分析师跟进的决定因素——来自中国证券市场的证据，本文主要内容关键词为：分析师论文,证据论文,中国证券市场论文,因素论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
证券分析师是资本市场中的有机组成部分，他们提供上市公司的盈余预测，撰写所跟进公司的研究报告，并向其客户提供证券买卖的建议。分析师作为证券市场中的专业分析人员，其作用在于通过优于一般投资者的信息收集途径和专业分析能力，向市场参与者提供合理反映证券内在价值的信息，从而促进市场的有效性(Healy and Palepu，2001)。
随着对分析师研究的深入，学术界关注的焦点逐步从分析师行为的经济结果(如林翔，2000；Barth and Hutton，2004等)转向其内在的行为模式与动因(如Kuperman，2003；胡奕明和林文雄，2005等)。在分析师的诸多职能活动中，“跟进”(Following)①无疑是其最基本的行为之一。由于分析师的注意力有限，并且对上市公司展开研究成本较高，因此每个分析师只会选择跟进少量上市公司。李心丹等(2008)发现，目前中国分析师跟进的上市公司数量一般仅为5家左右。那么，究竟哪些公司吸引了分析师的跟进？本文将着力于探讨影响分析师跟进行为的主要因素。
虽然国外关于分析师跟进的文献较为丰富，但其研究结论却存在着许多分歧。如Bhushan(1989)发现分析师跟进与机构持股比例和盈利波动率正相关，而O'Brien and Bhushan(1990)则在确认机构持股的同时指出盈利波动率与分析师跟随负相关，并且其结论得到了Lang and Lundholm(1996)的支持。值得注意的是Rock et al.(2000)运用计数计量方法得出了与Bhushan(1989)完全相反的结论，即机构持股比例或是盈利波动率越大，分析师跟进数量越少。本文将就文献中存在的诸多争议给出中国市场的经验证据，进一步完善对分析师跟进动因的相关研究。此外，Chan and Hameed(2006)指出分析师在新兴资本市场中由于受到其信息角色的影响，其行为与在发达市场不同，因此本文的意义还在于检验成熟市场的研究是否在新兴资本市场上成立。
目前国内对分析师跟进行为影响因素的研究较少。刘晔和肖斌卿(2009)检验了分析师跟进、管理层持股与公司价值三者的相关关系。而李丹蒙(2007)、冯旭南和李心愉(2011)则分别研究了公司透明度和股价波动对分析师跟进的影响，此外，决定分析跟进的因素还包括公司多元化(蔡卫星和曾诚，2010)和股权结构(欧阳励励，2011)等。林小池等(2007)与本文较为接近，他们考察被海外分析师跟进的公司是否与其他公司存在显著的区别。但上述研究均未能全面地探讨决定分析师跟进行为的动因，尤其忽略了日益为上市公司和投资界所重视的投资者关系管理(Investor Relations Management)对分析师跟进的影响。投资者关系管理是指公司通过充分的自愿性信息披露，综合运用金融和市场营销的原理加强与投资界的沟通，促进投资界对公司的了解和认同，实现公司价值最大化的战略管理行为(李心丹等，2006)。从2001、2002年部分A股上市公司跟随海外上市公司系统实施投资者关系管理，到2005年底中国证监会出台《上市公司投资者关系管理指引》，投资者关系管理已经成为上市公司在资本市场上竞争的重要工具。良好的投资者关系管理可以使分析师以更低的成本、更便捷的渠道获取更加丰富准确的信息，但同时也使普通投资者更容易直接从上市公司获取信息，从而降对分析师信息服务的需求。因此，有必要就投资者关系管理对分析师跟进的影响展开研究。
基于南京大学证券分析师行为研究课题组调查分析师跟进决策时所考虑的重要因素，实证检验了公司规模、业务复杂性、投资风险、股权结构以及上市公司投资者关系管理对分析师跟进数量的影响。本文的研究首先有助于我们了解在中国市场上当分析师进行跟进决策时，上述因素对其行为的影响机制和具体的作用方向；此外，检验上市公司投资者关系管理水平与分析师跟进之间的关系，能够加深我们对分析师在新兴资本市场，尤其是中国资本市场中的信息中介作用的理解；最后，本文使用结构化方程的方法探讨分析师跟进、机构投资者持股和投资者关系之间的逻辑关系，为研究结论提供了进一步的稳健性证据。
此外，从上市公司的角度，促进分析师的跟进可以使投资者更加深入细致地了解公司的基本信息，减少信息不对称和资本成本，从而提升公司价值。因此，本文对于上市公司充分认识分析师选择跟进公司的主要因素，提升管理水平以吸引更多分析师跟进具有重要的意义。
二、理论模型
Admati and Pfleiderer(1986)首次尝试提出精确的分析师跟进理论模型，但仍然不够成熟。而Bhushan(1989)则建立了一个简单的供给与需求均衡模型，用以解释分析师跟进决策的影响因素，该模型将分析师跟进视为提供一种服务，进而在基本的经济学供给和需求框架下对分析师服务进行分析，虽然简单但深刻且直观，因而该模型被广泛引用。
均衡的分析师跟进由对分析师服务的总需求和总供给共同决定。Bhushan模型假设分析师市场不存在进入退出壁垒，并且所有分析师服务都是同质的，那么在一定时期内分析师服务的供给与需求函数可以表示为：
Bhushan(1989)以跟进某公司的分析师的数量代替TC[*]，其基本假设是每个分析师的收入均相同②。然而，由于公司特征可能会影响跟进该公司的分析师的收入，这样的假设并不精确。因此本文没有将分析师跟进数量直接视为总收入TC[*]，而是将其作为对分析师服务量Q的度量，考虑到在中国市场分析师数量与研究报告数量高度线性正相关(ρ=0.98)，而提供研究报告又是分析师服务的主要形式，所以本文方法更加贴近实际情况。
三、研究假设
基于南京大学证券分析师行为研究课题组的调查报告，本文选取了公司规模、公司复杂度、投资风险、股权结构、投资者关系等五个影响分析师跟进的主要因素。南京大学证券分析师行为研究课题组通过对《21世纪经济报道》评选的金牌分析师发放问卷(李心丹等，2008)，调查分析师在选择上市公司跟进时考虑的重要因素。调查表明，分析师跟进上市公司主要关注的因素包括对投资者利益的保护、公司信息披露水平、能获得第一手资料、公司治理完善程度、公司风险高低、公司规模、股权结构以及业务复杂度等(如图1所示)。
图1 影响分析师跟进的主要因素(按重要性评1-5分)
数据来源：李心丹等(2008)
我们的变量选取与调查报告相一致，其中公司规模大小、公司复杂度、公司风险高低和股权结构都是分析师所关注的重要因素，而投资者关系管理水平可以作为公司信息披露水平、治理完善程度和对投资者利益保护的重要体现。下面对变量选取及其理论基础做详细解释，并得出研究假设。
(一)公司规模
公司规模在所有分析师跟进因素的研究中结果较为一致，即分析师总是倾向于跟进那些规模较大的公司。一种观点认为公司的市值越大，则分析师所提供的信息越有价值，从而会增加对分析师服务的需求。另一种观点则指出与分析师的收入直接相关的并不是公司的市值，而是公司证券的成交额以及来自承销的收入，因此他们在做出跟进决策时会倾向于选择那些成交额或承销收入更大的公司。由于公司规模对供需双方存在上述影响，更大的市值将使需求曲线右移，而更大的股票交易额将使供给曲线右移，这都将令均衡的分析师跟进数量增加。所以我们有下面的假设：
H1a：分析师跟进的数量与公司的市场价值正相关；
H1b：分析师跟进的数量与公司的股票交易额正相关，并且交易额相比市值更具解释力。
(二)公司复杂度
公司的复杂度是由其涉及的行业范围及在各行业中的收入比例决定的，复杂度通过影响信息的获取成本来改变分析师服务的总供给。业务更复杂的公司使分析师需要付出更多的精力和时间，从而会增加服务成本，令均衡的分析师跟进数量减少。另一方面如果投资者能够充分认识到公司的复杂性，并希望在投资决策前对公司的业务有更加全面的了解，那么他们会需求更多的分析师服务，从而增加均衡数量。由于公司复杂度的具体影响方向未知，我们提出无方向假设：
H2：分析师跟进的数量与公司的复杂度无关。
(三)投资风险
本文从三个方面考察投资风险对分析师跟进的影响：系统风险、非系统风险和预测风险，分别以CAPM中的β系数、净资产收益率的波动性和回报-盈利相关系数来度量(Wei and Zhang，2006)。投资风险是一个复杂的因素，它对分析师的跟进决策有相反方向的两种影响。一方面，如果分析师所提供的信息是有效的，那么在证券的投资风险较大的情况下，投资者会希望通过获取分析师所提供的信息来减少预测误差，以便实现控制风险和增加收益的目标。与之相对的，风险的增加同样也会提高分析师预测时的难度，使他们预测错误的概率变大。因此当投资风险增大时，如果分析师不能通过收集必要的信息来降低预测误差，声誉的考虑会使他们规避高风险的公司。
由此可见，投资风险会同时影响分析师服务的需求和供给。这两种相反的影响使我们无法确定均衡的变化方向，因此我们仍然提出无方向假设：
H3a：分析师跟进的数量与公司的β系数无关；
H3b：分析师跟进的数量与公司的净资产收益率波动性无关；
H3c：分析师跟进的数量与公司的回报-盈利相关系数无关。
(四)股权结构
本文中的股权结构包括机构持股比例和内部人持股比例两个方面。如果分析师的收益主要由机构投资者提供，那么机构持股比例升高就可以增加需求；但如果分析师主要从中小投资者的股票交易中获取收益，那么更加分散的持股才能提高分析师服务的需求。此外，机构投资者持股与分析师跟进的相关关系可能存在内生性问题，在考察二者的因果关系上应当谨慎，我们假设：
H4a：分析师跟进的数量与公司的机构持股比例无关。
内部人对公司的详细情况和相关信息有着非常深入的了解，因此他们对分析师所提供的信息的需求较小，相比普通投资者更少地依赖于分析师的服务。而内部人持股比例的增加就意味着外部人持股比例的减少，这将导致总体需求的下降，我们假设：
H4b：分析师跟进的数量与公司的内部人持股比例负相关。
(五)投资者关系(IR)
增进投资者关系管理水平可以减少分析师获取公司信息的成本，推动供给曲线向右移动，在其他条件不变的情况下这将增加均衡的分析师跟进数量③。但更好的投资者关系管理对分析师服务需求的影响却由其在资本市场中的信息角色决定，如果分析师基本上是信息中介，那么增进的投资者关系可以使分析师得到更多有用的信息，从而增加对分析师服务的需求④。
然而，如果分析师主要是信息提供者，与企业直接提供给投资者的信息相竞争，那么加强投资者关系管理所带来的更多企业提供的信息无疑会替代分析师的报告，最终使得投资者对分析师服务的需求下降。所以尚无法确定投资者关系管理对总需求的影响方向，我们假设：
H5：分析师跟进的数量与公司的投资者关系管理水平无关。
四、实证检验与结果讨论
(一)数据来源与样本时间
为了检验我们在上文中所提出的假设，需要采集三个方面的数据：(1)分析师跟进数量的数据；(2)公司股票收益数据和财务治理数据，包括企业规模、行业分布、股权结构、收益风险、资产结构等；(3)公司的投资者关系管理数据。我们选择A股上市公司作为研究样本，参照Bricker et al.(1999)，本文以对某公司发布盈利预测的分析机构数量作为分析师跟进数量的指标，并通过万德(Wind)中国金融数据库得到了2005年1221家和2006年1779家A股上市公司的分析师跟进数量。第(2)方面的数据我们取自色诺芬(SINOFIN)的CCER股票价格收益数据库、CCER一般上市公司财务数据库以及CCER上市公司治理结构数据库，所选择的样本是全部A股上市公司2005至2006年的年度数据，变量定义与说明见下文。第(3)方面的数据来自《中国上市公司投资者关系管理年度报告》(2005-2006年)，该报告在两年中分别对371家和470家A股上市公司的投资者关系管理的进行了评价，并且编制了投资者关系管理指数(CIRI[NJU])。考虑到金融行业营业收入和资本结构的特殊性，我们剔除了属于银行、保险等金融行业的公司。
本文使用了CIRI[NJU]中的质量指标和管理指标来度量上市公司的投资者关系管理水平，质量指标包括两个方面的内容，其一是沟通关系的质量，其二是披露信息的质量。沟通关系的质量是指上市公司在与投资者进行沟通的过程中所包含的几个基本面的质量，包括进行沟通的渠道的质量和沟通本身特征的质量。信息披露是投资者关系管理的一个核心组成部分(Mahoney，2000)，CIRI[NJU]把信息披露质量作为衡量投资者关系管理质量的一个重要方面。管理指标是从公司的IR组织角度考虑的，也包括两个方面：(1)作为过程的组织，即上市公司如何组织投资者关系管理活动，这主要体现在公司高层管理者对IR的承诺和参与上；(2)作为一种结构的组织，主要是IR组织的健全方面，体现在IR部门设置、IR人员配备素质等方面。关于指标更详细的介绍请参考李心丹等(2006)。CIRI[NJU]是对我国A股上市公司投资者关系管理水平的综合性系统评价，在研究分析师跟进决策时使用该指数来度量公司的IR是本文重要特色。
(二)变量定义与说明
基于上文中探讨的影响分析师跟进的五个重要因素，本文主要引入了1个因变量，3个公司规模与复杂度变量，3个投资风险变量，2个股权结构变量和4个投资者关系管理变量。此外，为了增强实证结果的说服力，本文还引入了公司财务杠杆比率和所属证监会行业这两个在文献中常见的控制变量。我们用总资产负债率度量财务杠杆比率，并通过构造11个虚拟变量控制行业的影响⑤。
1.因变量
分析师数量=对某上市公司发布盈余预测的分析机构的数量；
表1是分析师跟进数量的描述性统计结果，显示共有2300个“公司-年度”数据，平均每个公司在一个财务年度中被5.4个分析师跟进。
2.公司规模与复杂度变量
公司市值=上市公司的流通A股在财务年度开始时的市场价值；
公司交易额=上市公司的流通A股在整个交易年度中的成交金额；
公司复杂度以Herfindah1类指数度量，下式中Herf表示公司复杂度，Revenuei表示公司在i行业的年度收入，Total Revenue表示公司在各个行业的年度总收入；
公司的市值是对公司规模最基本的度量，而公司交易额则是刻画规模的另一个替代性指标，其隐含的假设是分析师能够从交易中获利。对于公司复杂度，本文根据Markides(1996)的建议，使用赫芬指数来度量公司运作的多元化，综合考虑了公司涉及行业的数量和收入在各行业中的分布。
3.投资风险变量
Beta系数=CAPM模型中的β系数，是由CCER股票价格收益数据库获得的年度数据；
ROE波动率=上市公司在过去十年中的净资产收益率的历史标准差；⑥
回报-盈利相关系数=公司股票的年度回报与公司年度盈利之间在过去十年中的相关系数；
Beta系数可以反映公司证券的系统风险，而ROE波动率的大小则体现了由公司自身因素引起的净资产收益率波动，是对公司非系统风险的度量(Wei and Zhang，2006)。此外，King et al.(1990)指出回报-盈利相关系数越高，则对股票未来价格的预测越容易，且预测误差越小，所以回报-盈利相关系数与公司股票的预测风险负相关。
4.投资者关系管理变量
管理指标=反映公司在组织结构、人员领导方面增进投资者关系的能力；
质量指标=反映公司在对外沟通、信息披露方面增进投资者关系的能力；
按照南京大学投资者关系评价指标体系，投资者关系管理变量由管理指标和质量指标两部分构成，而质量指标又可以分为沟通关系质量和信息披露质量两个方面。
(三)简单相关性分析
本文并不准备预测分析师跟进数量与各影响因素之间的具体函数形式，所以我们采用与Lang and Lundholm(1996)相似的处理方法，以分级数据(Ranked Data)为基础进行实证研究。我们首先对所有的因变量和自变量进行排序，然后将排序结果转化为百分位数：(排序号-1)/(公司数量-1)⑦，这种转换可以有效地减少不同变量的数量级差异给研究带来的影响，并使得排名最高的公司百分位数为1，而排名最低的公司百分位数为0。
表2报告了在将数据进行分级处理后，各对自变量之间的相关系数。正如我们所预期的，公司市值与公司交易额这两个衡量公司规模的替代变量之间存在较大的正相关性，其相关系数为0.82；但是该系数小于1也说明这两种不同的度量方法抓住了公司规模不同方面的特征。此外，由于各个投资者关系管理指标都是对同一事实的考量，因此它们之间出现了较高的相关度。其余相关系数中，除机构持股比例与公司规模的相关系数稍大外，其他自变量之间的相关度均较小，系数范围从-0.27至0.29，因此可以推测在多元回归分析中多重共线性并不是一个重要的议题，而我们在稍后的检验中也发现这些自变量的方差膨胀因子范围是1.02到1.71，由此可以确定我们样本中的其他变量不存在严重的多重共线性问题。
从表2还可以看出，分析师跟进数量与各影响因素多数存在相关关系，比如分析师跟进数量与公司市值、交易额、业务复杂度、回报-盈余相关系数、机构持股和投资者关系水平正相关，与系统风险、ROE波动率、内部人持股负相关，这些都与Lang et al.(1996)的研究结论是一致的。
(四)多元回归分析
本文将首先使用经典线性回归模型(CLRM)来检验影响分析师跟进决策的各种因素，并判断我们在上文中提出的假设是否成立，然后进一步地，我们将依据分析师跟进数量是非负整数的特征，采用更加符合数据真实产生过程的计数分布计量模型来替代CLRM，并将回归结果与通过OLS得到的估计值进行对比分析，使本文的研究结果更加稳健。
本文构建的回归模型如下：
1.OLS回归分析
表3报告了分析师跟进数量对各种影响因素变量的OLS回归结果(此处即后文中我们均使用White异方差相容协方差进行系数标准误的估计，以控制异方差的影响)。可以看到无论选择总体IR指标还是细分IR指标，分析师数量都与公司市值和交易额在1%显著水平上显著正相关，这说明分析师在进行跟进决策时更加愿意选择的公司，这与我们的假设H1a是一致的。为了分析公司规模的两种度量方法的解释力，我们对四个回归模型调整后的
进行比较，发现公司的交易额相比公司规模对于分析师跟进的数量具有更强的解释力，这一证据支持了我们的假设H1b，说明分析师之所以倾向于选择规模较大的公司很可能是基于自身收益的考虑，即他们希望跟进交易额更大的公司以便获得更多的佣金收入。
通过表3我们可以看到，赫芬指数的值与分析师数量显著正相关，而由上文中的变量定义可知赫芬的值越大则公司的复杂度越低，所以表3的结果表明，公司的复杂度在1%显著水平上与分析师跟进的数量显著负相关。这使得假设H2得到了确切的回答，本文的证据说明，中国的投资者还未能充分认识到了解公司复杂业务的重要性，因此更加复杂的公司并不能带来更多对分析师服务的需求。此外，各模型中ROE波动率都在1%显著性水平上与分析师数量显著负相关的结果否定了假设H3b，即异质性风险较大的公司受到较少分析师的关注，可能的原因在于中国分析师很少获取公司特质信息，因而无法有效控制异质性风险对预测的影响，该结论与冯旭南和李心愉(2011)相一致。但衡量系统风险的Beta系数和度量预测风险的回报-盈利相关系数则在回归中失去了显著性，支持了假设H3a和H3c，并与Bhushan and Cho(1996)的结果比较接近，显示系统风险和预测风险没有对分析师的预测准确性形成严峻挑战，说明在中国市场上有关系统风险的宏观信息相对充分。
表3中机构持股比例在所有的回归中都与分析师数量显著正相关(在1%显著水平上)，回答了假设H4a，支持分析师更愿意跟进机构持股比例较高的公司。这一现象与西方发达国家的情况不同，实际上是由于成熟市场上的机构投资者多使用内部(买方)分析师来辅助其决策，导致对外部(卖方)分析师需求的下降。而本文的证据则使我们了解到中国市场上分析师服务的主要对象依然是机构投资者，他们的主要收益来源并非个体投资者。结果还显示，内部人持股比例在5%显著水平上与分析师跟进负相关，支持了假设H4b，并表明内部人对分析师所提供的信息的需求较小。
从投资者关系对分析师跟进数量的影响来看，管理指标在IR总体指标回归中与分析师跟进数量在10%置信水平下正相关，但在IR细分指标回归者中统计不显著⑧，而所有回归中IR质量指标和沟通关系质量均在5%显著水平上与分析师跟进数量显著正相关。本文所得到的IR大致与分析师数量正相关的结果支持了分析师在中国市场上主要起到了信息中介的作用，而非主要信息提供者。此外，财务杠杆比率与分析师跟随在5%置信水平下显著正相关，与李丹蒙(2007)相一致。
2.基于计数回归分析的稳健性检验
跟进某一公司的分析师数量具有非负整数的特征，因此使用基于连续形函数的回归模型是不恰当的(Rock et al.，2000)。CLRM假设因变量连续且分布在(-∞，+∞)的区间上，但分析师跟进数量却是在0以上的离散数据，所以采用OLS估计的CLRM模型由于不符合计数因变量的本质特征而不能给出准确的预测值，并将导致参数估计的有偏性、不一致性和错误的推断。
在处理计数数据(Count data)时，Winkelmann(1997)指出选择与计数数据本质一致的模型至关重要：“计量模型随机部分的分布假设应该与数据的非负性和整数性一致，适合使用在这些场合的分布主要是泊松分布和负二项式分布，所以对应的计数数据计量模型是泊松模型和负二项式模型。以下的随机过程即为计数过程(Count Process)：
(1)N(t)(在时刻t或者之前跟进某个公司的分析师数量)≥0；
(2)N(t)为整数；
(3)对于s＜t，N(t)≥N(s)，其中s和t均为时点；
(4)对于s＜t，N(t)-N(s)是在时间间隔(s，t)内新加入的分析师数量；
该过程是一种可能的分析师跟进数量的产生过程(其真实过程不可知)，所以本文同时使用泊松模型和负二项式模型进行计数数据的计量分析，以考察前文中OLS回归的稳健性。
表4报告了分析师跟进数量对各种影响因素变量的Poisson和Negative Binomial回归结果。我们发现采用最大似然估计得到的参数符号和显著性水平与之前的结果相似，充分支持了我们在上文中对OLS回归的分析和论断，说明本文对分析师跟进影响因素的实证结果具有较强的稳健性。并且表4中使用Poisson回归得到的调整后的均大于表3中的值，这说明基于计数模型相比CLRM模型具有更强的解释力，能够更加真实地反映数据的生成过程。在计数模型中投资者关系管理变量具有了更强的统计显著性，IR质量指标在表3中与分析师跟进数量在5%置信水平下正相关，而表4的结果显示，计数回归中IR质量指标的显著性水平上提升到了1%水平。同时，其细分指标——沟通关系质量的估计系数也提升到了1%统计显著性水平。
综上，Poisson和Negative Binomial回归的结果支持了本文针对各种影响分析师跟进决策的因素所进行的分析和推断，进一步检验了我们提出的假设，使得许多关键变量的显著性得到提高，并且体现出了比CLRM更强的解释能力。
(五)非递归分析师跟进模型的进一步检验
上文的研究说明，分析师的跟进受到机构持股比例和公司投资者关系管理水平的影响，但我们并不能从理论上确定这种影响的因果方向。另一种观点认为，较多的分析师跟进意味着大量的研究报告，使得机构投资者能够对公司的基本情况有更深入的了解，这会增大机构的持股比例；同样，更多的分析师跟进会令公司的信息披露更加透明，也可能会迫使公司改善其投资者关系。这就说明分析师跟进还可以反向影响机构持股比例和投资者关系水平，并且有可能这三者都由其他前定变量共同决定，所以不能排除联立性的存在对模型参数估计所产生的影响。
本文将运用结构化方程模型(SEM，Structural Equation Modeling)作为估计非递归(Nonrecursive)分析师跟进模型的工具，为前文对H4a和H5的研究结果提供进一步的证据。根据Lang and Lundholm(1996)的建议，我们选取年度股票回报率、公司规模、ROE波动率和行业虚拟变量作为公司IR指标的工具变量，而机构持股比例则仿照OBrien and Bhushan(1990)，使用滞后一阶机构持股比例、公司规模、ROE波动率、行业虚拟变量、公司杠杆率和公司复杂度来进行解释。考虑到表2的相关性统计结果，建立了非递归分析师跟进模型(见图2)。
分析师跟进模型要估计的变量数为235，而模型的不同的样本矩数目为21×(21+1)/2=231个，因而模型的自由度为235-231=4，带4自由度的χ[2]=22.50，所以调整后的χ[2]=5.625；拟合优度指数GFI=0.978，模型均方根误差RMSEA=0.089，说明模型拟合情况较好。而三个内生变量的稳定性指数Stability index=0.613＜1，所以对非递归模型的参数估计是稳定的。
股票收益率 内部人持股比例 公司交易额
模型中的双向箭头是相关系数和协方差，表示允许变量之间存在相关性，但没有明确定义因果方向的关系。而单向箭头则是本文着重要检验的变量之间的统计因果关系。拟合结果表明，e1，e2，e3这三个残差之间的相关系数在5%显著性水平下几乎均不显著(三个相关系数中最大的为e1与e2间的系数，其p值为0.68)，说明内生性问题并不严重。
表5报告了分析师跟进、机构持股比例、IR指标这三个内生变量之间的关系，结果显示在5%的显著性水平下，IR指标对分析师跟进的解释作用显著，而机构持股比例更是在1%置信水平下显著影响分析跟进决策。另一方面，分析师跟进对机构持股比例、IR指标的解释却在5%置信水平下不具有统计显著性。这为本文的多元回归结果提供了进一步的证据，支持了机构持股比例和IR指标是影响分析师跟进的决定因素，并且三者并非都由其他前定变量共同决定。然而在10%的显著性水平下，分析师跟进的变化显著影响机构持股比例和IR指标的变化，表5中的四个“箭头”均得到了支持，说明较弱的反向逻辑可能存在。
五、结论
本文研究了在中国这一新兴市场中影响证券分析师跟进决策的主要因素，我们分析师更愿意跟进规模较大尤其是股票交易额较高的公司，并且倾向于规避业务较为复杂或者收益波动较为剧烈的公司；更高的机构持股比例和更好的投资者关系也能够吸引到分析师的跟进，但较大的内部人持股比例则会减少分析师的关注。本文为国外分析师跟进研究中所存在的各种分歧提供了中国市场的证据，并运用Bhushan(1989)的供需均衡模型来解释各种因素对分析师跟进决策的影响，最后通过计数计量模型和结构化方程模型进一步验证结果，使本文的结论更具稳健性。
我们中国分析师服务的主要对象为机构投资者而非个体投资者，机构产生的交易量和服务费是分析师的主要收入来源。中国分析师从企业获取信息加以处理然后传递给普通投资者，他们在资本市场上主要扮演了信息中介的角色，而不是作为信息提供者与企业直接披露的信息进行竞争。由于中国市场的信息披露机制尚不完善，使得分析师难以通过获取公司层面的特质信息来规避非系统风险，降低预测误差，这与Chan and Hameed(2006)对于新兴资本市场特点的论断是一致的。
促进分析师跟进可以使投资者更加深入地了解公司的基本信息，减少信息不对称和资本成本，从而提升公司的价值，因此本文的研究同样对上市公司有着积极的意义。我们发现公司的沟通关系质量与分析师数量显著正相关，因此加强与分析师和投资者的沟通是上市公司吸引分析师跟进的重要途径，而IR管理指标对分析师跟进没有显著影响很有可能是因为公司的IR管理经验不足或者方式有误，使得IR管理没有达到应有的效果。
注释：
①“跟进”是指分析师对某家上市公司开展研究，并发布如盈余预测、评级等研究报告(Lang and Lundholm，1996)。
②Bhushan(1989)表示采用这种替代方式将会产生偏差，但关于分析师收入的数据在市场上难以获得。
③在一份投资者关系报告中，Nichols(1989)描述缺乏与投资者和分析师的沟通是如何导致分析师服务供给不足的，他引用Robert Dunlap的话：“我不会跟进Pullman，是因为他们从不告诉我充分的信息，使我无法对他们的生意有足够的把握…如果他们能够更加开发，我想我一定会对Pullman产生很大的兴趣。”
④Fishman and Hagerty(1989)和Merton(1987)对于分析师跟进做出了相似的预测，在这些模型中，投资者仅能够跟进数量有限的公司，并且他们偏好于跟进那些会提供最有价值的信息的公司。
⑤证监会制定的《上市公司行业分类指引》中共有13个门类，本文考虑到金融行业在营收和资本结构方面的特殊性，已经将其剔除。为了避免陷入虚拟变量陷阱，我们使用11个虚拟变量控制剩余的12个行业门类。
⑥本文使用上市公司季度、中期和年度财务报告中公布的净资产收益率计算ROE波动率和回报-盈利相关系数。对于上市时间超过10年的公司，用于计算波动率的观测数为40个；对于上市时间不足10年的公司则使用截面之前全部的公告数据(包括招股说明书中报告的上市前3年的数据)，我们剔除了观测数少于20个的公司。
⑦本文对数据进行分级(rank)处理的方法与Lang and Lundholm(1996)略有不同，他们在同一“行业-年度”之内进行数据排序，我们则对所有公司共同排序，这样做是因为Iman and Conover(1979)指出如果行业内的公司数量较少，则百分位数的取值将变得极端，其后果是这些行业的观测方差将显著增大。为了检验该方法的稳健性，我们也使用了非分级数据重新做了估计，得了的结果与分级数据类似。
⑧我们认为这可能是公司的IR管理并没有起到应有的作用与效果，说明公司的IR管理能力或是管理方式存在问题，当然也可能因为IR管理是潜在的行为，不能很好被分析师们所观测。
标签：投资者关系论文; 投资分析师论文; 股票分析师论文; 行业分析师论文; 回归模型论文; 预测模型论文; 数据分析师论文; 风险模型论文; 证券分析师论文; ir论文;