上市公司高管连锁网络与分析师盈余预测精度

(西南交通大学 经济管理学院,成都 610031)

在不完善的金融市场中,处于信息劣势地位的投资者不仅常常缺乏必要的信息,还往往因专业能力的局限而难以对信息做出正确解读。作为金融市场的信息中介,证券分析师基于公开和私人信息,凭借专业能力对所跟踪的上市公司做出盈余预测,从而指导投资者的投资决策,并在市场估值、价格发现中起到重要作用[1]。有时候,分析师的盈余预测甚至成为了公司业绩优劣的判断标尺[2]。因此,分析师盈余预测的准确性一直都备受关注。一般认为,由于考虑了更多的信息,分析师盈余预测的准确性优于随机游走的时间序列模型[3],并且随着更多私人信息的加入,分析师给出的盈余预测的精度也更高[4-7]。

信息的传递依赖于特定的信息渠道,金融市场中的各个经济体之间存在着千丝万缕的联系,这种联系在金融市场的信息流动中具有重要作用,尤其是对于传递秘密性质的私人信息而言格外重要,因而深刻地影响着分析师的预测行为。Bae等[8]曾考察证券机构与被跟踪公司之间的承销关系带来的私人信息对预测精度的作用;宋乐等[9]检验了证券机构内部人员在被跟踪的上市公司担任高管而形成的关联关系对盈余预测的影响,但是由于这类信息渠道通常捆绑着上市公司和证券机构的共同利益,因而这些关系往往容易导致乐观甚至激进的预测,关系渠道对私人信息的传递则未能得到有效识别。除开这类可能有利益交换的关系,Maggio等[10]发现,基金经理最重要的资源是与能提供私人信息的核心做市商之间的良好关系,这是提高其分析能力的重要因素。Cheng等[11]借助深交所上市公司强制披露的投资者到访数据研究了分析师访问对盈余预测的影响,发现分析师通过实地访问可以挖掘出有别于其他渠道的私人信息,并给出更精确的盈余预测。刘文军等[5]研究发现,聘任与被预测公司相同会计师事务所的证券机构做出的盈余预测更为准确,原因在于同聘的事务所作为关系渠道为证券机构提供了必要的私人信息。伊志宏等[6]研究发现,上市公司的基金股权关联分析师能够挖掘更多的公司特质信息,从而能做出更准确的盈余预测。Luo等[4]发现,分析师能够从供应链的一家公司中得到另一家公司的信息,从而给出更精确的盈余预测。Han等[7]发现,当分析师同时关注两家有连锁高管的公司时,对这两家公司各自做出的盈余预测都更为准确,原因是分析师能够从一家公司中得到连锁的另一家公司的某些共同的财务和非财务信息。

本文注意到,已有研究对私人信息流动的考察大多从信息接收方(如证券机构或分析师)的角度出发,忽略了作为私人信息传播起点的上市公司在私人信息供给中的作用,难免存在缺憾。考虑到私人信息的传递往往发生于不同公司高管之间的人际交流中[12-16],因此,本文从公司董事、监事及高级管理人员跨公司任职的角度,以公司为主体,构建由这些高级管理人员相互连锁而形成的上市公司高管连锁网络,考察上市公司所占据的连锁网络位置对分析师盈余预测精度的改进效果,并探究这种改进效果的内在作用机理。研究结果表明,上市公司的高管连锁网络上存在着泄露的私人信息,这些信息能够被分析师捕获,并反映在盈余预测中,最终丰富金融市场中的信息供给。公司的连锁网络中心度越高,私人信息的传播和扩散就越充分,而企业间高管的互动则是私人信息得以传递的微观基础。

本文从私人信息供给的视角,较为领先地透视了企业所处的社会网络位置如何影响私人信息的分发,并最终作用于分析师的盈余预测的路径,有助于深化对上市公司私人信息往来的认识。本研究深入网络中心度的表层,从高管互动的视角揭示了企业私人信息传递所依赖的微观结构,有助于加强对上市公司私人信息流动过程及方式的理解。研究发现,只有形成实质性互动的关系才能构成真正意义上的社会关系网络,这对以后的研究提出了新思考,有必要重新审视那些静止的、中断的社会关系,以确认其在社会关系网络中的有效性。

1 理论分析与研究假设

在完善的金融市场中,上市公司的信息披露应当是及时而充分的,但现实中,公开渠道上的信息披露常常被机会主义挟持,管理层则成为了私人信息的集散地。与此同时,上市公司的高管又经常在不同公司身兼数职,建立起公司之间的连锁关系,使得上市公司镶嵌于由高管连锁而形成的企业社会网络之中。社会网络理论从个体间的关系出发,将社会描述为由节点间联结的集合构成的整体网络[17],网络中的节点直接或间接地与其他节点建立联结,并且这种联结促进了信息、资源等的传递和交换[18-19]。以往的研究较多地讨论了企业社会关系为公司带来的信息和资源,但较少关注社会关系如何影响企业私人信息的向外传递。尽管公司法对公司董事、监事和高级管理人员规定了勤勉义务和忠实义务,禁止高管擅自披露公司秘密,但企业高管间的人际交流在所难免,在共同的职业身份下,高管间的信息流动可能会导致上市公司的私人信息在公司间扩散。

对上市公司高管而言,社会网络中的人际交流导致了明显的信息泄露[20],这种信息泄露不仅可能在无意中发生,有时出于维护关系的需要或对某些资源与权利的要求,管理层也会主动向分析师或投资者透露私人信息[21]。在更多时侯,共同的职业身份使得高管相互之间的交流总是必须的、无处不在的,特别是在面对面的人际传播中,诸如眼神、表情、动作等的副语言符号的参与常常让传递者把本想隐藏的秘密暴露[13]。高管们有可能在毫无防备的状态下,就企业的经营管理相互交换经验和看法[12,14,16],不仅使得行业层面的非特质信息的扩散[22],甚至还会揭露敏感的事实,导致有价值的公司特质信息的泄露[13,15]。因此,不论是有意或无意,作为上市公司私人信息集散地的管理层自然地成为了私人信息传播的源头和起点,而企业的高管连锁网络势必会影响私人信息的传递和扩散。但长时间以来,泄露的私人信息在金融市场中的流动过程却仍然是黑箱般的存在。在社会网络分析方法的帮助下,私人信息被高管泄露后在金融市场中的传播、扩散及其影响开始得到文献的关注[15]。

相关研究表明,关联强度和信息质量会显著影响信息的扩散过程[23]。有较多链接关系的初始节点发布的信息的扩散数量远远超过链接较少的初始节点,并且信息越稀缺、质量越高,其扩散和配置的速度就越快[23-24]。私人信息本就具有价值含量,各节点因此而具有争相获取这些私人信息的动机,而作为私人信息传播的源头,上市公司所处的社会网络位置势必会影响这些私人信息的扩散过程。高管连锁关系越丰富的企业,私人信息泄露的可能性越高,缺乏私人信息的邻近节点就越可能打探到该公司的私人信息,随后再将其传递给其他临近节点,从而使得私人信息在高管连锁关系网络上弥散。Cheng等[15]的研究佐证了这一观点,他们通过社会网络分析方法发现,董事连锁构成了内幕信息泄露的渠道,并且上市公司在董事连锁网络上的位置与内幕交易显著相关。在社会网络分析中,一般用节点的网络中心度来表征节点的网络位置特征,位置中心度高的节点拥有更多的社会关系或占据更重要的渠道位置。本文主要关注企业的点度中心度、中介中心度和特征向量中心度这3类网络中心度。根据Freeman[25]的研究,点度中心度反映某节点与其他节点的直接联系数量,是节点形成各种间接关系的基础。中介中心度关注的是某节点是否在关系渠道中占据枢纽地位,反映了该节点对信息和资源流动的控制能力。特征向量中心度寻找的是在网络全局结构中最居于核心的行动者,认为节点的中心度受与它相连的其他节点的中心度的影响,即节点的特征向量中心度是与该节点相连的其他节点的中心度的函数[26]。网络中个体的中心位置能够显著促进信息的扩散[27],上市公司的私人信息从自身开始,沿着连锁关系建立的渠道向临近节点流动,而处在网络位置越中心的上市公司,其私人信息将被更多与之相连的节点获取,并指数级地在节点间扩散,以该公司为预测对象的分析师,将越可能从社会网络节点上捕获这些私人信息,最终改进预测精度。据此提出假设:

H1处于高管连锁网络越中心位置的上市公司,被分析师做出的盈余预测精度越高。

H1a上市公司点度中心度越高,被分析师做出的盈余预测精度越高。

H1b上市公司中介中心度越高,被分析师做出的盈余预测精度越高。

H1c上市公司特征向量中心度越高,被分析师做出的盈余预测精度越高。

假如假设H1得到验证,这也仅仅是发现了企业的高管连锁网络中心度与分析师盈余预测精度存在正向联系,但这未必是因为企业通过连锁网络向外界传递了私人信息的缘故。为此,本文考虑从两个方向加强对这一结论的佐证。一方面,考虑到分析师的盈余预测是在对公开信息和私人信息综合利用后的结果,设想当企业提供的公开信息不充分时,分析师将越依赖企业通过连锁网络向外界散播的私人信息。因此,可以考察企业公开信息充分和不充分这两种情况下企业所处的网络位置对盈余预测精度的改进作用是否存在差别,进而间接证明企业是否通过连锁网络传递了私人信息从而改善了分析师盈余预测精度。据此提出假设:

H2当上市公司的公开信息不充分时,网络中心度对分析师盈余预测精度的提升更明显。

另一方面,本文提出上述假设的立足点在于,处在连锁网络越中心位置的企业,私人信息越有可能由于丰富的企业间连锁关系而泄露。而透过企业间连锁关系的表层,在一个典型的人际传播过程中,私人信息的传递事实上发生于两个连锁企业的高管之间。这说明,公司之间存在的连锁关系仅仅意味着私人信息具备了由一家公司传递到连锁的另一家公司的条件,但私人信息能否真正得以传递,本质上取决于两公司高管之间的人际交流。考虑这样一种情况,A 公司的一名高管甲同时在B 公司担任高管,A、B公司由此建立连锁关系,这意味着A 公司的私人信息存在泄露给B 公司的可能,但若甲没有与B公司任何其他高管互动的机会,那么,A 公司的私人信息也无法通过高管甲传递到B公司。因此,高管之间的互动机会是私人信息传递的基本条件,只有当公司高管与连锁公司的其他高管进行有效互动时,企业高管连锁网络才能真正建立起私人信息传递的通路。据此提出假设:

H3当公司高管与连锁公司的其他高管互动机会越多时,网络中心度对分析师盈余预测精度的提升越明显。

2 研究设计

2.1 数据来源

选取沪深两市A 股上市公司为研究样本,从CSMAR 数据库收集了2011～2017年度全体证券分析师对当年(包含年度终了至年报公布期间)的盈余预测数据,共326 193条。仅保留每家证券机构从年初至被跟踪上市公司当年财报公布日前对其做的最后一次预测,共128 255条。剔除当年内被少于3家证券机构跟踪的上市公司,最终得到120 931条。再以被跟踪上市公司为对象,计算全体证券机构一致预测的精确程度,得到11 272 个公司-年度观测值。在搜集其他控制变量并剔除存在缺失值的样本后,最终得到9 648个公司-年度观测值。本文的主要数据均来自CSMAR 数据库,并对所有连续变量进行了上下1%的Winsorize处理。

2.2 变量定义

2.2.1 被解释变量 本文的被解释变量为盈余预测精度,使用全体证券机构对某上市公司的一致预测为基础来测算该公司的被预测精度。使用一致预测的原因在于,它代表全体证券机构对该公司盈余的一致结论,抹去了单个证券机构及分析师个人特征带来的影响,能够更好地体现上市公司自身特质对盈余预测精度的影响。该公式为

2.2.2 解释变量 本文的解释变量为上市公司高管连锁网络中心度,分为点度中心度(DC)、中介中心度(BC)和特征向量中心度(EC)3种。为了取得各上市公司的中心度指标,基于CSMAR 数据库中的高管个人资料文件,在查找并补齐缺失字段后,针对每家上市公司的每位董事、监事和高级管理人员,综合考虑他们的姓名、性别、年龄、教育背景、职称和个人简历,以识别出同时任职于多家公司的高管。若至少有一名高管同时任职于A、B两家公司,则认为公司A、B之间建立了高管连锁关系。照此方式,通过手工整理和匹配形成A 股上市公司的高管连锁关系矩阵,并使用UCINET 6刻画上市公司社会网络结构,计算上述3类中心度指标。为了保留更完整的网络信息,本文的高管连锁关系网络包含全体A 股上市公司。使用以网络规模标准化之后的相对网络中心度,以消除网络规模对中心度的影响。

点度中心度的计算方法为

式中:g为节点总数;为节点Ni与其他g-1个节点j(i≠j)之间的直接联系数量。计算得到的数值越大,表明该节点与其他节点的直接联结越多。

中介中心度的计算方法为

式中:g为节点总数;gjk为点j、k间测地距的路径数量;gjk(Ni)为点j、k之间所有经过点i的测地距路径的数量。计算得到的数值越大,表明其他节点越依赖该节点进行联系,或者说该节点占据的渠道位置越重要,对信息流动的影响力越强。

特征向量中心度的计算方法为

式中:g为节点总数;A=(aij)为网络的邻接矩阵,当节点对(i,j)存在联结,aij取1,否则为0。λ是A的最大特征值,ej是节点j的特征向量中心度。计算得到的数值越大,表明该节点在全局网络中越居于中心地位。

2.3 实证模型

本文主要构建了如下模型进行实证分析:

上述模型中,Accuracy表示上市公司被证券机构做出的一致盈余预测的精度,每个公司在每一年度的被预测精度是唯一的,不与某个证券机构或分析师直接对应,抹去了做出预测的单个证券机构或分析师的个人特征,使得本文可以更好地专注于探讨公司自身特质对分析师盈余预测精度的影响。Centrality表示上市公司的网络中心度,分为DC、BC和EC等3 种,预期系数α为正。模型中的Control为控制变量向量,包括:Lev为上市公司资产负债率,总负债与总资产之比;Ins为上市公司股东中的机构投资者持股比例;Fsr为上市公司第一大股东持股比例;Earv表示上市公司盈余波动性,等于近3年每股收益的标准差;Growth为上市公司营业收入增长率;Follower为跟踪该上市公司的分析师数目;INDUS是行业虚拟变量,以2012版证监会行业分类标准的首字母划分;YEAR 是年份虚拟变量。

3 实证分析

3.1 描述性统计

表1给出了主要变量的描述性统计结果。上市公司被预测精度Accuracy均值为-1.085,标准差为1.500,显示不同公司间的被预测精度存在明显差异。相对网络中心度DC、BC和EC最小值均为0,这是因为本文构建的高管连锁网络中包含不与其他公司存在高管兼任的孤点,从标准差来看,各公司的网络位置也存在明显不同。Fsr均值为0.357,显示第一大股东平均持股35.7%,一股独大现象较为突出。Earv均值为0.217,标准差为0.221,样本中各公司盈余的波动性存在较大不同。从Follower的统计结果来看,样本公司平均被18位左右的分析师跟踪,跟踪一家上市公司的分析师最少有3位,而最多有71位。整体上,各变量统计特性良好。本文也对各变量进行了相关性分析,发现3个中心度指标存在一定的相关性,但是由于三者并不同时加入回归模型,故不产生影响。除此以外,未发现其余自变量之间高度相关的情况,后文中本文也对每组回归做了方差膨胀因子检验,进一步排除了多重共线性的干扰。

表1 主要变量描述性统计

3.2 多元回归分析

3.2.1 上市公司网络位置与盈余预测精度 首先,检验上市公司网络中心度和被预测精度的关系,表2给出了回归结果。在表2中,DC的偏回归系数为0.213(t=2.018),显示点度中心度在5%的显著性水平上提升了上市公司的被预测精度,即拥有越多直接关系的上市公司,被证券机构做出盈余预测的准确度越高。BC的偏回归系数为0.187(t=2.547),显示上市公司的中介中心度在5%的显著性水平上提升了上市公司的被预测精度,即在关系渠道中占据重要枢纽位置的上市公司,被证券机构做出盈余预测的准确性越高。EC的偏回归系数为0.011(t=1.594),即与有较高中心度的节点相连时,上市公司被做出的盈余预测的准确性越高,但这种关系在统计上的显著性稍差。上述结果表明,上市公司所处的网络位置的确影响着分析师做出的盈余预测精度,并且拥有的直接高管连锁关系越多、占据的渠道位置越重要,被分析师做出盈余预测的精度越高。据此,假设H1得到检验。此外,上市公司的资产负债率、盈余的波动性降低了分析师的预测精度,而随着机构投资者持股比例、第一大股东持股比例、营业收入增长率和跟踪的分析师人数增加,盈余预测的准确性提高。

表2 上市公司网络位置与盈余预测精度回归结果

3.2.2 不同公开信息状况下的公司网络位置与盈余预测精度 上市公司网络中心度能够提升盈余预测精度已经得到验证,进一步检验假设H2。注意到,跟踪一个上市公司的分析师人数是企业公开信息的代理变量[28-29],当跟踪一个上市公司的分析师人数越多时,上市公司的公开信息得到了越充分的挖掘。借鉴该思路,按照跟踪上市公司的分析师人数的多少,将上市公司分为两类:若跟踪某上市公司的分析师人数多于上市公司跟踪人数的中位数,则认为该上市公司的公开信息较充分;否则,该上市公司公开信息不充分。稳健起见,参考深圳证券交易所每年对该所的上市公司信息披露质量的考评结果,将被评为优秀的公司归类为公开信息较充分,其余公司归类为公开信息不充分,分组回归结果如表3所示。

表3 不同公开信息状况下的公司网络位置与盈余预测精度回归结果

由表3可以看出,在(1)～(3)列中,企业点度中心度(DC)、中介中心度(BC)的偏回归系数显著为正,表明在跟踪上市公司的分析师数目少于等于中位数的样本中,企业的网络中心度对盈余预测精度存在明显的提升作用;但在(4)～(6)列中,企业网络中心度的作用不再显著,表明在分析师数目多于中位数的样本中,企业网络中心度对盈余预测精度的提升作用不再明显。类似地,表3中(7)～(9)列的结果表明,在上市公司信息披露质量考评未达“优秀”的样本中,企业网络中心度对盈余预测精度的提升效果明显存在;但(10)～(12)列的结果显示,在信息披露质量考评为“优秀”的样本中,企业网络中心度对盈余预测精度的提升作用不再明显。综上而言,当上市公司公开信息较充分,即分析师对私人信息的依赖程度较低时,企业网络中心度对盈余预测精度没有明显影响;而当上市公司公开信息不充分,即分析师对私人信息的依赖程度较高时,企业网络中心度对盈余预测精度表现出明显的改善作用。至此,假设H2得到验证。该结论表明,上市公司所处的网络位置影响分析师盈余预测精度的原因正是在于高管连锁网络对私人信息的传递。

3.2.3 不同高管互动机会下的公司网络位置与盈余预测精度 借鉴Cheng等[15]的研究,以公司高管在其连锁公司中能够进行交流的其他高管的人数总数来衡量高管的互动机会。例如,若A 公司有高管甲同时在B公司担任高管,有高管乙、丙同时在C公司担任高管,B公司共有25名高管,C公司共有20名高管。在这种情形中,高管甲在B公司中有机会向除自己以外的其余24名高管传递A公司的私人信息,高管乙在C 公司中有机会向除自己和同样来自A 公司的高管丙以外的其余18名高管传递A 公司的私人信息,高管丙在C 公司中有机会向除自己和同样来自A 公司的高管乙以外的其余18 名高管传递A 公司的私人信息。因此,A 公司的高管互动机会为:24+18+18=60。按照这一规则统计每家公司的高管互动机会,由于该变量可能与网络中心度共线性,参考Cheng等的做法,依照行业中位数将样本区分为互动机会多的样本和互动机会少的样本,分样本回归结果如表4所示。

表4 不同高管互动机会下的公司网络位置与盈余预测精度回归结果

由表4可以看出,在(1)～(3)列中,企业点度中心度(DC)、中介中心度(BC)的偏回归系数显著为正,表明在高管互动机会多的样本中,企业的网络中心度对盈余预测精度存在明显的提升作用;但在(4)～(6)列中,企业网络中心度的偏回归系数不再显著,表明在高管互动机会少的样本中,企业网络中心度对盈余预测精度的提升作用并不明显。该结果表明,连锁公司高管间的互动是使得企业高管连锁网络建立起私人信息传递通路的微观基础。这一结果也印证了上市公司所处的网络位置影响分析师盈余预测精度的原因正是在于高管连锁网络对私人信息的传递。

3.3 稳健性检验

(1)剔除金融、保险行业的上市公司并重新做检验,结果如表5第(1)列所示,与上文基本一致。

(2)为了避免上市公司股票增发、分拆、转增等行为对每股收益产生影响,以分析师对净利润的预测重新测算盈余预测精度。新的盈余预测精度计算公式为

(3)本文用一个二值变量Accuracy3i,t来刻画盈余预测是否精确。计算下列公式:

(4)由于只有当期的高管连锁关系才能传递上市公司当期的私人信息,并最终影响分析师预测的精度,故上文中使用的网络中心度指标均是当期的数据。为了排除可能存在的内生性问题,本文使用工具变量加以缓解。构建工具变量的思路是,当一名高管在其任职的某家公司未领取薪酬时,他很可能同时在其他单位担任职务,从而增加该公司的高管连锁关系和网络中心度。本文统计了每家上市公司当年未领薪高管的数量,加1并取自然对数,记为NoPay,作为公司网络中心度的工具变量。表5第(4)、(5)列展示了以DC为例的工具变量的回归结果,在第1阶段中,NoPay的系数显著为正,工具变量的相关性得到满足,Cragg-Donald WaldF值为162.55,可排除弱识别问题。第2阶段的回归结果显示,在控制了可能的内生性后,DC的偏回归系数仍旧显著为正,表明越处在关系网络中心位置的企业,被做出的盈余预测精确度越高。限于篇幅,上述稳健性检验仅给出了以DC作为解释变量的回归结果。

(5)尽管企业的点度中心度、中介中心度和特征向量中心度等指标均只反映了企业所处的社会网络位置特征的某一侧面,但为了得到企业网络中心度的综合指标,还是将这3个指标进行了降维处理,通过主成分分析将其综合成一个指标,记为Centrality_F。表5第(6)列给出了新的回归结果,Centrality_F的系数仍然显著为正,再次表明处在连锁网络中心位置的企业,被做出的盈余预测的精确度越高。

综合上述稳健性检验,可以认为本文的实证结果是稳健的。

3.4 进一步研究:不同业绩类型下的公司网络位置与盈余预测精度

在完善的金融市场上,公开渠道的消息披露本应无差别地对待好消息和坏消息,但实际中,掌握主动权的管理层往往在消息披露上表现出机会主义行为,倾向于延迟披露、甚至藏匿坏消息。既然高管之间存在私人信息的交流,那么,这些私人信息是否会包含公开渠道上常常缺乏的坏消息? 因为好消息通常已经在公开渠道被及时披露,所以私人信息中的好消息价值不大,对盈余预测精度的提升将不明显,而私人信息中的坏消息则能够纠正分析师对绩效较差公司的信息偏差,从而有效提升盈余预测精度,即业绩较差公司的网络中心度对盈余预测精度的提升作用比业绩较好公司的网络中心度对盈余预测精度的提升作用更明显。为了验证这一猜想,将样本分为好消息型样本和坏消息型样本分别检验。饶育蕾等[30]以净利润增长率是否达到行业平均值来区分企业业绩的好坏,但考虑到平均值易受极端值的影响,本文以行业中位数为界限进行区分。稳健起见,分别从净利润增长率和营业收入增长率两个层面考察公司业绩,若公司净利润增长率或营业收入增长率达到或超过行业中位数,则视其为好消息型公司;若公司净利润增长率或营业收入增长率不及行业中位数,则视其为坏消息型公司。表6所示为分组回归的结果。

由表6可以看出,在(1)～(3)列中,企业网络中心度的作用并不显著,表明在净利润增长率好于行业中位数的样本中,企业网络中心度对盈余预测精度无明显的提升作用;但在(4)～(6)列中,企业点度中心度(DC)、中介中心度(BC)和特征向量中心度(EC)的偏回归系数显著为正,表明在净利润增长率不及行业中位数的样本中,企业的网络中心度对盈余预测精度存在明显的提升作用。类似地,表6

中(7)～(9)列的结果显示,在营业收入增长率好于行业中位数的样本中,企业网络中心度对盈余预测精度的提升作用并不明显;但(10)～(12)列的结果显示,在营业收入增长率不及行业中位数的样本中,企业网络中心度对盈余预测精度的提升效果明显。综上而言,当上市公司业绩较好时,企业已经通过公开渠道充分披露了好消息,而使关系网络上的私人信息价值含量降低,上市公司所处的网络位置对盈余预测精度没有明显效果;当上市公司业绩较差时,公开渠道上披露的坏消息相对缺乏,而企业的网络中心度对盈余预测精度表现出明显的改善作用。该结论表明,企业的高管连锁关系网络能够有效传递企业尚未在公开渠道披露的坏消息,从而弥补证券机构的信息缺失,充盈了分析师盈余预测的信息含量。

表5 稳健性检验结果

表6 不同业绩类型下的公司网络位置与盈余预测精度回归结果

4 结论

本文以2011～2017年度沪深两市A 股上市公司为样本,构建基于高管连锁的上市公司社会关系网络,透视了企业所处的网络位置对私人信息供给的影响,以及最终如何作用于分析师的盈余预测精度。研究发现:

(1)上市公司高管连锁网络中心度能显著提升分析师盈余预测精度,其中,上市公司的点度中心度和中介中心度的作用最为明显,而特征向量中心度的作用则稍弱。这表明,上市公司自身能接触的关系网络在私人信息的传播和扩散中具有明显的作用,而是否与其他关系资源丰富的节点相连则并不十分关键。

(2)上市公司所处的网络位置影响分析师盈余预测精度的原因在于其对私人信息的传递,分析师越依赖于私人信息,高管连锁网络上流动的私人信息越能充盈分析师的信息。

(3)当上市公司高管互动机会较多时,网络中心度能明显提高分析师盈余预测精度。这表明,高管互动是私人信息在企业社会网络上流动的微观基础。因而,只有互动中的企业社会网络才能充分展现出传递信息的功能,以后的研究有必要重新审视那些静止的、或者实质上中断的社会关系,以评判它们的价值和影响。

(4)进一步研究还发现,企业高管连锁网络提供的私人信息中包含了公开渠道上常常被延迟披露、甚至被隐藏的坏消息,从而纠正了分析师的公开信息偏差,充实了分析师盈余预测的信息含量。在上市公司选择性披露消息的机会主义行为难以从根本上矫正的困境下,这一结论建议应考虑如何在制度安排上进一步发挥分析师的信息中介作用,以捕获流动于企业高管连锁网络上的私人信息,并以盈余预测的形式将其注入金融市场,从而在一定程度上缓解信息的不对称。

本文从私人信息传递的角度揭示了上市公司高管连锁网络位置与分析师盈余预测精度的内在联系,丰富了社会网络、信息扩散与分析师盈余预测的相关研究,有助于加强对上市公司私人信息流动方式的理解。同时,本文的研究成果还肯定了证券分析师在缓解金融市场信息不对称中的重要作用。尽管目前我国上市公司的信息披露制度并不完备,还常常被机会主义动机所挟持,但分析师市场能够在一定程度上捕捉企业在社会关系网络中散布的有效私人信息,并将其反映在一致预测中,为投资者的投资决策提供了参考价值。在认为高管连锁形成的信息通道将引起内幕交易的既有研究以外,本文注意到这些私人信息将通过分析师最终融入金融市场,为进一步看待高管连锁的信息泄露提出了新的侧面,也对缓解金融市场信息的信息不对称提供了新的视角。