分析师的供应链行业知识与盈余预测质量

谢 璇 王运陈,2 吴 萌

(1．四川农业大学 管理学院，四川 成都 611130；2．复旦大学 工商管理博士后流动站，上海 200433；3．四川师范大学 商学院，四川 成都 610101)

一、引言

证券分析师的行业知识是衡量其人才价值高低的核心因素，因为行业知识很大程度上决定了分析师收集和处理信息的效率。分析师的行业知识是在执业过程中逐渐积累的专业化知识，构成其竞争优势。在诸如美国等发达的资本市场上，行业专长一直是市场评价分析师的重要指标。例如由美国《机构投资者》杂志组织的明星分析师评选活动中，分析师的行业知识水平始终被视为最重要的评价指标。近年来，我国资本市场上无论是投资者还是券商都越来越重视分析师的行业知识储备，真正有深度的行业研究能够让券商及其研究团队在市场中脱颖而出，甚至有券商在招聘首席分析师时，会将行业专家甚至是行业权威作为其岗位要求的首要条件①。尽管多数研究对于“分析师的行业知识能否提高研报质量”这一问题给出了肯定的结论，但是对行业知识的考察主要局限于跟踪公司本身所处行业，还缺乏对分析师跨行业知识的关注。

一般来说，分析师的行业知识体现为对两种知识的掌握：其一是行业内知识，即分析师对跟踪公司所属行业本身的相关知识和经验；其二是跨行业知识，即分析师对跟踪公司自身行业之外但又与其紧密关联行业的知识和经验[1]。无论是公司所属行业的信息，还是其客户或供应商所属行业的信息，都应成为分析师判断该公司未来盈利和投资潜力的重要信息来源，分析师可以利用供应链行业的信息补充其原有信息渠道从而提高盈余预测质量。但总体来看，已有对分析师行业知识的研究大多忽视了跨行业知识对分析师盈余预测质量可能产生的影响，特别是忽视了对分析师供应链行业知识的考察。

鉴于此，本文以2008～2015年中国A股非金融业上市公司为样本，研究了分析师具备的供应链行业知识对其盈余预测质量的影响。相对于以往的研究，本文的贡献主要体现在：首先，虽然分析师行业知识是体现其核心价值的重要特征，但相关研究较少，少数几篇相关文献都是针对分析师行业内知识对其盈余预测质量影响的研究[2][3]，而忽略了分析师供应链行业知识的作用，本文在控制了行业内知识的前提下，揭示了分析师供应链行业知识对其盈余预测质量的影响，进一步拓展了分析师行业专长方面的研究，并从行业知识的角度丰富了分析师个人特征领域的研究。其次，本文从供应商/客户-公司的角度考察了供应链上信息溢出对分析师盈余预测质量的影响，区别于Guan等(2015)、Luo和Nagarajan(2015)的研究[4][5]，本文的研究表明即使分析师不关注公司的第一大客户，仅仅具备重要客户或供应商所属行业的相关知识，也会有助于其盈余预测质量的提高，从而丰富了供应链的信息溢出对第三方决策影响的研究。

二、文献综述、理论分析与研究假设

分析师是降低证券市场信息不对称和提高股票定价效率的重要中介机制[6][7]。分析师对某个行业的长期关注会形成相应的行业知识和行业经验，已有少数研究得出了行业内知识有助于提高分析师信息质量的一致结论[8][9][10]。行业内知识之所以能够提高分析师的研报质量，主要原因在于行业信息能较好地体现公司的竞争环境、投资机会、成长性和经营风险等；同时，对行业内知识的掌握有助于提高分析师搜集和解读信息的效率[11]。按照这一逻辑，分析师拥有与公司有着紧密联系的供应链行业相关知识，是否也有助于提高其研报的信息质量呢？

首先，从信息供给的角度来说，供应链上的采购和销售活动作为企业运营中最为重要的两个环节，对公司日常的生产经营会产生至关重要的影响[12]。一方面，供应商作为公司的上游，很大程度上决定了公司的采购成本和运营绩效，这不仅体现在公司的采购业务上，还体现在营运资金管理的绩效上[13]。另一方面，客户作为公司的下游，不但对产品定价、盈利水平具有重要影响，还会影响公司的财务决策和资本结构[14]。可以看出，公司的供应链上蕴藏着大量与公司经营环境、财务状况等相关的有益信息。Olsen和Dietrich(1985)的研究发现，客户的盈余公告能够引起其供应商股价的波动，证实了信息在供应链上的纵向传递[15]。但是他们的研究仅验证了供应链信息在公司层面的传递，而并未验证供应链信息在行业层面的传递。Pandit等(2011)则在其研究的基础上，发现客户盈余公告的发布不但引起供应商公司股价的显著波动，同时还导致与其供应商所处同一行业的其他公司的股价波动，进而验证了供应链信息在行业层面的传递效应[16]。可见，公司与其上下游之间的紧密联系使供应链信息能够通过公司及行业层面纵向传递，从而产生供应链行业信息的溢出效应。因此，公司供应链上的行业信息应作为决策主体获取有关信息的潜在渠道，能够为分析师更好地理解公司价值提供有价值的增量信息。

其次，从信息解读的角度来说，不同分析师对不同行业的了解程度不同，对行业信息的敏感程度自然也存在差异，这会影响其对信息的运用和分析。如Hilary和Shen(2013)就指出，同行业信息的溢出效应能够对分析师预测发挥积极作用，但对行业信息的解读需要分析师具备一定的行业知识[17]。具备行业知识的分析师在搜集行业信息时成本更低、获取渠道更多、解读更为准确，从而能够提高其盈余预测的准确性[2]。由此可推测，虽然供应链行业信息与行业内信息存在互补性，但不同分析师对供应链行业所掌握的知识程度不同，对相关信息的解读也会存在差异，进而影响其盈余预测质量。Luo和Nagarajan(2015)的研究发现，当分析师同时跟踪了公司的第一大客户时，其对公司盈余预测的信息质量会更高[5]，类似的研究结论也体现在Guan等(2015)的研究中[4]。可以看出，当公司的供应商或客户同时存在于分析师的跟踪组合中时，分析师会对公司供应链行业上的信息更有把握，能够更有效地利用这一信息来提高其对公司盈余的预测质量。另外，分析师在预测时对不同来源的信息的分配比例也存在差异[18]，对供应链行业较为了解的分析师在处理相关信息时更为敏感，更容易捕捉到对公司有效的信息，进而提高供应链行业信息在其决策中所占的比重，进行更准确的预测。综上所述，供应链行业的信息溢出效应能够补充分析师对公司价值判断的有效信息，同时，具备供应链行业知识的分析师能够更好地利用这一信息，从而提高其盈余预测的信息质量。据此，本文提出假设1：

假设1：与一般分析师相比，拥有供应链行业知识的分析师对公司盈余预测的信息质量更高。

虽然供应链的行业信息有助于分析师对公司未来前景的预测，但不同公司与客户或供应商构建的合作关系存在诸多差异，而供应链行业信息对公司的影响程度取决于公司与供应链公司的关系性质和紧密程度。当公司对其供应链公司依赖程度越大时，公司的经营情况和财务决策受到供应链行业的影响就越大，比如公司的资产周转率速度会更快，持有的现金会更多或者权益资本成本会更高等[14]。此外，公司与客户或供应商的依赖关系会促使它们形成紧密的利益共同体，这种利益协同性会加强供应链行业信息的纵向传递。如王雄元和彭旋(2016)发现，公司的客户稳定性能够提高分析师的盈余预测准确性，并且当公司对客户销售占比越高时，稳定客户对分析师预测的正向作用越显著[19]。这意味着，当公司对其客户或供应商的依赖度较高时，供应链行业的信息对公司盈利预测更具参考价值，进而更有助于提高分析师的预测效率。据此，本文提出假设2：

假设2：当公司对客户/供应商的依赖度越高时，分析师的供应链行业知识对盈余预测质量的提升作用越大。

另外，由于公司经营业务和范围的不同，不同公司面临的信息环境存在诸多差异，公司所面临的信息不确定性会加剧分析师对信息的反应不足，从而影响其预测质量[20]。公司的信息不确定性越高，分析师进行盈余预测的难度就越大，并导致更大的预测误差和更频繁的修正[21]。信息不确定性意味着决策主体缺乏足够信息去预测公司未来经营的变化，此时更需要拓宽信息渠道以做出有效的决策。也就是说，当公司面临的信息不确定程度越高时，分析师与公司之间的信息不对称程度越大，分析师可获取的公司层面的特有信息越少，对相关行业信息的需求就越高[22]。在这种情况下，供应链行业的信息能更有效地帮助分析师预测需求和供给变化对公司经营状况的影响。换句话说，公司的不确定因素放大了分析师供应链行业知识的作用，对于信息不确定程度较高的公司来说，拥有供应链行业知识的分析师能够以更低的成本搜寻到与未来盈余相关的信息，从而提供更高质量的盈余预测。据此，本文提出假设3：

假设3：当公司面临的信息不确定性越高时，分析师的供应链行业知识对盈余预测质量的提升作用越大。

三、研究设计

(一)样本选择与数据来源

本文选取2008～2015年中国A股上市公司作为初始研究样本。我们以2008年作为起始年份主要是因为：2007年12月中国证券监督管理委员会发布《公开发行证券的公司信息披露内容与格式准则第2号》，首次鼓励上市公司披露供应商和客户的名称，自此之后上市公司才较为普遍地披露前五大供应商和客户信息。据此，我们以2008年作为样本区间的起始年度。

在初始样本的基础上，根据上市公司披露的前五大客户和供应商的名称，本文手工搜集和整理了客户和供应商的主营业务，对其所属行业进行了归类，并做了如下处理：(1)剔除前五大客户或供应商无法获取主营业务及行业类别的样本；(2)剔除分析师姓名和研报数据缺失的样本；(3)剔除当年只有一个分析师出具研报的样本；(4)剔除金融行业的样本；(5)剔除所需数据缺失的样本。本文最终得到39364个观测值。在判断行业类别时，我们采用《上市公司行业分类指引》(2012年)的分类标准，对制造业以外的行业采用门类行业代码，对制造业采用次类行业代码，在此基础上对次类代码中仍存在较大差异的行业进一步细分②。前五大客户和供应商的主要经营范围和行业分类数据来自手工收集整理，其他数据均来自CSMAR和WIND数据库。数据处理和分析过程在Excel和STATA14.0中完成。

(二)模型设计与研究方法

本文构建了多元线性回归模型(1)来验证假设1，考虑到该模型采用的是分析师-年度-公司的数据结构，分析师和公司都可能在同一年度中多次出现，因此回归时对统计量的标准误差进行了分析师和年度两维的聚类处理，以控制自相关问题[5]。

RError/RBias=α0+β1Chain+β2Ind_Ratio+β3Follow+β4Reports+β5Exper+β6BrokerSize+

β7BrokerRev+β8Firmsize+β9Lev+β10ROA+β11Inst+β12Horizon+∑Year+

∑Ind+ε

(1)

1.被解释变量。考虑到分析师对不同公司的预测准确性会因公司本身所处环境不同而有所差异，本文采用经均值调整后的相对预测误差(RError)和相对预测乐观偏差(RBias)来度量分析师的盈余预测质量，分析师的相对预测误差和相对乐观偏差越小，表示盈余预测的信息质量越高[4]。分析师i在t年对公司j的预测误差(Errorijt)和乐观偏差(Biasijt)的计算方法如下所示：

Errorijt=|EPS_fijt-EPS_rjt|/Pj

(2)

Biasijt=(EPS_fijt-EPS_rjt)/Pj

(3)

式(2)和式(3)中，EPS_fijt为分析师i在t年对公司j每股收益的最新一次预测值③；EPS_rjt为公司j在t年的实际每股收益；Pj为公司j在预测日前一个交易日的股价。在此基础上，我们计算所有分析师在t年对公司j的平均预测误差MErrorjt和平均预测乐观偏差MBiasjt；最后，得到分析师i在t年对公司j的相对预测误差(RError)和相对预测乐观偏差(RBias)分别为：

RErrorijt= Errorijt-MErrorjt

(4)

RBiasijt= Biasijt-MBiasjt

(5)

2.解释变量。对于分析师的供应链行业知识(Chain)，借鉴对分析师同行业知识的度量方法，我们考察分析师跟踪组合中是否有与目标公司重要供应商或客户同属一个行业的公司，若有则判断分析师对目标公司具备供应链行业知识。本文分别用两种方式来度量分析师供应链行业知识：一是定义虚拟变量(Chain_Dum)，若分析师i在t年同时跟踪了与公司j前五大客户或供应商同行业的公司，则赋值为1，否则为0；二是计算比例(Chain_Ratio)，利用分析师i在t年跟踪的与公司j前五大客户或供应商同行业公司的个数除以分析师i在t年跟踪的公司总数计算得到。

3.控制变量。首先，已有研究发现分析师的同行业专长或关注度会提高分析师盈余预测的质量[2][3][8]，为了与分析师同行业知识发挥的效用区分开，本文控制了分析师的同行业知识水平(Ind_Ratio)，它等于分析师跟踪的与目标公司同行业的公司数占比。其次，分析师预测日距会计年度结束越近，其获得的信息越多，预测可能越准确[2][9]，所以本文控制了分析师预测日期距离会计年度结束的远近(Horizon)。最后，从以下三个方面选取余下控制变量：(1)分析师特征方面，其投入在跟踪公司的精力越多，对盈余预测的准确性应该会越高[9]，分析师一年中跟踪的公司越多，投入到每个公司的精力就会分散，因此本文控制了分析师在当年跟踪公司的数量(Follow)和当年发布研报的数量(Reports)；分析师从业时间越长，其对信息的获取和分析越有经验，因此本文控制了分析师的从业经验(Exper)。(2)券商特征方面，券商能够为分析师提供必要的研究资源，本文分别以分析师人数(BrokerSize)和营业收入水平(BrokerRev)来控制分析师所属券商的特征。(3)公司特征方面，本文控制了公司规模(Firmsize)、资产负债率(Lev)、公司业绩(ROA)和机构持股比例(Inst)；最后在模型中还控制了年度和行业效应。以上各变量的具体定义如表1所示。

表1 变量定义表

四、实证结果分析

(一)描述性统计

表2是对主要变量进行描述性统计的结果。由表2可知，分析师盈余预测的相对误差(RError)的均值为-0.002，中位数为-0.006，标准差为0.084，表明经过对公司一致预测误差的修正后，分析师对公司预测相对误差的差异数值并不大。类似地，分析师盈余预测的相对乐观偏差的均值为-0.001，中位数为-0.002，标准差为0.096，也未体现出较大差异。另外，供应链分析师(Chain_Dum)的均值为0.347(中位数为0)，说明平均来看，样本中有34.7%的分析师对跟踪公司具备供应链行业知识。

表2 描述性统计表④

(二)回归结果

1.分析师的供应链行业知识与盈余预测质量。表3报告了模型(1)的回归结果。在回归(1)和回归(2)中，分析师的供应链行业知识(Chain_Dum和Chain_Ratio)对相对预测误差(RError)的回归系数都显著为负，表明分析师的供应链行业知识降低了其对公司盈余预测的误差；在回归(3)和回归(4)中，分析师的供应链行业知识(Chain_Dum和Chain_Ratio)对相对预测乐观偏差(RBias)的回归系数显著为负，说明分析师的供应链行业知识降低了其对公司盈余预测的乐观偏差。此外，与现有研究一致，我们发现以下控制变量对分析师盈余预测质量产生了显著影响：Ind_Ratio的回归系数显著为负，说明分析师的同行业知识越多，其盈余预测质量越高；Horizon的回归系数显著为正，说明分析师预测日期距离年报公告日越近，分析师预测质量也越高；BrokerSize和BrokerRev的回归系数均不显著，表明虽然券商规模越大，分析师可利用的资源越多，但其预测质量不一定越高。

这一实证结果表明，在控制了分析师的同行业知识后，分析师的供应链行业知识仍能显著提高其盈余预测的质量。供应链的信息渠道中既包含公司层面信息，也包含行业层面信息，公司的客户或供应商所处行业环境、面临的产业政策变动，往往都会对其上游或者下游企业产生影响，而分析师对公司供应链行业环境的把握程度可以补充分析师所掌握的行业信息，同时，具备供应链行业知识的分析师对于供应链行业信息的加工和解读力度也会更强，从而提高了对公司未来盈余预测的准确程度。本文的假设1得以验证，此结果在一定程度上也支持了Luo和Nagarajan(2015)的研究，他们发现分析师对公司第一大客户的跟踪行为能够提高其对公司盈余预测的信息质量[5]，而本文的实证结果进一步表明，即使不关注公司的第一大客户，仅仅关注公司重要客户或供应商所处的行业，也将有助于分析师盈余预测准确度的提高。

表3 分析师供应链行业知识与盈余预测质量

注：括号内为经分析师和年度Cluster和Robust修正的t值；***、**、*分别表示在1%、5%、10%的水平上显著。下表同。

2.客户/供应商依赖程度和信息不确定性的调节效应。为验证本文的假设2和假设3，借鉴相关研究[19]，我们分别按照公司对供应链的依赖程度和面临的信息不确定性高低对模型(1)进行分组回归检验。具体来说，在区分供应链依赖程度高低时，首先，按照客户销售量(供应商采购量)占比高低对全样本进行划分：若公司当年的前五大客户销售量(供应商采购量)占比大于对应样本的中位数，则将该公司与其客户(供应商)的关系划为高依赖程度组，否则划为低依赖程度组。其次，按照公司所处行业是否属于耐用品行业进行划分：若公司属于耐用品行业，则划为高依赖程度组，否则划为低依赖程度组⑤。在区分信息不确定性高低时，分别从盈余波动性和股票回报波动性两方面来度量，其中，盈余波动性等于过去三年的营业收入占总资产比例的标准差的平均值，股票回报波动性等于过去一年内股票日回报率的标准差，若公司当年的盈余波动性或股票回报波动性大于对应的样本中位数，则划为高信息不确定性组，否则划为低信息不确定性组。

表4报告了上述的回归结果⑥。在回归(1)～(4)中，无论是按销售量占比(采购量占比)还是耐用品行业区分公司对供应链的依赖程度，分析师的供应链行业知识(Chain_Dum)都只在高依赖程度组中显著为负，而在低依赖程度组中不显著，这表明分析师的供应链行业知识(Chain_Dum)对盈余预测误差的负向关系主要存在于对供应链依赖度更高的公司中。在回归(5)～(8)中，分析师的供应链行业知识(Chain_Dum)回归系数仅在高信息不确定性组中显著为负，而在低信息不确定性组中不显著，这表明当公司面临的信息不确定性较大时，分析师的供应链行业知识(Chain_Dum)对盈余预测误差的负向作用更明显。

以上结果表明：首先，供应链企业之间的经济依赖程度会影响供应链行业环境与公司盈余之间的相关性，当公司与客户或供应商的经济密切度较高时，供应链行业的信息与公司本身的相关性较高，此时分析师具备的供应链行业知识才更具价值；同时，供应链企业间的依赖程度还会影响分析师对供应链行业信息的关注程度，以及其在解读行业信息时分配的权重，进而影响供应链信息的传递效应。因此，公司对供应链企业之间的依赖程度强化了分析师供应链行业知识在提高预测准确性中的作用。其次，当公司面临的信息不确定程度较高时，信息波动性会加剧分析师对公司信息或者同行业信息的反应不足，同时也增加了分析师拓宽信息渠道的需求，在供应链行业信息对公司盈余预测存在正向补充作用的情况下，具备供应链行业知识的分析师可以通过信息加工对公司未来盈余做出更准确地判断。因此，公司面临的信息不确定性会增强分析师供应链行业知识对预测质量的提升作用，本文的假设2和假设3得以验证。

表4 供应链行业知识与预测误差：供应链依赖程度和信息不确定性的调节效应

注：表中的Chow检验是分组回归检验Chain_Dum的系数差异，数字表示该检验的卡方统计量。

(三)进一步研究

1.供应链行业知识正向作用的机理分析。如上文所述，公司供应链行业中的信息溢出效应能够在一定程度上补充有关公司价值判断的信息，而具备供应链行业知识的分析师能够更好地利用这一信息，提高其盈余预测的信息质量。但具体来说，究竟这种供应链行业知识是通过知识本身提高了分析师的预测质量还是知识带来的熟练程度或经验提高了预测质量？这里我们对供应链行业知识的作用机理作进一步探究，若具备供应链行业知识的分析师对跟踪公司的预测频率更低，则表明分析师凭借供应链行业知识本身的知识效应向市场提供了质量更高的盈余预测。对此，我们定义了被解释变量预测频率(Frequency)，即分析师当年对公司发布的预测次数。表5报告了这一检验的回归结果，供应链行业知识的虚拟变量(Chain_Dum)在回归(1)中显著为正，即具备供应链行业知识的分析师对上市公司的预测频率更高，但Chain_Ratio在回归(2)中不显著。我们认为对此可能的解释是：对于分析师整体来说，是否具备供应链行业知识对其能否更积极地利用相关行业的新信息去修正先前预测值有显著影响，但是对于供应链分析师整体来说，拥有供应链行业知识的多寡对其修正预测频率的影响并无显著区别。结合上文的实证结果，可以看出，具备供应链行业知识的分析师积极地利用新的信息修正之前的预测值，并通过供应链行业知识带来的经验进一步提高了分析师的盈余预测质量。

表5 分析师的供应链行业知识与预测频率

2.区分知识溢出效应高低的行业。考虑到不同行业的知识溢出效应不同，如果是分析师供应链行业知识起作用，那么这种效应会在知识溢出效应比较强的行业中更明显。借鉴雷欣和陈继勇(2012)的研究[23]，本文选取了以下具有较强知识溢出效应的行业：石油天然气开采、石油加工及炼焦、木材加工及家具制造、化学工业、金属制品业、电力及热力的生产供应业和其他制造业，并进行了分组回归，回归结果如表6所示。我们发现，在绝大多数情况下，分析师的供应链行业知识对盈余预测误差和乐观偏差的负向作用只在知识溢出效应强的行业中显著。而在回归(3)和回归(4)中，供应链行业知识(Chain_Ratio)对RError的负向作用在不同行业中都显著，但在行业溢出效应较强组中的回归系数(绝对值)大于行业溢出效应较弱组中的回归系数。公司供应链行业中的信息溢出效应，能够为分析师更好地理解公司价值提供有益的增量信息，表6的实证结果说明，分析师供应链行业知识对盈余预测质量的提升作用在知识溢出效应比较强的行业更明显。这一点恰恰说明了供应链分析师是通过供应链行业知识溢出与传递的路径提供了更高质量的盈余预测报告，进而也支撑了上文的实证结果。

表6 供应链行业知识与预测质量：区分知识溢出效应高低行业

注：表中的Chow检验是分组回归检验Chain_Dum或Chain_Raio的系数差异，数字表示该检验的卡方统计量。

(四)内生性问题处理

1.反向因果问题。优秀的分析师可能更倾向于跟踪所关注公司供应链行业上的公司，以补充行业信息获取来源，而这些分析师由于本身研究水平高，提供的盈余预测信息质量本来就较高，因此，本文的回归结果可能受到反向因果导致的内生性问题。为缓解上述内生性问题带来的影响，我们采用Heckman两阶段法进行处理。具体实施步骤为：第一阶段，以Chain_Dum为被解释变量做Logistic回归得出逆米勒比率(Lambda)；第二阶段，在模型(1)的回归中加入第一阶段估算出的Lambda重新检验。在构建Logistic回归模型时，本文选取了是否明星分析师(Star),公司是否被分析师的客户重仓持有(Related),与公司是否具有承销关系(UW),以及其他分析师特征与公司特征变量。这一检验结果在表7中进行了报告，在第一阶段的回归中(回归(1))，Star的系数显著为负，表明明星分析师不倾向于形成供应链行业知识；Related的系数显著为负，UW则不显著，表明分析师对存在关联关系的公司也不倾向于形成供应链行业知识。我们认为这一结果在现实中是存在的：一方面，券商有较强的托市动机[24]，分析师出于券商压力会牺牲准确性而提供更乐观的研报为承销股票提供支持；另一方面，在我国卖空收益模式尚不成熟的情况下，高质量的研究报告未必能为客户带来收益，因此，分析师没有动力对关联公司投入成本以形成供应链行业知识，通过发布乐观的研报就能为客户带来较大的投资收益[25]。我们将回归(1)估算出的逆米勒比率(Lambda)加入模型(1)中，得到第二阶段的回归结果，见回归(2)和回归(3)。从中可以看出，供应链行业知识(Chain_Ratio)仍都显著为负，研究结论未发生改变，说明反向因果的内生性问题并未影响本文的实证结果。

表7 供应链行业知识与预测质量：Heckman回归结果

2.遗漏变量问题。分析师与公司之间的配对可能受到某些未观测因素的影响，而这些因素可能同时影响到分析师对公司盈余预测的质量。为了尽可能缓解因遗漏变量带来的内生性问题，本文将通过两种方法来处理。首先，我们选取了样本区间内分析师对跟踪公司存在供应链行业知识的子样本，对模型(1)重新进行检验，这可以直接比较分析师对公司的盈余预测质量在具备供应链行业知识年度和不具备供应链行业知识年度的差异。若本文的结论是由于分析师跟踪上市公司的系统性差异带来的，那么无论分析师是否具备公司的供应链行业知识，其对盈余预测质量的影响应不存在显著差别；若这种影响主要存在于分析师具备供应链行业知识的公司，则能在一定程度上缓解由遗漏变量带来的内生性问题。回归结果见表8中的回归(1)～(4)，我们发现研究结论未发生实质变化。其次，我们使用倾向得分匹配法对有无供应链行业知识的样本做了配对，在选择配对公司时，我们控制了分析师的经验、发布报告数量、跟踪公司数、同行业专长及公司层面的规模、资产负债率、盈利性等因素，采用1∶1邻近匹配得到一组配对样本，根据配对样本我们重新对模型(1)进行了回归，结果见表8中的回归(5)～(8)，可以看出研究结论仍然没有发生实质变化。

表8 分析师供应链行业知识与预测质量：子样本的重新回归

(五)稳健性检验

首先，我们采用供应链跟踪年限(Chain_Exp)来重新度量分析师的供应链行业知识，定义Chain_Exp等于分析师i对公司j具备供应链行业知识的年份减去首次跟踪与公司j前五大客户/供应商同行业公司的年份。其次，对分析师的盈余预测质量进行了重新度量：(1)计算了盈余预测的绝对误差(Abs_Error)，等于分析师在t年对该公司最新的每股收益预测值与实际每股收益之差的绝对值除以预测日前一天的股价；(2)计算了分析师对公司的预测得分(Score)[26]，在t年根据预测的绝对误差对所有跟踪该公司的分析师进行排序并赋值(Rank)，误差最小的分析师赋值为1，误差最大的分析师赋值最高，则Score=100-[(Rank-1) / (N-1)] ×100，N为对该公司发布预测的分析师人数。根据新定义的变量分别重新进行了回归分析，研究结论未发生变化。最后，我们还在模型(1)中进一步控制了分析师个体的固定效应，研究结论也未有本质变化。因此，总体来看，本文的实证结果是稳健的(限于篇幅，稳健性检验结果均未列示)。

五、研究结论与启示

增强信息有效供给、切实维护投资者利益是推进资本市场供给侧结构性改革的一项重要内容[27]。在资本市场中，分析师扮演着重要角色，分析师所具备的行业知识是代表其研究能力的核心要素，会对分析师提供的信息质量产生显著影响。本文针对目前对分析师行业知识领域研究的不足，主要考察了分析师供应链行业知识对其盈余预测信息质量的影响，得到以下结论：与一般分析师相比，具备供应链行业知识的分析师提供的盈余预测的信息质量更高；当公司对供应链公司的依赖程度越高、公司面临的信息不确定程度越高时，分析师的供应链行业知识对盈余预测质量的提升作用就越大。本文从分析师的角度验证了供应链信息溢出的积极作用，揭示了分析师供应链行业知识对其研究报告质量的提升作用。

本文的研究结论能够帮助我们更好地理解分析师的行业知识是如何在我国资本市场上发挥作用的。实际上，分析师的行业知识或行业专长不仅仅局限在跟踪公司的同行业内，与跟踪公司的客户或供应商相关的行业知识对于分析师提高研报的信息质量同样发挥着重要作用。对券商来说，对分析师行业专长的培养不应局限在某一个或几个行业本身，而应在挖掘每一个分析师行业特长的同时，将重要客户和供应商所处行业内的公司也纳入跟踪范围，以更合理地配置分析师的跟踪组合，从而形成分析师更强的行业优势。另外，本文的研究结论也为市场投资者如何使用分析师研报提供了一定的参考：面对庞大的分析师队伍与繁多的分析师研报，投资者在事前判断分析师预测准确性的依据就显得尤为重要。长期以来，我国资本市场上散户投资者有着迷信明星分析师的倾向，但是无论从《新财富》“最佳分析师”评选的实践经验还是已有实证研究来看，与一般分析师相比，明星分析师提供研究报告的质量并非更高。从本文的研究也可以看出，明星分析师并没有更积极地构建供应链行业专长，而对行业知识掌握程度较高的分析师往往可以为投资者提供更有价值的研究报告。因此，投资者不应盲目追捧“明星”，而应更多关注其头衔背后的行业知识储备，特别对于那些同时具备供应链行业知识的分析师要予以重点关注。

注释：

①来自中国证券网2011年7月“得行业者得天下，券商偏好实业出身研究员”的报道，新浪财经对此的摘录网址：http://finance.sina.com.cn/stock/quanshang/ybyj/20110719/022510168530.shtml。

②例如，根据《上市公司行业分类指引》(2012年修订版)的分类标准，制造业中次类代码为“C2”的行业中包括“家具制造”“造纸及印刷”“石油加工炼焦”“医药制造”“橡胶与塑料”等等，明显可以看出这些行业之间仍存在较大的差异性，因此，为了保证同行业之间的信息传递存在意义，在证监会行业分类指引的基础上，进一步对这种次类行业划分不清晰的行业进行了细分。

③借鉴主流文献做法，若分析师在当年对一家上市公司发布了不止一份盈余预测时，仅保留最新的一份预测数据。

④限于篇幅，本文的实证结果主要以报告核心变量为主，完整的实证结果留存备索。

⑤耐用品行业包括金属和非金属加工业(行业代码：C30～C33)、机械设备制造业(行业代码：C34～C38)、电子业(行业代码：C39)和仪器仪表制造业(行业代码：C40)。

⑥限于篇幅，这里仅报告了以相对预测误差(RError)作为被解释变量、供应链行业知识的虚拟变量(Chain_Dum)作为解释变量的回归结果，相对预测乐观偏差(RBias)和供应链行业知识连续变量(Chain_Ratio)的相关回归结果留存备索。