为i公司在t年度分析师跟踪人数。借鉴Yu(2008)[37]、李春涛(2016)[38]的方法，将分析师跟踪人数定义为实际发布盈利预测报告的机构数量，例如，2016年共有35个券商的分析师发布了72份关于万科A(000002)的盈利预测，不管涉及到多少个分析师，我们认为2016年有35个分析师跟踪了万科A。在回归分析时，本文将此数据加1，再取自然对数。

Dispersioni，t为i公司t年度的分析师预测分歧度，Errori，t为i公司t年度的分析师预测误差，参考王玉涛和王彦超(2012)[14]的计算办法：

Dispersioni，t=sd(FEPSi，t)/abs(EPSi，t)

(5)

Errori，t=abs[mean(FEPSi，t)

-EPSi，t)]/abs(EPSi，t)

(6)

其中,EPS为公司的每股盈余;FEPS为分析师预测的每股盈余，选取距离年报公布日最近一天的分析师预测数据。

Post为哑变量，公司当年属于股权激励实施后期间，则赋值为1，否则为0。交互项EI×Post为股权激励(EI)与实施期间(Post)的交互项，如果模型(2)交互项的系数β3显著且方向为正，则说明实施股权激励将使公司吸引更多的分析师跟踪，假设1得证；如果模型(3)与模型(4)交互项的系数β3显著且方向为负，则说明对实施股权激励的公司，分析师的预测质量更高，假设2得证。

针对假设3，本文以实施股权激励的公司为样本，构建分析师预测分歧度与分析师预测误差的回归模型如下：

Dispersioni，t=β0+β1Objecti，t+β2Posti，t

+β3Objecti，t×Posti，t

+Controlvariablesi，t-1

+Year+Industry+εi，t

(7)

Errori，t=β0+β1Objecti，t+β2Posti，t

+β3Objecti，t×Posti，t

+Controlvariablesi，t-1+Year

+Industry+εi，t

(8)

其中，Object为哑变量，股权激励计划中包含利润相关业绩指标时为1，否则为0。交互项Object×Post为业绩指标(Object)与实施期间(Post)的交互项，如果模型(7)与模型(8)交互项的系数β3显著且方向为负，则说明对股权激励计划中设置了利润相关业绩指标的公司，分析师预测质量更高，假设3得证。

控制变量包括公司层面的主要财务特征变量：公司规模(Size)、资产负债率(Lev)、净资产收益率(ROE)、无形资产占比(Intang)、股价波动性(Vol)，以及公司治理特征变量：第一大股东持股比例(Shrcr1)、机构持股比例(Inst)、管理层持股比例(Mshare)、审计质量(Big4)、独立董事占比(Indep)、是否两职合一(Dual)、企业性质(SOE)。具体变量定义参见表1。

表1 变量定义

续前表

四、样本匹配与实证分析

(一)样本选择和匹配

本文的初始样本包括2008—2016年间所有A股上市公司，剔除了金融行业样本和数据缺失的样本。对于其中曾实施股权激励的公司样本，还做了以下筛选：(1)剔除非首次实施股权激励的公司；(2)剔除上市未满3年开展股权激励或上市未满5年的公司，以及股权激励实施前三年(回归时需使用当期因变量对上一期的测试变量进行回归)及后两年存在数据缺失的公司，以保证在运用双重差分法时样本公司在股权激励实施前后期间均有数据。经过以上筛选，最终得到10 974个公司—年度观测值(2 045家上市公司)，其中实施股权激励的公司有349家(即测试组公司，筛选过程及分布情况详见表2)，未实施股权激励的公司有1 696家。股权激励数据来自于Wind数据库，其他所有数据均来自于国泰安金融数据库(CSMAR)。为了避免极端值的影响，本文对所有连续变量进行了1%的缩尾处理。为了消除潜在的异方差、序列相关等问题的影响，本文所有回归结果均在公司层面进行了聚类(cluster)调整。

表2为实施股权激励公司(测试组公司)样本筛选过程及分布情况，从Panel A中可以看出，2008—2016年共有904家非金融类上市公司实施股权激励，其中首次实施股权激励的公司共717家，扣除无法满足本文研究窗口期要求的样本后，得到本文的测试组公司样本共349家。Panel B为实施股权激励公司的年度分布情况，自2011年开始，实施股权激励的上市公司大幅增长。Panel C为实施股权激励公司的行业分布情况，其中制造业实施股权激励的公司数量最多，其次为信息传输、软件和信息技术服务业。

① 对于样本期内多次实施股权激励的公司,按其实施股权激励的次数计算,例如,启迪桑德(000826)在2010—2013年以及2014—2016年曾2次实施股权激励,计算为2家。

续前表

① 对于样本期内多次实施股权激励的公司，仅按1 家计算，同时剔除在2008 年以前曾实施过股权激励的公司，以保证本文的研究样本能够更加准确地反映出股权激励实施前后的差异。

② 由于分析师预测分析度( Dispersion) 的计算需要保证样本公司在窗口期内每年有两个及以上分析师跟踪，对样本公司在窗口期内数据完整度的要求较高，为了降低测试组公司样本的丢失率，此处未对Dispersion 在窗口期内存在数据缺失的公司进行剔除。

表3为主要变量的描述性统计。分析师跟踪人数(lnFollow)的均值为2.084，平均每个样本公司有12.243个分析师在跟踪(Follow)，标准差不大。分析师预测分歧度(Dispersion)与分析师预测误差(Error)的标准差较大，说明样本间的分析师预测质量具有较大差异。

表3 主要变量的描述性统计

图1为2006—2017年A股上市公司平均分析师跟踪人数变化趋势图。2006—2012年间，上市公司平均分析师跟踪人数快速增长，从2006年平均每家公司5.45个分析师跟踪到2012年已增长至14.64人，但是自2013年开始平均跟踪人数呈下降态势，至2017年降至10.59人。

图1 2006—2017年A股上市公司平均分析师跟踪人数变化趋势图

图2为2006—2017年A股上市公司平均分析师预测质量变化趋势图。2006—2013年，分析师预测质量整体呈现不断降低的趋势，但是自2014年起，分析师预测质量在不断提升。

本文在对模型(1)进行Probit回归的基础上计算每个公司每个年度的倾向得分，为已实施股权激励的公司一对一配对倾向得分最接近的未实施公司，具体配对方式详见本文第三部分。

模型(1)的回归结果见表4，公司规模(Size)越大、净资产收益率(ROE)越高、非国企(SOE=0)、机构持股比例(Inst)越高的公司越倾向于实施股权激励。

图2 2006—2017年A股上市公司平均分析师预测质量变化趋势图

表4 股权激励实施的影响因素：Probit回归

续前表

注：t值为经过公司层面聚类(cluster)调整的t值；***、 **、 *分别表示在1%、5%、10%的水平上显著，下同。

通过以上倾向得分匹配法，我们为349个实施股权激励的公司匹配了349个非实施公司，形成698个样本公司。同时，我们对匹配的有效性进行了检验，检验结果如表5所示，测试组公司与控制组公司在可观察到的公司特征上并无显著差异。

表5 倾向得分匹配有效性检测

表6的Panel A为股权激励对分析师预测行为影响的单变量测试。测试组公司(EI=1)在股权激励实施后与实施前的分析师跟踪人数的均值与中位数的差值显著高于控制组公司(EI=0)在股权激励实施后与实施前的分析师跟踪人数的均值和中位数的差值；测试组公司在股权激励实施后与实施前的分析师预测分歧度及预测误差的均值与中位数的差值显著低于控制组公司在股权激励实施后与实施前的分析师预测分歧度及预测误差的均值和中位数的差值。Panel A单变量检测的结果说明实施股权激励的公司吸引了更多的分析师跟踪，并且分析师预测的分歧度更低，误差更小，预测质量更高，初步验证了本文的假设1和假设2。

表6的Panel B为业绩指标设置对分析师预测质量影响的单变量测试。在本文的测试组公司中，股权激励计划中包含利润相关业绩指标的公司(Object=1)有334家，共1 336个公司一年度观测值；未包含利润相关业绩指标的公司(Object=0)共15家(全部以收入为业绩指标)，共60个公司一年度观测值，说明绝大部分实施股权激励的公司以利润相关指标作为业绩指标。从Panel B中可以看出，股权激励计划中设置了利润相关业绩指标的公司(Object=1)在股权激励实施后与实施前的分析师预测分歧度及预测误差的均值与中位数的差值显著低于未设置利润相关业绩指标的公司(Object=0)在股权激励实施后与实施前的分析师预测分歧度及预测误差均值和中位数的差值，说明设置了利润相关业绩指标的公司，分析师预测的分歧度更低，误差更小，预测质量更高，初步验证了本文的假设3。

表6 单变量测试

续前表

(二)多元回归分析

表7为使用模型(2)～模型(4)估计实施股权激励对分析师预测行为影响的回归结果。

列(1)为股权激励对分析师跟踪人数的影响。交互项EI×Post的回归系数为0.113，且在1%的水平上显著，表明上市公司实施股权激励会吸引更多的分析师跟踪。假设1得证。

列(2)、列(3)分别为股权激励对分析师预测分歧度(Dispersion)、预测误差(Error)的影响。交互项EI×Post的回归系数分别为-0.497、-0.856，且统计上均显著，表明股权激励显著降低了分析师预测分歧度与预测误差，提升了预测质量。假设2得证。

表7 股权激励对分析师预测行为的影响

续前表

注：括号内报告的为经过公司层面聚类(cluster)调整的t值，下同。

以实施股权激励的公司(EI=1)为样本，本文使用模型(7)、模型(8)进一步检验了股权激励计划中的业绩指标设置对分析师预测质量的影响，详见表8。从表中可以看出，交互项Object×Post的回归系数分别为-1.580、-1.918，且统计上均显著，表明股权激励计划中设置了利润相关业绩指标的公司，分析师预测质量更高。假设3得到了验证。

表8 业绩指标设置对分析师预测质量的影响

(三)稳健性检验

为了增强本文研究结论的可靠性，对于分析师跟踪人数，借鉴王玉涛和王彦超(2012)[14]和吴超鹏等(2013)[39]的做法，将分析师跟踪人数定义为对公司盈利进行预测的分析师总人数，并在此基础上加1取自然对数(lnFollow_p)；对于分析师预测分歧度与预测误差，原度量指标采用abs(EPS)进行标准化，为了避免可能存在的小分母的问题，稳健性检验时对这两项指标采用股价(Price)进行标准化*感谢审稿人给予的提示与建议。重新度量，即：

Dispersion_pi，t=sd(FEPSi，t)/abs(Pricei，t)

(9)

Error_pi，t=abs[mean(FEPSi，t)-EPSi，t)]/

abs(Pricei，t)

(10)

稳健性检验的结果如表9、表10所示，估计的结果与表7、表8的结果一致，表明本文的研究结论较为稳健。

表9 股权激励对分析师预测行为的影响(稳健性检验)

续前表

表10 业绩指标设置对分析师预测质量的影响(稳健性检验)

续前表

同时，上文对于假设3的验证中，交乘项Object×Post系数的显著性差异可能是由于两组样本量差异较大造成的，为了缓解这一问题，本文采用样本配对法，以公司实施股权激励前一年的ROE值为特征变量，一对一地为每一个Object=0组公司匹配了一个ROE最接近的Object=1组公司。样本配对法下的回归结果如表11所示，列(1)～列(4)交乘项Object×Post的系数均显著为负，表明股权激励计划中包含了利润相关业绩指标的公司，分析师预测分歧度(Dispersion/Dispersion_p)与预测误差(Error/Error_p)更低，进一步验证了本文的假设3。

表11 业绩指标设置对分析师预测质量的影响(基于样本配对的稳健性检验)

(四)进一步讨论

股权激励方案的考核期通常为3～5年。我们预计在股权激励考核期的首期，公司的业绩目标对于分析师预测的帮助作用更强，随着时间的推移，一些其他内生或者外生的因素将增加公司业绩的不确定性，降低业绩的可预测性。为了考察股权激励在不同考核期内的影响，本文将Post1、Post2、Post3分别定义为股权激励实施第一年、第二年、第三年，即公司当年属于股权激励实施的第一年时Post1为1，属于股权激励实施之前两年时为0，以此类推。测试组公司和控制组公司与前文保持一致，回归结果详见表12。

表12中列(1)～列(3)分别为股权激励考核首期、第二期、第三期对分析师跟踪人数(lnFollow)的影响。交乘项EIi，t×Post1i，t以及EIi，t×Post2i，t的系数分别为0.102、0.122，且均在5%的水平上显著；EIi，t×Post3i，t的系数为0.104，在统计上不显著，表明随着时间的推移，分析师对实施股权激励公司的跟踪热度在下降。

列(4)～列(6)分别为股权激励考核首期、第二期、第三期对分析师预测分歧度(Dispersion)的影响。交乘项EIi，t×Post1i，t的系数为-0.809，且在1%的水平上显著；EIi，t×Post2i，t和EIi，t×Post3i，t的系数分别为-0.182、0.117，在统计上不显著，表明股权激励对分析师预测分歧度的降低作用随着时间的推移在减弱甚至消失。

列(7)～列(9)分别为股权激励考核首期、第二期、第三期对分析师预测误差(Error)的影响。交乘项EIi，t×Post1i，t的系数分别为-1.352，且在1%的水平上显著；EIi，t×Post2i，t和EIi，t×Post3i，t的系数分别为-0.339、0.308，在统计上不显著，表明股权激励对分析师预测误差的降低作用随着时间的推移在减弱甚至消失。

表12 股权激励对分析师预测行为的影响：趋势分析

续前表

五、结论与未来研究方向

本文基于分析师的视角研究了股权激励对分析师预测行为的影响。本文的研究结果表明：上市公司实施股权激励将吸引更多分析师跟踪；股权激励计划中的业绩考核信息显著提升了分析师预测质量。这一效应在实施股权激励考核的初期最显著，但在随后期间开始减弱。

普遍认为，分析师作为连接上市公司与外部投资者的重要媒介，其预测质量的提高有助于减少信息不对称，提高资本市场效率(王玉涛和王彦超，2012[14])。本文提供了股权激励方案可以改善分析师预测质量的直接证据。但是，我们不禁要追问：这是一个好的现象吗？一般情况下，为避免市场价值的损失，公司会努力使自身的财务状况与分析师的盈利预测保持一致(Levitt，1998[40]；Bartov等，2002[41]；李春涛等，2016[38])。然而，对于那些实施了股权激励的中国上市公司，分析师盈利预测却在向公司的业绩目标靠近。众多研究表明，股权激励合约中的业绩目标较容易实现，令股权激励变成一种福利，而且高管会通过盈余管理等方式，以更轻松地达成业绩目标(吕长江等，2009[20]；吴育辉和吴世农，2010[3]；肖淑芳等，2013[21])。在此情形下，分析师预测质量的提高是分析师基于股权激励事件所体现出的公司内在价值判断的结果还是基于声誉的考量而向管理层做出的一种妥协与靠拢呢？进一步地，除了对会计业绩进行预测以外，对公司价值的预测也是分析师的重要工作内容，而实施股权激励的动机就是促使管理层最大化公司价值，那么股权激励对分析师价值评估行为究竟将产生怎样的影响呢？其作用机理是否与分析师的盈利预测行为有所不同呢？这还有待未来的研究做出解答。