○暨南大學管理學院 徐飛鵬

2014年我國首次將大數據寫入了政府工作報告，同年十八屆五中全會上提出實施國家大數據戰(zhàn)略。2016年工信部正式印發(fā)《大數據產業(yè)發(fā)展規(guī)劃(2016—2020年)》。2017年十九大報告進一步強調要推動大數據和實體經濟的深度融合。這些都標志著大數據已上升為國家戰(zhàn)略。

分析師作為資本市場的信息中介，對目標公司的盈余預測是投資者進行投資決策的重要信息來源和參考依據?，F有文獻表明影響分析師對上市公司盈余預測準確性的因素主要包括宏觀環(huán)境、分析師個人特征以及公司規(guī)模、信息披露水平等公司層面因素。本文從資本市場的信息中介——分析師角度出發(fā)，研究企業(yè)實施大數據管理對分析師預測準確性的影響，發(fā)現企業(yè)實施大數據管理會提高分析師盈余預測的準確性，在一定程度上能夠緩解資本市場的信息不對稱，提高資源配置效率，豐富了大數據管理的經濟后果和分析師盈余預測準確性影響因素的研究，同時為持續(xù)推進國家大數據戰(zhàn)略，提供一些有建設性的政策建議。

一、 理論分析與假設提出

(一) 大數據管理與分析師盈余預測準確性

分析師通過挖掘和分析上市公司的信息，進而制定并發(fā)布對目標公司的盈余預測，因此分析師獲取信息的數量和質量是其預測準確性的重要影響因素(王雄元等，2017)。上市公司公開披露的信息具有獲取成本低的特性，成為分析師進行盈余預測的重要信息來源和決策依據(Baginski和Hassell,1997)。因此，上市公司信息披露的透明度即信息披露質量將會顯著影響分析師盈余預測準確性。已有研究發(fā)現公司的信息披露政策越透明，該公司的分析師跟蹤人數越多，分析師盈余預測更加準確(白曉宇,2009；方軍雄，2007)。從具體披露的信息來看，李丹(2009)認為盈余信息作為一種重要且公開的會計信息，其質量越高，反映企業(yè)經營以及財務狀況越準確，因此分析師的盈余預測準確度也更高。李馨子(2015)發(fā)現分析師可以從上市公司發(fā)布的管理層業(yè)績預告中獲得額外的盈余信息，從而提高其盈余預測準確性。而對于非財務信息披露質量對分析師盈余預測準確性的影響，有研究將企業(yè)社會責任報告作為非財務信息披露的代理變量，發(fā)現企業(yè)社會責任報告質量與分析師盈余預測準確性呈顯著正相關關系(Dhaliwal et al，2012)。王雄元(2017)研究了上市公司年報中有關風險信息披露與分析師盈余預測之間的關系，結果表明年報中風險信息披露頻率越高，分析師預測越準確。綜上，現有文獻表明上市公司的信息披露質量與分析師盈余預測準確性顯著正相關(Byard和Shaw，2003；伍燕然等，2016)。

企業(yè)建立大數據系統(tǒng)，應用大數據的能力，實施大數據管理的過程對其信息披露質量產生了重大的影響，主要體現在對信息質量本身的影響及信息披露過程質量的影響兩個方面。

1.大數據管理對信息質量本身的影響

從信息質量本身來看，企業(yè)實施大數據管理在一定程度上能夠對會計信息質量產生積極影響。企業(yè)實施大數據管理能夠提高會計信息的完整性、相關性、可理解性與及時性等質量要求(Warren et al.，2015)。企業(yè)實施大數據管理下的會計信息除了傳統(tǒng)的、結構化的財務報表信息，還包括大量的非結構化數據信息，如視頻、圖像、音頻、文本數據等，是對企業(yè)傳統(tǒng)財務信息的有效補充，能夠提高信息使用者的決策有效性(楊德明等，2020)。此外，企業(yè)運用大數據技術，能夠更早、更深地跟蹤和記錄其經營活動(Vasarhelyi et al.，2015)，搜集并挖掘經營活動數據背后蘊藏的潛在價值，為企業(yè)經營決策提供更加及時且更具預測價值的有效信息。對于會計信息的可靠性，有研究認為大數據管理下指數級增長的會計數據，大量是劣質和虛假的數據(成靜和彭代斌，2018)，這可能給會計信息的可靠性帶來嚴重的挑戰(zhàn)。事實上，大數據擁有真實性的特征，成熟的大數據系統(tǒng)，其數據質量均需遵循真實、準確、完整和及時等原則(Cockcroft和Russell,2018)。即企業(yè)成熟的大數據系統(tǒng)，能夠自動識別并剔除劣質、虛假的數據，從而確保其數據質量。因此，本文認為企業(yè)實施大數據管理初期，由于其技術不夠完善，可能會給會計信息可靠性帶來一定的負面影響，但隨著企業(yè)大數據能力趨于成熟，對可靠性的負面影響逐漸消失，以至保證和提高會計信息的可靠性。綜上，企業(yè)實施大數據管理，其會計信息可靠性、相關性、完整性、可理解性和及時性等質量要求得到保證，在一定程度上提高了會計信息本身的質量，提高了企業(yè)的會計信息透明度(Warren et al.，2015；楊德明等，2020)。

2.大數據管理對信息披露過程質量的影響

從信息披露過程質量來看，企業(yè)實施大數據管理對信息披露過程的質量也具有正面影響。首先，傳統(tǒng)的會計信息披露主要通過財務報告形式輸出信息，存在較大的局限性，體現在輸出內容有限和輸出形式單一兩個方面。大數據管理下的會計信息不僅包括傳統(tǒng)的、結構化的財務報表信息，還包括了以視頻、圖像、音頻、文本等為載體的非結構化的會計信息，形式更加豐富，內容更加全面，使不同信息使用者的個性化需求得到滿足，體現了會計信息披露的完整性和公平性原則；其次，大數據的高速特征使得企業(yè)會計信息能夠及時處理并進行披露，滿足了信息披露的及時性要求；最后，對于信息披露的真實性，有學者認為大數據環(huán)境下，企業(yè)可能會延遲披露其內部真實的數據，甚至虛假披露(成靜和彭代斌，2018)。但成熟的大數據系統(tǒng)的建立需遵循一項基本要求即具有可訪問性和可追溯性(Mcclatechy et al.，2015)，數據可追溯性是評價企業(yè)是否具有成熟的大數據能力的重要因素之一(Wang et al.，2018)，在數據可追溯性的限制下，企業(yè)進行選擇披露或虛假披露變得更加困難，企業(yè)會計信息披露真實性得以保證。因此，企業(yè)實施大數據管理下的信息能夠得到更好、更真實的披露(Shastri et al.，2019)。綜上，本文認為企業(yè)實施大數據管理可以提高會計信息披露過程的質量。

基于以上分析，本文預期企業(yè)實施大數據管理，能夠提高公司的信息披露質量，且實施大數據管理程度越高，信息披露質量越高，分析師可以獲取的信息數量更多、質量更高，其盈余預測準確性也更高。本文提出第一個假設H1：

H1：企業(yè)實施大數據管理提高了信息披露質量，進而提高了分析師盈余預測準確性。

(二)產權性質、大數據管理與分析師盈余預測準確性

現有文獻關于企業(yè)產權性質對企業(yè)信息披露質量影響的結論不一致(尹開國等，2014)。本文認為相較于非國有企業(yè)，國有企業(yè)信息披露質量更高。首先，兩者所追求的目標不同。非國有企業(yè)更加關注經濟利潤，追求企業(yè)經濟利益最大化。因此，它們會有選擇性地披露信息，表現為及時披露利好消息，而不披露或者延遲披露對企業(yè)不利的消息，導致企業(yè)信息披露的不充分、不及時；國有企業(yè)除了追求經濟效益，同時還承擔著一定的社會責任和社會目標，有著特殊的政策和經濟職能，國家對其信息披露的要求比非國有企業(yè)更高。其次，國有企業(yè)與非國有企業(yè)信息披露受到的監(jiān)管程度不同。與非國有企業(yè)相比，國有企業(yè)信息披露除了受到證監(jiān)會以及證券交易所的監(jiān)管，還受到各級國資委的監(jiān)管，監(jiān)管力度遠大于非國有企業(yè)。第三，從融資需求和盈余管理的角度，也能補充解釋。相較于國有企業(yè)，民營企業(yè)易受到信貸歧視(江偉和李斌，2006)，為了獲得銀行貸款，滿足企業(yè)融資需求，更有動機操控盈余，進行盈余管理，導致其信息披露質量降低(何平林等，2019)。

綜合上述分析，本文認為在均未實施大數據管理的情況下非國有企業(yè)的信息披露質量低于國有企業(yè)，而非國有企業(yè)實施大數據管理通過提高信息披露質量的路徑對分析師盈余預測準確性產生的影響較國有企業(yè)更顯著?；诖?，提出本文第二個假設H2：

H2：與國有企業(yè)相比，非國有企業(yè)實施大數據管理對分析師盈余預測準確性的影響更加顯著。

二、 數據與研究設計

(一) 樣本與數據

目前，只有深交所對外公布上市公司信息披露考核結果，故本文選取2013—2018年深市A股上市公司作為研究樣本，剔除了ST公司，鑒于金融行業(yè)公司財務指標的特殊性，也將其剔除。此外，由于分析師盈余預測數據的特殊性，采取以下步驟進行篩選：①將樣本中分析師預測數據缺失的觀測值剔除；②保留每個證券分析師當年度對上市公司最新一次的盈余預測數據；③對公司當年度所有分析師最新一次的盈余預測取平均值。通過上述步驟篩選過后，剔除相關財務數據缺失的樣本，最終得到6773個觀測值。

本文數據來源于兩個方面：①反映公司實施大數據管理的指數，該指數通過對上市公司年報的收集、整理得到。②研究涉及的其他財務數據和分析師預測數據均來自CSMAR數據庫。為了消除極端值的影響，本文涉及的所有連續(xù)變量均采用了1%的Winsorise處理。本文使用的數據處理軟件為stata15。

(二) 變量定義

1.被解釋變量

借鑒褚劍等(2019)的研究，本文將分析師盈余預測準確性定義為t年度，所有分析師對公司i的最新一次EPS預測值的平均值與公司i本年度實際的 EPS之差的絕對值，與公司i期初股票價格的比值，該值越小，表明分析師對公司i的盈余預測越準確。具體為：

(1)

其中：NewEPSit為t年度所有分析師對公司i的最新一次EPS預測值的平均值；EPSit為t年度公司i實際的EPS；PRICEit為公司i期初股票價格。

2.解釋變量

本文借鑒楊德明和史亞雅(2018)、楊德明等(2020)的做法，首先，甄別出大數據、大數據分析、大數據能力等關鍵詞，根據關鍵詞對中國深市A股上市公司2013—2018年的年報和公告進行搜索；其次，閱讀每份年報中董事會報告部分，并統(tǒng)計關于大數據的相關描述。在此基礎上，根據關鍵詞的搜索結果以及董事會報告相關內容，分析每家公司在建立大數據系統(tǒng)、實施大數據管理等方面的投入和實施程度，并對其打分，構建大數據行動指標(bigdata1)。如果大數據管理是該企業(yè)年度的主要投資方向，且該企業(yè)年度已建立完善的大數據系統(tǒng)、擁有成熟的大數據能力，則bigdata1為 3分；如果大數據管理盡管是該企業(yè)年度的主要投資方向，但該企業(yè)年度大數據系統(tǒng)不夠完善、大數據能力尚未成熟，則為2分；如果該企業(yè)年度僅僅是有所涉及大數據、或是被動的跟隨大流參與大數據系統(tǒng)和能力的建設，則為1分；如果年報中未提及大數據或是反映該年度企業(yè)未實施大數據管理，則為0分。本文是采用人工打分的方式構建的bigdata1指標，因此存在一定的主觀判斷的問題，為了解決這個問題，本文采取了以下兩種方法：①三位研究人員同時為一份上市公司年報打分，如果同一份年報的評分差異很大，則三位研究人員需重新進行審核并打分，在此基礎上，對三人的打分取平均值；②根據年報搜索結果，本文同時構建了不存在主觀判斷的大數據披露指標即bigdata2。如果年報中披露了大數據管理的相關信息，則bigdata2賦值為1，否則bigdata2為0。

3.中介變量

本文借鑒劉永澤和高嵩(2014)的做法，采用深交所對上市公司的信息披露評級(Rank)作為衡量公司信息披露質量的指標，從深交所網站手工搜集了2013—2018年深市A股上市公司信息披露評級，其中信息披露質量評級實行打分制，由低到高依次取值為1分、2分、3分、4分，分別對應“不合格”、“合格”、“良好”和“優(yōu)秀”四個等級。

4.控制變量

參照已有文獻，本文控制了企業(yè)規(guī)模(Size)、財務杠桿(Lev)、企業(yè)成長性(Growth)、企業(yè)總資產收益率(Roa)、企業(yè)的權益市賬比(Mtb)、企業(yè)上市年限(Listage)、企業(yè)股票回報波動率(Vol)、企業(yè)是否虧損(Loss)、企業(yè)是否經四大審計(Big4)、是否兩職合一(Two)、企業(yè)產權性質(Soe)、分析師跟蹤人數(Follow)等，同時還控制了行業(yè)和年度固定效應。相關變量的定義見表1。

表1 變量定義表

(三) 研究設計

為了檢驗本文假設1，參考溫忠麟等(2004)中介效應檢驗方法，構建了如下模型：

Ferror=β0+β1bigdata1/bigdata2+β2Size+β3Lev+β4Roa+β5Mtb+β6Vol+β7Growth+β8First+β9Listage+β10Follow+β11Soe+β12Two+β13Big4+β14Loss+β15∑ind+β16∑year+εit

(2)

Rank=β0+β1bigdata1/bigdata2+β2Size+β3Lev+β4Roa+β5Mtb+β6Vol+β7Growth+β8First+β9Listage+β10Follow+β11Soe+β12Two+β13Big4+β14Loss+β15∑ind+β16∑year+εit

(3)

Ferror=β0+β1bigdata1/bigdata2+β2Rank+β3Size+β4Lev+β5Roa+β6Mtb+β7Vol+β8Growth+β9First+β10Listage+β11Follow+β12Soe+β13Two+β14Big4+β15Loss+β16∑ind+β17∑year+εit

(4)

第一步，用模型(2)檢驗企業(yè)實施大數據管理對分析師盈余預測準確性影響的總效應；如果模型(2)中系數β1顯著為負，則繼續(xù)進行第二步，用模型(3)檢驗企業(yè)實施大數據管理對信息披露質量(Rank)的影響以及用模型(4)檢驗信息披露質量(Rank)是否存在中介效應；如果模型(3)中系數β1顯著為正且模型(4)中系數β2顯著為負，則進行第三步，即檢驗模型(4)中系數β1的顯著性，如果β1顯著為負說明部分中介效應顯著，否則表明該中介效應是完全中介效應。若第二步中，模型(3)中β1和模型(4)中β2至少有一個不顯著，則進行sobel檢驗。

對于假設2，將樣本以產權性質即是否為國有企業(yè)為依據分組，運用模型2進行分組回歸檢驗。

三、 實證檢驗

(一) 變量的描述性統(tǒng)計

表2是各變量的描述性統(tǒng)計。分析師盈余預測準確性(Ferror)的平均值為0.0105，中位數為0.006，標準差為0.013，該結果與前人的研究基本一致。大數據行動指標bigdata1的均值為0.555，中位數為0；大數據披露指標bigdata2的平均值為0.224，中位數為0。這兩個指標中位數均為0，說明樣本期間，絕大部分上市公司未實施大數據管理。

表2 主要變量的描述性統(tǒng)計

表3按是否實施大數據管理分組進行單變量分析，通過均值和中位數檢驗，初步驗證了企業(yè)實施大數據管理對分析師預測準確性的影響。從表3可以看出，相比未實施大數據管理的樣本，實施了大數據管理的樣本公司的分析師盈余預測更加準確(無論是均值T檢驗還是Wilcoxon檢驗均在1%的置信水平上顯著)。

表3 差異性分析

(二) 主要變量之間的相關性分析

表4列示了主要變量之間的 Pearson 相關系數矩陣。從表中可以發(fā)現大數據行動指標(bigdata1)和大數據披露指標(bigdata2)均與分析師盈余預測準確性(Ferror)顯著負相關。從各自變量之間的相關系數來看，總體上各自變量之間不存在明顯的多重共線性問題。

表4 主要變量之間的pearson相關性系數表

(三) 回歸分析

表5提供了企業(yè)實施大數據管理與分析師盈余預測準確性的多元回歸結果。從表中可以看出，大數據行動指標(bigdata1)和大數據披露指標(bigdata2)的系數均在5%的水平上顯著為負，表明企業(yè)實施大數據管理提高了分析師盈余預測準確性，且實施大數據管理程度越高，分析師盈余預測越準確。

表5 大數據管理與分析師盈余預測準確性

表6提供了中介效應的檢驗結果。從表6中可以發(fā)現，信息披露質量是大數據管理影響分析師盈余預測準確性的一個重要中介變量。具體回歸結果如下：第一，第(1)和(4)列bigdata1和bigdata2的系數均在5%的水平上顯著為負。第二，第(2)和(5)列bigdata1和bigdata2的系數分別在1%和5%的水平上顯著為正，表明大數據管理會顯著提高企業(yè)的信息披露質量。第三，第(3)和(6)列Rank的系數均在5%的水平上顯著為負，表明信息披露質量越高，分析師盈余預測準確性越高；bigdata1和bigdata2的回歸系數較未控制Rank時降低且均在5%的水平上顯著為負，表明部分中介效應顯著，即信息披露質量是一個重要的中介變量。綜合上述分析，H1得到驗證，即企業(yè)實施大數據管理通過提高企業(yè)信息披露質量的路徑，提高了分析師盈余預測準確性。

表6 中介效應檢驗

表7提供了假設2的檢驗結果。由表7可知，在國有樣本回歸中，bigdata1和bigdata2的回歸系數均為負數，但均不顯著，表明國有企業(yè)在實施大數據管理前后，分析師盈余預測準確性未發(fā)生顯著變化；而非國有樣本回歸中，bigdata1和bigdata2的回歸系數均在5%的水平上顯著為負，表明非國有企業(yè)實施大數據管理會顯著提高分析師盈余預測準確性。H2得到了驗證，即與國有企業(yè)相比，非國有企業(yè)實施大數據管理對分析師盈余預測準確性的影響更加顯著。

表7 假設2的檢驗(分組回歸)

四、 穩(wěn)健性檢驗

為了使本文得出的結論更加可靠，采用以下兩種方法進行穩(wěn)健性檢驗，相關結果未發(fā)生實質性改變。

(一) 工具變量回歸

本文的研究可能存在測量誤差而導致的內生性問題，使用工具變量法解決，選擇城市大數據發(fā)展水平即“city”這一外生變量作為工具變量。當城市為深圳市、上海市、北京市、杭州市、成都市、廣州市、天津市、南京市、東莞市和武漢市時，City取值為1，否則為0。顯然，這是一個外生變量，且這個變量與bigdata1、bigdata2均高度相關(相關系數分別為0.200和0.207)，此外弱工具變量檢驗F統(tǒng)計量達到了67.52，遠大于10，這些均表明不存在弱工具變量問題。表8、表9結果表明在解決內生性問題后，假設1和假設2依然成立。

表8 穩(wěn)健性檢驗：工具變量回歸(假設1)

續(xù)表8

表9 穩(wěn)健性檢驗：工具變量回歸(假設2)

續(xù)表9

(二) 變量的重新度量

1.由于大數據行動指標(bigdata1)不可避免地存在一定的主觀判斷問題，本文構建了一個無主觀判斷的反映企業(yè)是否實施大數據管理的大數據披露指標bigdata2，如前文所述，與大數據行動指標bigdata1得到的結論一致。

2.對于被解釋變量即分析師盈余預測準確性的度量，借鑒王雄元(2017)的研究，將分析師盈余預測準確性重新定義為t年度，所有分析師對公司i的最新一次EPS預測值的平均值與公司i實際的 EPS之差的絕對值，該絕對值與公司i的實際EPS絕對值加上0.5之和的比值，結論進一步得到驗證。

3.對于中介變量的重新度量，借鑒何平林等(2019)的做法，采用可操控性應計利潤(DA)重新度量信息披露質量，DA的絕對值越大，表明企業(yè)越有可能存在盈余管理行為，因此其信息披露質量越低?？刹倏匦詰嬂麧櫜捎眯拚偹鼓Ｐ?Dechow et al.,1995)估計，結論未發(fā)生實質性改變。

五、 結論

本文通過構建量化企業(yè)實施大數據管理的指數即大數據行動指標，利用2013—2018年深市A股上市公司的財務數據和分析師對目標公司的盈余預測數據，研究了企業(yè)實施大數據管理對分析師盈余預測準確性的影響。第一，企業(yè)實施大數據管理顯著提高了分析師盈余預測準確性，且實施大數據管理程度越高，分析師盈余預測越準確，進一步研究發(fā)現，企業(yè)實施大數據管理通過提高企業(yè)的信息披露質量這一路徑，進而提高了分析師盈余預測準確性；第二，與國有企業(yè)相比，非國有企業(yè)實施大數據管理對分析師盈余預測準確性的影響更加顯著。

本文的研究結論豐富了大數據管理的經濟后果研究，同時也拓展了分析師盈余預測準確性影響因素的研究，具有一定的理論意義。此外，結論表明企業(yè)實施大數據管理通過提高企業(yè)的信息披露質量，進而提高分析師的盈余預測準確性，在一定程度上能夠降低資本市場信息不對稱，提高資源配置效率。因此，政府有必要繼續(xù)大力推進大數據與實體經濟深度融合，通過稅收優(yōu)惠、財政補貼等手段緩解企業(yè)培育大數據能力的資金壓力，同時建立健全相關法律法規(guī)制度，保障企業(yè)商業(yè)秘密、個人隱私以及國家信息安全；企業(yè)應當充分認識大數據的重要性，積極開發(fā)大數據系統(tǒng)，培育大數據能力，實施大數據管理，實現價值創(chuàng)造。