信春華，郝曉露，程 璐

（1,2，3中國礦業(yè)大學(xué)（北京）管理學(xué)院， 北京 100083）

一、引言

數(shù)字化轉(zhuǎn)型被稱為人類歷史上的第四次工業(yè)革命，目前逐步形成了以信息技術(shù)為中心的經(jīng)濟發(fā)展模式，人類也借此躍入數(shù)字時代（陳冬梅等，2020）。2016年G20峰會上，數(shù)字經(jīng)濟成為一項重要議題，并得到全球范圍內(nèi)諸多國家的廣泛響應(yīng)；2017年，“數(shù)字經(jīng)濟”一詞被寫入黨的十九大報告；2021年《政府工作報告》進一步指出，要加快推進數(shù)字化發(fā)展，逐步形成數(shù)字優(yōu)勢，協(xié)同實現(xiàn)數(shù)字化轉(zhuǎn)型。中國信息通信研究院《中國數(shù)字經(jīng)濟發(fā)展白皮書（2021）》顯示，2020年我國數(shù)字經(jīng)濟規(guī)模已達39.2萬億元，占GDP總量的38.6%，成為國民經(jīng)濟的重要增長點，數(shù)字技術(shù)不斷釋放經(jīng)濟紅利、呈現(xiàn)利好前景。此外，突如其來的新冠肺炎疫情打破了原有的經(jīng)濟發(fā)展與生產(chǎn)生活模式，數(shù)字化技術(shù)在應(yīng)對公共衛(wèi)生危機、復(fù)工復(fù)產(chǎn)及促進經(jīng)濟平穩(wěn)發(fā)展中扮演了中堅力量，成為在特殊背景時期下全球的共同性需求。由此可見，數(shù)字化轉(zhuǎn)型勢不可擋，也成為學(xué)術(shù)界與實務(wù)界探討的重要命題。

黃群慧（2013）認(rèn)為，技術(shù)經(jīng)濟范式的轉(zhuǎn)變催生出了競爭格局、產(chǎn)業(yè)結(jié)構(gòu)、生產(chǎn)方式及治理方式的轉(zhuǎn)變。其它已有研究也指出，數(shù)字化轉(zhuǎn)型的經(jīng)濟格局驅(qū)動了商業(yè)模式（Choi等，2020）、產(chǎn)品生產(chǎn)方式（Müller等，2018）、組織架構(gòu)（劉政等，2020）、資源配置過程（袁淳等，2021）等的變革。譚松濤等（2016）認(rèn)為，互聯(lián)網(wǎng)技術(shù)的信息效應(yīng)提高了資本市場定價效率。但值得注意的是，數(shù)字化使得企業(yè)信息呈現(xiàn)指數(shù)級增長，信息冗余、信息過剩問題也初現(xiàn)端倪（Lateef和Omotayo，2019）；數(shù)據(jù)也存在顯著的時間邊際價值遞減效應(yīng)，使用者信息獲取延遲便會導(dǎo)致決策偏誤（戚聿東和肖旭，2020）；同時，業(yè)務(wù)的復(fù)雜多樣也使得信息變得更為復(fù)雜。因此，一方面，數(shù)字化的信息系統(tǒng)與信息平臺擴大了信息供給渠道，可追溯、可復(fù)現(xiàn)的信息傳遞過程提高了信息供給質(zhì)量，進而對企業(yè)信息披露產(chǎn)生正向驅(qū)動；另一方面，數(shù)字化轉(zhuǎn)型也可能由于信息過剩等形成噪聲，致使決策可能失誤。在當(dāng)前階段，數(shù)字化轉(zhuǎn)型究竟表現(xiàn)為何種效應(yīng)呢？具體結(jié)果有待驗證。較為遺憾的是，現(xiàn)有研究對數(shù)字化轉(zhuǎn)型的信息作用關(guān)注較少且多從單一技術(shù)角度出發(fā)（譚松濤等，2016），并未涉及新興技術(shù)力量下多維數(shù)字技術(shù)。據(jù)此，本文試圖從具有多維數(shù)字技術(shù)概念的數(shù)字化轉(zhuǎn)型出發(fā)，探討企業(yè)數(shù)字化轉(zhuǎn)型對信息的影響。

值得注意的是，分析師作為資本市場重要的信息主體，也是資本市場平穩(wěn)運行的“潤滑劑”，分析師預(yù)測質(zhì)量對資本市場資源配置過程 （Loh和Stulz，2018）與定價效率（徐飛和范曉雯，2020）具有重要影響，有研究指出分析師預(yù)測質(zhì)量優(yōu)于隨機游走模型（方軍雄，2007）。與一般意義的信息形態(tài)相比，數(shù)字化形態(tài)下，如何在龐大的數(shù)據(jù)集中精準(zhǔn)提取決策有用性信息成為投資者面臨的新問題。分析師作為具有經(jīng)驗專長的主體，較之散戶投資者，面對信息的指數(shù)級增長時，更具專業(yè)能力予以應(yīng)對。而企業(yè)信息披露作為分析師預(yù)測的重要信息來源，分析師預(yù)測質(zhì)量在一定程度上取決于目標(biāo)企業(yè)的信息披露，也即分析師預(yù)測質(zhì)量能夠有效反映企業(yè)數(shù)字化轉(zhuǎn)型的信息效應(yīng)抑或噪聲效應(yīng)。因此，從分析師預(yù)測質(zhì)量視角探究數(shù)字化轉(zhuǎn)型對信息的影響，對于資本市場運行與投資者決策具有參考價值。

本文基于2008-2020年滬深A(yù)股上市公司的經(jīng)驗證據(jù)，對企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間的關(guān)系予以研究，并探究其中的作用機制、異質(zhì)性情境因素下的非對稱效果及相關(guān)經(jīng)濟后果。本文可能的貢獻點包括：（1）從研究問題上，拓寬了數(shù)字化轉(zhuǎn)型經(jīng)濟后果及分析師預(yù)測質(zhì)量影響因素的相關(guān)研究。已有研究注意了單一數(shù)字技術(shù)的信息效應(yīng)，但少有探究多維數(shù)字化技術(shù)概念下企業(yè)的信息表現(xiàn)；同時，現(xiàn)有文獻強調(diào)了企業(yè)信息披露對分析師預(yù)測的影響，但尚未探討企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的影響。（2）從研究范式上，基于“基準(zhǔn)回歸-異質(zhì)性分析-機制檢驗-經(jīng)濟后果”的邏輯框架，探究了數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的影響方向及程度；同時，分析了數(shù)字化轉(zhuǎn)型與分析師預(yù)測兩者之間可能的作用機制；探討了異質(zhì)性情境因素下數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的非對稱性效果，并從權(quán)益資本成本視角探索企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的溢出效應(yīng)，從多場景論述了數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的影響。

二、文獻回顧

（一）分析師預(yù)測質(zhì)量的影響因素研究

分析師作為連接企業(yè)和投資者之間的橋梁，起著重要的信息傳遞和解讀作用。隨著資本市場的發(fā)展，分析師預(yù)測質(zhì)量的影響因素受到廣泛研究，具體包括以下視角：（1）分析師個體特征，例如：行業(yè)專長（劉永澤和高嵩，2015）、前期工作經(jīng)歷（Bradley等，2017）及性別特征等（伊志宏等，2015）。（2）外部信息環(huán)境，例如：周開國等（2014）指出更高的媒體關(guān)注伴隨著更高的分析師預(yù)測質(zhì)量；高鐵的開通打破了信息傳遞的距離障礙，分析師預(yù)測準(zhǔn)確度也隨之提高（楊青等，2019）；國家審計具有重要的信息監(jiān)督作用，可以有效約束企業(yè)信息自利行為，提高分析師預(yù)測準(zhǔn)確度、降低樂觀偏差（王美英等，2021）；同時，新冠肺炎疫情等非理性因素也是影響分析師預(yù)測質(zhì)量的重要動因（周愛民和劉曉孟，2021）。（3）目標(biāo)企業(yè)信息披露特征，依據(jù)信息不對稱理論，分析師預(yù)測質(zhì)量也依賴于目標(biāo)企業(yè)的信息披露。從信息披露質(zhì)量來看，方軍雄（2007）指出信息透明度高的公司，其分析師預(yù)測質(zhì)量更好。從信息治理過程來看，良好的內(nèi)部控制伴隨著及時、可靠的信息披露過程，降低信息傳遞的不確定性，進而提高分析師預(yù)測質(zhì)量（董望等，2017）。另外，企業(yè)盈余管理行為會造成分析師認(rèn)知偏差，進而降低分析師預(yù)測質(zhì)量（李丹和賈寧，2009）。

（二）企業(yè)數(shù)字化轉(zhuǎn)型的經(jīng)濟后果研究

數(shù)字化轉(zhuǎn)型是指包括人工智能、區(qū)塊鏈、云計算、大數(shù)據(jù)等新興數(shù)字技術(shù)的發(fā)展與應(yīng)用。黃群慧（2012）認(rèn)為，任何經(jīng)濟范式的變革都能夠帶來技術(shù)、管理與制度的變革，同時催生出競爭格局、產(chǎn)業(yè)結(jié)構(gòu)、生產(chǎn)方式及治理方式等的轉(zhuǎn)變。因此，數(shù)字化轉(zhuǎn)型不僅具有宏觀經(jīng)濟效應(yīng)，還具有微觀企業(yè)效應(yīng)。

宏觀視角。競爭格局層面，數(shù)字化發(fā)展重塑了全球競爭格局。何宇等（2021）指出數(shù)字化會進一步拉開發(fā)達國家與發(fā)展中國家的差距；呂越等（2020）發(fā)現(xiàn)人工智能技術(shù)促進了中國參與全球價值鏈分工。商業(yè)模式層面，數(shù)字化轉(zhuǎn)型對傳統(tǒng)商業(yè)模式產(chǎn)生破壞式創(chuàng)新（趙振，2015）。勞動就業(yè)與分工層面，數(shù)字化進程打破了傳統(tǒng)的雇傭關(guān)系，互聯(lián)網(wǎng)技術(shù)推進了勞動分工的優(yōu)化配置及收入的提高（鄭小碧，2017）；另外，Acemoglu和Restrepo（2020）發(fā)現(xiàn)AI技術(shù)創(chuàng)造出更多的就業(yè)機會。

微觀視角。企業(yè)數(shù)字化轉(zhuǎn)型的微觀經(jīng)濟后果表現(xiàn)在以下幾個方面。資源配置層面，數(shù)字化技術(shù)能夠降低企業(yè)信息搜集成本（施炳展和李建桐，2020）與交易成本（袁淳等，2021），優(yōu)化資源配置。組織架構(gòu)層面，數(shù)字技術(shù)通過打破高管信息壟斷，推動組織變革（Lee和Edmondson，2017）。企業(yè)經(jīng)營層面，數(shù)字化經(jīng)營方式有利于實現(xiàn)價值創(chuàng)造（戚聿東和肖旭，2020）與競爭力提升（Liu等，2011）。最后，數(shù)字化轉(zhuǎn)型還具有重要的信息效應(yīng)，例如：數(shù)字化轉(zhuǎn)型能夠彌補企業(yè)內(nèi)外部信息鴻溝、提高治理水平（祁懷錦等，2021）。然而，數(shù)字化技術(shù)盡管拓寬了來自企業(yè)源頭的信息供給，也帶來了信息冗余與信息過載（Lateef和Omotayo，2019）；同時，數(shù)字時代下快速的信息更新也使得數(shù)據(jù)價值隨時間呈現(xiàn)迅速的邊際遞減趨勢（戚聿東和肖旭，2020）。

（三）文獻評述

基于以上回溯，目前對于數(shù)字化轉(zhuǎn)型與分析師預(yù)測的研究存在以下特點：（1）現(xiàn)有研究從分析師個體、外部治理特征及企業(yè)信息披露特征探討了分析師預(yù)測質(zhì)量的影響因素，并指出信息是影響分析師預(yù)測質(zhì)量的重要原因，這為本研究的展開奠定了基礎(chǔ)。（2）現(xiàn)有研究從宏、微觀層面探討了數(shù)字化轉(zhuǎn)型的經(jīng)濟后果，盡管有部分文獻關(guān)注到了數(shù)字化技術(shù)的信息效應(yīng)，但并未觸及分析師預(yù)測層面。數(shù)字化轉(zhuǎn)型作為一種新興技術(shù)，信息化是其重要特征，但其對分析師預(yù)測的影響尚未受到關(guān)注，本文試圖對兩者的關(guān)系予以探究，以豐富既有研究。

三、理論分析與研究假設(shè)

Verhoef等（2019）指出企業(yè)數(shù)字化轉(zhuǎn)型的第一階段就是將模擬信息轉(zhuǎn)化為數(shù)字信息。現(xiàn)有研究關(guān)于數(shù)字化轉(zhuǎn)型對信息的影響存在兩種觀點：一是數(shù)字化轉(zhuǎn)型將企業(yè)生產(chǎn)、業(yè)務(wù)流程、決策管理過程數(shù)字化，從而降低內(nèi)外部之間的信息不對稱（祁懷錦等，2020）；二是數(shù)字技術(shù)也在一定程度上擴大了信息風(fēng)險敞口，如嚴(yán)重的信息冗余和信息過載 （Lateef和Omotayo，2019）、信息價值的快速時序遞減（戚聿東和肖旭，2020）以及信息的復(fù)雜性等，都可能誤導(dǎo)信息使用者的決策。分析師作為資本市場重要的信息中介，企業(yè)信息作為影響分析師預(yù)測質(zhì)量的重要動因，數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的影響可能存在悖論。當(dāng)企業(yè)數(shù)字化轉(zhuǎn)型存在積極的信息驅(qū)動時，將對分析師預(yù)測質(zhì)量產(chǎn)生有利影響；當(dāng)存在消極導(dǎo)向時，則可能表現(xiàn)為分析師誤判，削弱預(yù)測質(zhì)量。據(jù)此，本文將其歸納為“信息效應(yīng)”與“噪聲效應(yīng)”，并從這兩方面剖析企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間可能的關(guān)系。

（一）信息效應(yīng)假說

根據(jù)信息經(jīng)濟學(xué)，企業(yè)與外部信息需求者處于信息不對稱的兩端，分析師預(yù)測質(zhì)量與其目標(biāo)企業(yè)信息披露行為具有相關(guān)性（方軍雄，2007），披露信息的真實、準(zhǔn)確、完整是影響預(yù)測質(zhì)量的重要特征?，F(xiàn)有研究基本根植于信息不對稱理論框架，資本市場中可用公共信息集的增加能夠緩解企業(yè)與分析師主體之間的信息不對稱程度。從信息總量來看，債券信用評級能夠通過評價排序矯正資本市場中的“檸檬”問題（“Lemon”Problem）（Rhee，2015），與分析師形成互補效應(yīng)，擴大分析師可用信息總量（林晚發(fā)等，2020）。從信息質(zhì)量來看，更高的企業(yè)信息透明度、更低的盈余管理行為與更高的分析師預(yù)測質(zhì)量相關(guān)聯(lián)（方軍雄，2007；李丹和賈寧，2009）?；貧w數(shù)字化語境，較之一般信息過程，企業(yè)數(shù)字化轉(zhuǎn)型所帶來的技術(shù)穿透能夠?qū)π畔⑸a(chǎn)、信息流動、信息管理過程產(chǎn)生質(zhì)的影響，更進一步反映為企業(yè)信息總量及信息質(zhì)量的改善，并據(jù)此助力分析師預(yù)測質(zhì)量的提升。

具體而言，首先，從信息總量視角來看，依據(jù)信息環(huán)境理論，分析師可獲公共信息集是影響分析師預(yù)測質(zhì)量的重要因素。信息來源上，較之傳統(tǒng)信息模式，數(shù)據(jù)挖掘與分析技術(shù)使原本沉淀、未被利用的信息涌動起來，將非標(biāo)準(zhǔn)化、不可預(yù)見的信息轉(zhuǎn)變?yōu)闃?biāo)準(zhǔn)化、可傳輸?shù)臄?shù)字信息（吳非，2021）。在信息形態(tài)上，數(shù)字化轉(zhuǎn)型技術(shù)能夠捕捉到依托圖片、音頻、視頻等載體的信息產(chǎn)品，形成多種信息流，演變?yōu)閷ζ髽I(yè)傳統(tǒng)可識別信息形態(tài)的有效補充（Warren等，2015）。在信息傳輸上，數(shù)字化技術(shù)拓寬了企業(yè)內(nèi)外部之間的信息傳遞與運輸渠道。因此，數(shù)字化轉(zhuǎn)型從信息源頭提高了企業(yè)可釋放信息總量，同時，公共信息與私有信息共同構(gòu)成了分析師掌握的信息總量（Chen和Jiang，2005）。隨著公共信息集的增加，分析師獲取的信息逐漸趨同，分析師預(yù)測分歧度降低。

其次，信息質(zhì)量視角。根據(jù)機會主義假說與委托代理理論，管理層與股東的需求函數(shù)存在差異，基于薪酬與職業(yè)晉升的考慮，管理層有動機通過盈余管理等機會主義行為掩飾不良業(yè)績表現(xiàn)。然而，企業(yè)數(shù)字化轉(zhuǎn)型能夠?qū)ζ溥M行有效抑制。一方面，內(nèi)部治理機制層面，隨著信息管理系統(tǒng)、知識管理系統(tǒng)等數(shù)字化平臺的嵌入與應(yīng)用（劉政等，2020），進一步使得企業(yè)生產(chǎn)經(jīng)營過程、財務(wù)處理過程、組織決策過程都有跡可循，減少治理過程中信息傳遞的混沌節(jié)點與信息失真，對管理層非理性行為形成隱形監(jiān)督機制，弱化管理層基于謀取個人私利動機的盈余操縱、信息隱藏等逆向選擇行為。另一方面，外部監(jiān)督機制層面，分析師、媒體、機構(gòu)投資者作為資本市場中重要的信息中介，能夠通過自身專業(yè)能力識別解讀企業(yè)基本面信息，迫使管理層在外部信息中介的高關(guān)注度壓力下約束自身“言行舉止”。進一步地，高質(zhì)量的信息供給不僅為分析師預(yù)測提高更真實、準(zhǔn)確的決策參考；還能減少分析師預(yù)測過程中的主觀判斷，削弱分析師預(yù)測分歧度。

因此，從分析師預(yù)測準(zhǔn)確度視角來看，企業(yè)數(shù)字化轉(zhuǎn)型對企業(yè)信息總量、信息質(zhì)量的積極影響為分析師盈余預(yù)測提供了更準(zhǔn)確、有價值的決策參考，從而減少分析師信息獲取偏差，形成更加準(zhǔn)確的未來盈余預(yù)測。而從分析師預(yù)測分歧度視角來看，分析師預(yù)測分歧度主要取決于信息來源與預(yù)測模型（Lang和Lundholm，1996），在數(shù)字化浪潮下，企業(yè)信息披露的改善使得分析師獲取的信息更具趨同性，分析師在調(diào)整預(yù)測模型時會形成更為一致的權(quán)重賦予與方向調(diào)整，進而使分析師預(yù)測分歧度降低。據(jù)此推斷，數(shù)字化轉(zhuǎn)型能夠通過改善企業(yè)信息披露行為提高分析師預(yù)測準(zhǔn)確度、降低分析師預(yù)測分歧度，也即使分析師預(yù)測質(zhì)量提高。

基于以上分析，本文提出如下假設(shè)：

H1a：企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測質(zhì)量。

（二）噪聲效應(yīng)假說

值得注意的是，企業(yè)數(shù)字化轉(zhuǎn)型也可能存在悖論，即數(shù)字化轉(zhuǎn)型通過噪聲效應(yīng)進而降低分析師預(yù)測質(zhì)量，本文從有限注意力、數(shù)據(jù)價值周期屬性及業(yè)務(wù)復(fù)雜度三方面予以分析。

首先，注意力是一種稀缺資源，有限注意力假說指出個體僅具備有限注意力而無法對任何事物賦予同等時間精力（Kahneman，1973）?？陀^層面，個體面對多信息任務(wù)刺激時僅能對各任務(wù)給予有限關(guān)注，注意力的分散必然衍生出更低的信息處理成效（Kahneman，1973）；主觀層面，由于能力的局限，過度的信息供給會導(dǎo)致個體分心（Hirshleifer等，2009）。這一觀點也得到相關(guān)驗證，例如：市場中同日發(fā)布的分析師報告越多，則投資者注意的分散效應(yīng)越嚴(yán)重，進而致使投資者市場反應(yīng)不足（Hirshleifer等，2009；方軍雄等，2018）；處于忙季的簽字注冊會計師審計質(zhì)量更低（Lopez和Peters，2015）。順延此邏輯，以數(shù)據(jù)為中心的信息技術(shù)擴寬了來自企業(yè)源頭的信息釋放，使得分析師可獲取、可觀測信息集呈指數(shù)級增長，但海量的信息供給也引發(fā)了“信息過載”（Lateef和Omotayo，2019），致使決策偏誤，降低分析師預(yù)測準(zhǔn)確度。進一步地，“信息過載”也對分析師信息篩選與解讀能力提出挑戰(zhàn)，分析師需要在紛繁復(fù)雜的信息集中篩選出具有決策有用性的目標(biāo)對象，由于注意力程度不同，分析師個體在權(quán)重賦予過程中存在更多差異化判斷，導(dǎo)致預(yù)測分歧度提高。

其次，依據(jù)數(shù)據(jù)的價值周期理論，數(shù)字化時代下數(shù)據(jù)更新速度快，數(shù)據(jù)呈現(xiàn)出顯著的價值周期屬性，也即數(shù)據(jù)價值隨時間存在邊際遞減效應(yīng)（戚聿東和肖旭，2020）。企業(yè)數(shù)字化轉(zhuǎn)型能夠依托動態(tài)信息處理系統(tǒng)，時時刻刻地搜集生產(chǎn)經(jīng)營、管理決策、用戶畫像等數(shù)據(jù)，信息更新與迭代不僅要求分析師具備快速的信息搜集能力，還要具備強大的信息理解、處理能力，一旦分析師出現(xiàn)信息獲取遲滯，則極易出現(xiàn)噪聲信息增多，預(yù)測準(zhǔn)確度降低。同時，分析師個體間信息搜集速度的差異也提高了信息獲取的異質(zhì)性，導(dǎo)致預(yù)測分歧度提高。

最后，數(shù)字化轉(zhuǎn)型重塑了企業(yè)業(yè)務(wù)模式，也提高了業(yè)務(wù)復(fù)雜度。數(shù)字技術(shù)穿透實現(xiàn)各項業(yè)務(wù)的跨界融合的同時，較之傳統(tǒng)的、單一的業(yè)務(wù)模式，新興業(yè)態(tài)下的數(shù)字化業(yè)務(wù)模式更為復(fù)雜多樣，這也對分析師如何在多樣的業(yè)務(wù)形態(tài)下應(yīng)對復(fù)雜信息的整合能力提出了更高要求。Higgins（2013）、孫剛（2014）也指出，更復(fù)雜的信息往往伴隨著較低的分析師預(yù)測質(zhì)量。因此，數(shù)字化時代下，一旦分析師信息整合失敗，則會形成信息噪聲，分析師預(yù)測難度加大。

基于以上分析，本文提出以下假設(shè)：

H1b：企業(yè)數(shù)字化轉(zhuǎn)型可能降低分析師預(yù)測質(zhì)量。

四、研究設(shè)計

（一）數(shù)據(jù)來源

本文的研究數(shù)據(jù)來自中國滬深A(yù)股市場上市公司，由于2007年我國頒布了新的會計準(zhǔn)則，因此樣本期間為2007-2020年。為使數(shù)據(jù)更加可靠，本文做如下處理：（1）剔除（*）ST、PT樣本；（2）剔除金融行業(yè)樣本；（3）保留分析師（團隊）預(yù)測報告發(fā)布日在本年年報發(fā)布日之前與上一年年報發(fā)布日之后的樣本，保留每一個分析師（團隊）最近的一次預(yù)測；（4）剔除數(shù)據(jù)缺失觀測值；（5）為去除極端值的影響，對所有連續(xù)變量在1%和99%的水平上進行縮尾處理。由于分析師預(yù)測準(zhǔn)確度與分析師預(yù)測分歧度計算方式的差異，分析師預(yù)測準(zhǔn)確度的回歸樣本量為23198；分析師預(yù)測分歧度的回歸樣本量為21261。本文所使用的企業(yè)數(shù)字化轉(zhuǎn)型數(shù)據(jù)、財務(wù)數(shù)據(jù)及公司治理數(shù)據(jù)均來自國泰安（CSMAR）數(shù)據(jù)庫。

（二）變量定義

1.解釋變量

企業(yè)數(shù)字化轉(zhuǎn)型（DCG）。目前對數(shù)字化轉(zhuǎn)型的測度主要包括：以吳非等（2021）為代表采用文本分析，提取相關(guān)數(shù)字化轉(zhuǎn)型詞頻；采用企業(yè)是否進行數(shù)字化轉(zhuǎn)型的0-1二值變量（何帆和劉紅霞，2019）。然而后者無法區(qū)分企業(yè)數(shù)字化轉(zhuǎn)型程度，易產(chǎn)生偏誤。本文的企業(yè)數(shù)字化轉(zhuǎn)型數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫，該數(shù)據(jù)庫參照吳非等（2021）的做法，從上市企業(yè)年報中涉及“企業(yè)數(shù)字化轉(zhuǎn)型”的詞頻角度測度企業(yè)數(shù)字化轉(zhuǎn)型程度。具體地，該詞頻包括兩大類，其一為底層技術(shù)運用，其二為技術(shù)實踐應(yīng)用。底層技術(shù)運用包括人工智能（Artificial Intelligence）、區(qū)塊鏈（Block Chain）、云計算（Cloud Computing）、大數(shù)據(jù)（Big Data）四大主流技術(shù)所涉及的詞頻，技術(shù)實踐應(yīng)用涉及移動互聯(lián)網(wǎng)、智能能源、數(shù)字金融等詞頻。本文所采用的數(shù)據(jù)從多個視角對相關(guān)數(shù)字技術(shù)及應(yīng)用場景所涉及詞頻進行統(tǒng)計，刻畫了基于多維數(shù)字技術(shù)的企業(yè)數(shù)字化轉(zhuǎn)型程度，具有合理性。為保證數(shù)據(jù)服從正態(tài)分布，對數(shù)字化轉(zhuǎn)型詞頻進行對數(shù)化處理。同時，為使系數(shù)完整顯示且不影響顯著性，在此本文對數(shù)字化轉(zhuǎn)型（DCG）變量除以100。

2.被解釋變量

參考石翔燕等（2021），本文的被解釋變量包括分析師預(yù)測準(zhǔn)確度（Ferror）與分析師預(yù)測分歧度（Fdisp）。具體地，析師預(yù)測準(zhǔn)確度（Ferror）和分析師預(yù)測分歧度（Fdisp）的計算方法分別如下所示。

其中：MFeps為每年所有分析師最近一次每股盈余預(yù)測的均值；SD（Feps）為所有分析師每年中最近一次每股盈余預(yù)測的標(biāo)準(zhǔn)差；Eps為每股盈余實際值；P為期初開盤價。Ferror和Fdisp越大，表明分析師預(yù)測準(zhǔn)確度越低，分析師預(yù)測分歧度越高。

3.控制變量

參考現(xiàn)有研究（王美英等，2021），選擇如下控制變量：公司規(guī)模（Size），資產(chǎn)負(fù)債率（Lev），總資產(chǎn)收益率（Roa），企業(yè)成長性（Growth），第一大股東持股比例（TOP1），董事會規(guī)模（Board），兩職合一（Duality），審計質(zhì)量（Big4），產(chǎn)權(quán)性質(zhì)（Soe），經(jīng)營性現(xiàn)金流量（Cfo），機構(gòu)投資者持股 （Ohold），上期審計意見（LOpin），企業(yè)價值（TobinQ），分析師跟蹤（Follow），同時控制年度、行業(yè)虛擬變量，并在公司層面聚類。具體如表1所示。

表1 變量定義

（三）模型設(shè)定

本文構(gòu)建模型（3）檢驗企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測的影響。

其中，F(xiàn)error為分析師預(yù)測準(zhǔn)確度，F(xiàn)disp為分析師預(yù)測分歧度，DCG為企業(yè)數(shù)字化轉(zhuǎn)型，Control為控制變量。β1為負(fù)時，則企業(yè)數(shù)字化轉(zhuǎn)型具有“信息效應(yīng)”，即提高分析師預(yù)測質(zhì)量，H1a得以驗證；β1為正時，企業(yè)數(shù)字化轉(zhuǎn)型具有“噪聲效應(yīng)”，即降低分析師預(yù)測質(zhì)量，H1b得以驗證。

五、實證結(jié)果分析

（一）描述性統(tǒng)計

表2給出了主要變量的描述性統(tǒng)計結(jié)果。解釋變量層面，企業(yè)數(shù)字化轉(zhuǎn)型（DCG）的均值為0.009，標(biāo)準(zhǔn)差為0.013，說明目前我國各企業(yè)數(shù)字化轉(zhuǎn)型程度存在一定差異，同時其未除以100的描述性檢驗結(jié)果也與吳非等（2021）的研究具有一致性。被解釋變量層面：分析師預(yù)測準(zhǔn)確度（Ferror）的均值為0.031，標(biāo)準(zhǔn)差為0.043；分析師預(yù)測分歧度（Fdisp）的均值為0.022，標(biāo)準(zhǔn)差為0.023。此外，控制變量上審計質(zhì)量（Big4）的均值為0.065，說明我國約6.5%的上市公司選擇“國際四大”進行審計；產(chǎn)權(quán)性質(zhì)（Soe）的均值為0.396，說明觀測樣本中39.6%的上市公司為國有企業(yè)；其余控制變量的分布特征與現(xiàn)有研究基本一致，不再贅述。

表2 描述性統(tǒng)計

（二）基本回歸分析

表3給出了本文的基準(zhǔn)回歸結(jié)果。表3列（1）、（2）結(jié)果顯示，在不控制行業(yè)、年份的情況下，企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測準(zhǔn)確度的回歸系數(shù)為-0.065且在1%的水平上顯著，即數(shù)字化轉(zhuǎn)型提高了分析師預(yù)測準(zhǔn)確度。企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測分歧度的回歸系數(shù)為-0.098且在1%的水平上顯著，即數(shù)字化轉(zhuǎn)型降低了分析師預(yù)測分歧度。表3列（3）、（4）結(jié)果顯示，在對行業(yè)、年份進行控制后，企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測準(zhǔn)確度的回歸系數(shù)為-0.052且在10%的水平上顯著，即數(shù)字化轉(zhuǎn)型提高了分析師預(yù)測準(zhǔn)確度。表3列（4）給出了企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測分歧度影響的回歸結(jié)果，結(jié)果顯示，企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測分歧度的回歸系數(shù)為-0.049且在1%的水平上顯著，即數(shù)字化轉(zhuǎn)型降低了分析師預(yù)測分歧度。以上結(jié)果表明企業(yè)數(shù)字化轉(zhuǎn)型提高了分析師預(yù)測質(zhì)量，假設(shè)H1a得以驗證，即數(shù)字化轉(zhuǎn)型具有“信息效應(yīng)”。其可能的原因是，目前我國尚且處于數(shù)字化轉(zhuǎn)型的前期，主要表現(xiàn)為“信息效應(yīng)”，其“噪聲效應(yīng)”尚未凸顯。此外，控制變量的回歸結(jié)果與既有研究基本一致，不再贅述。

表3 基準(zhǔn)回歸

（三）穩(wěn)健性檢驗

1.內(nèi)生性處理

（1）工具變量法

企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間可能存在雙向因果關(guān)系，企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量具有提高作用，但是分析師預(yù)測也可能影響融資、創(chuàng)新決策等，較高的分析師預(yù)測質(zhì)量可能為企業(yè)數(shù)字化轉(zhuǎn)型提供機遇。因此，為緩解基于雙向因果關(guān)系的內(nèi)生性問題，本文采用工具變量法。借鑒李琦等（2021），采用地方公共財政科技支出作為工具變量，原因在于：一個地區(qū)公共財政科技支出能夠為企業(yè)數(shù)字化轉(zhuǎn)型的技術(shù)變革提供更多的資金支持，滿足相關(guān)性假設(shè)；但其較難影響某一企業(yè)的分析師預(yù)測質(zhì)量，滿足外生性假設(shè)。表4給出了基于兩階段最小二乘法（2SLS）的工具變量檢驗結(jié)果。Cragg-Donald Wald F統(tǒng)計值分別為258.716、256.102，也即大于10%的誤差容忍臨界值（16.38），表明拒絕弱工具變量假設(shè)。其中，列（1）為第一階段的檢驗結(jié)果，結(jié)果顯示地方公共財政科技支出與企業(yè)數(shù)字化轉(zhuǎn)型呈顯著正相關(guān)，符合預(yù)期；列（2）、（3）為第二階段的檢驗結(jié)果，結(jié)果顯示，企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測準(zhǔn)確度、降低預(yù)測分歧度，與主回歸一致，說明在考慮可能的內(nèi)生性問題后，結(jié)論依然穩(wěn)健。

（2）Heckman兩階段

在研究中，解釋變量企業(yè)數(shù)字化轉(zhuǎn)型樣本選擇可能不是隨機的，即企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間的關(guān)系可能是樣本自選擇的結(jié)果。為緩解可能的樣本自選擇問題，本文采用Heckman兩階段進行偏差校正，并構(gòu)建模型（4）和（5），主要包括兩個階段。第一階段采用Probit模型進行估計，并得到逆米爾斯比率（IMR），因此本文根據(jù)企業(yè)數(shù)字化轉(zhuǎn)型均值構(gòu)建虛擬變量，將其分為兩組，大于均值的組別記為1，否則記為0，表示為變量DCG_m。參考張黎娜等（2022）以公司規(guī)模（Size）、企業(yè)年齡（Age）、營業(yè)收入（Sale，經(jīng)對數(shù)化處理）、合格境外機構(gòu)投資者持股比例（QFII）作為可能影響企業(yè)數(shù)字化轉(zhuǎn)型的變量。第二階段是將第一階段估計出的逆米爾斯比率（IMR）加入主回歸模型中重新回歸。

具體回歸結(jié)果如表4所示，列（5）、（6）為加入第一階段估計出的逆米爾斯比率（IMR）后的回歸結(jié)果：企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測準(zhǔn)確度、降低預(yù)測分歧度；同時，分析師預(yù)測準(zhǔn)確度的逆米爾斯比率（IMR）不顯著，但分析師預(yù)測分歧度的逆米爾斯比率（IMR）顯著。說明在分析師預(yù)測準(zhǔn)確度中可能不存在樣本自選擇問題，但分析師預(yù)測分歧度中可能存在樣本自選擇問題。因此在考慮了可能的樣本自選擇問題后，結(jié)論依然穩(wěn)健。

表4 工具變量法&Heckman兩階段

（3）公司固定效應(yīng)

考慮由于遺漏變量產(chǎn)生的內(nèi)生性問題，如企業(yè)文化、發(fā)展沿革等，因此進一步采用公司固定效應(yīng)模型緩解可能的內(nèi)生性問題，回歸結(jié)果如表5所示。結(jié)果顯示，在對公司個體進行控制的前提下，企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測準(zhǔn)確度、降低預(yù)測分歧度，在采用公司固定效應(yīng)進行回歸后，結(jié)論穩(wěn)健。

表5 公司固定效應(yīng)

2.變量替換

（1）變更企業(yè)數(shù)字化轉(zhuǎn)型度量方式

本文通過企業(yè)數(shù)字化轉(zhuǎn)型詞頻測度企業(yè)數(shù)字化轉(zhuǎn)型，該方式刻畫了企業(yè)數(shù)字化轉(zhuǎn)型程度。然而，這種借助文本內(nèi)容、詞頻的刻畫方式也可能存在誤判，因為企業(yè)年報信息未必完全客觀，可能與管理層個人習(xí)慣、企業(yè)發(fā)展階段相關(guān)，詞頻多少與企業(yè)實際未必一致。借鑒何帆和劉紅霞（2019）采用企業(yè)是否進行數(shù)字化轉(zhuǎn)型的0-1變量進行測度。回歸結(jié)果如表6列（1）、（2）所示，結(jié)果顯示，當(dāng)解釋變量為0-1變量時，企業(yè)數(shù)字化轉(zhuǎn)型同樣能夠提高分析師預(yù)測準(zhǔn)確度、降低預(yù)測分歧度，與主回歸一致。

（2）變更分析師預(yù)測的度量方式

為確保結(jié)論的穩(wěn)健性，本文進一步對分析師預(yù)測準(zhǔn)確度與分析師預(yù)測分歧度變更測度方式，采用基于每年所有分析師最近一次每股盈余預(yù)測的中位數(shù)作為分析師預(yù)測值MFeps，重新計算分析師預(yù)測準(zhǔn)確度與分歧度，回歸結(jié)果如表6列（3）、（4）所示。結(jié)果顯示，在變更度量方式后，企業(yè)數(shù)字化轉(zhuǎn)型仍然與分析師預(yù)測準(zhǔn)確度顯著負(fù)相關(guān)，與分析師預(yù)測分歧度顯著負(fù)相關(guān)，結(jié)論穩(wěn)健。

表6 變量替換

(1) (2) (3) (4)Ferror Fdisp Ferror1 Fdisp1 Follow -0.004*** -0.001*** -0.005*** -0.001***(-10.963) (-5.169) (-11.373) (-3.562)Constant -0.053*** -0.065*** -0.041*** -0.068***(-4.660) (-9.317) (-2.714) (-7.946)Industry Yes Yes Yes Yes Year Yes Yes Yes Yes N 23198 21261 23198 21261 R2_a 0.389 0.214 0.332 0.160

3.考慮可能的替代性解釋

本文結(jié)論也可能存在替代性解釋，主要從以下方面予以考量。（1）企業(yè)數(shù)字化轉(zhuǎn)型可能是一種策略性炒作。例如：IPO上市企業(yè)可能急需獲得認(rèn)可而進行策略性數(shù)字化信息披露，以滿足市場預(yù)期，進而降低企業(yè)信息披露真實性與參考價值，導(dǎo)致分析師預(yù)測準(zhǔn)確降低、預(yù)測分歧度提高。因此本文將當(dāng)年IPO的企業(yè)予以剔除后再回歸，具體結(jié)果如表7列（1）、（2）所示。（2）數(shù)字化轉(zhuǎn)型作為重要的政策導(dǎo)向，數(shù)字化轉(zhuǎn)型信息披露可能是基于迎合政府政策的策略性意圖，表現(xiàn)為追逐熱點的虛假信息披露，與其真實行為相悖。借鑒張葉青等（2021）的研究，選取2014年作為政策分割年，僅保留2008-2014年的樣本，具體結(jié)果如表7列（3）、（4）所示。（3）較之非高新技術(shù)企業(yè)，高新技術(shù)企業(yè)更傾向于進行數(shù)字化轉(zhuǎn)型（吳非等，2021），且其中諸多行業(yè)都與互聯(lián)網(wǎng)等信息技術(shù)相關(guān)，本文的結(jié)果也可能是由于高新技術(shù)企業(yè)的數(shù)據(jù)驅(qū)動，也即在非高新技術(shù)企業(yè)中企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的提高作用可能不存在。因此，本文在剔除高新技術(shù)企業(yè)后重新進行回歸，具體結(jié)果如表7列（5）、（6）所示。以上回歸結(jié)果均與主回歸一致，結(jié)論穩(wěn)健。

表7 考慮可能的替代性解釋

六、進一步分析

（一）異質(zhì)性檢驗

盡管前文結(jié)論為企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測的正相關(guān)關(guān)系提供了經(jīng)驗證據(jù)，但在異質(zhì)性情境因素下未必具有普適性。為提高研究的精細(xì)性，本文進一步從企業(yè)層面、行業(yè)層面與地區(qū)層面探討數(shù)字化轉(zhuǎn)型對分析師預(yù)測影響的非對稱效果。企業(yè)層面的特征變量為產(chǎn)權(quán)性質(zhì)，行業(yè)層面的特征變量為行業(yè)競爭程度，地區(qū)層面的特征變量為市場化進程。

1.企業(yè)層面：產(chǎn)權(quán)性質(zhì)

企業(yè)是在一定的制度環(huán)境中發(fā)展的（Dimaggio，1998），產(chǎn)權(quán)制度背景影響著企業(yè)信息披露行為。從政策負(fù)擔(dān)視角，國有企業(yè)由政府直接控股，是國民經(jīng)濟的典范與排頭兵，承擔(dān)著更多政策性使命。例如，國有企業(yè)在扶貧建設(shè)、環(huán)境保護等都發(fā)揮著中堅力量，然而國有企業(yè)的政策性負(fù)擔(dān)對于企業(yè)經(jīng)營績效具有擠出效應(yīng)（廖冠民和沈紅波，2014），不良的業(yè)績表現(xiàn)對國有企業(yè)信息披露具有約束作用（徐廣成等，2016）。從融資約束視角，政府引導(dǎo)著資源配置過程。首先，國有企業(yè)具有天然的資源稟賦與資源獲取優(yōu)勢，當(dāng)國有企業(yè)面臨融資約束時，政府會通過補貼紓解困境（孔東民等，2013）；其次，政府對于國有企業(yè)具有重要背書與擔(dān)保作用，能夠有效降低銀行信貸決策過程的預(yù)測風(fēng)險，進而國有企業(yè)的融資約束更低。因此，較之非國有企業(yè)，國有企業(yè)的信息披露動機可能更弱，質(zhì)量可能更低?？梢灶A(yù)期，與非國有企業(yè)相比，企業(yè)數(shù)字化轉(zhuǎn)型的信息效應(yīng)在國有企業(yè)中更為顯著，對于分析師

預(yù)測質(zhì)量的提高作用也更為明顯。回歸結(jié)果如表8列（1）、（2）所示，結(jié)果顯示，交互項DCG×HHI的系數(shù)分別在5%和1%的水平上顯著為負(fù)，也即較之非國有企業(yè)，國有企業(yè)中企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的提高作用更為顯著。

2.行業(yè)層面：行業(yè)競爭程度

行業(yè)競爭也會影響數(shù)字化轉(zhuǎn)型與分析師預(yù)測之間的關(guān)系。一方面，行業(yè)競爭具有“信息披露效應(yīng)”，出于融資動機，在激烈的行業(yè)競爭中，企業(yè)具有更強烈的資本需求（Hoberg等，2014），信息透明度作為投資者判斷投資風(fēng)險的重要參考（Healy和Palepu，2001），為獲取更多的融資機會，企業(yè)會進行更透明的信息披露?；诼曌u動機，激烈的行業(yè)競爭中翔實的信息披露會提高企業(yè)形象，形成聲譽價值（肖曙光等，2017）?？梢灶A(yù)期，競爭越激烈，企業(yè)數(shù)字化轉(zhuǎn)型所帶來的信息優(yōu)勢對分析師預(yù)測質(zhì)量的提高效應(yīng)可能較為有限。另一方面，行業(yè)競爭具有“信息遮掩效應(yīng)”，行業(yè)競爭會加劇代理沖突，激烈的行業(yè)競爭使得管理層面臨更大的業(yè)績壓力，基于職業(yè)晉升的考慮，管理層有盈余操縱動機；同時，在競爭較強的行業(yè)，企業(yè)的信息披露可能會帶來更多專有化成本，為降低競爭對手模仿的可能性，企業(yè)會通過降低信息披露程度以維持市場勢力（Zhou，2018）。因此，行業(yè)競爭越激烈，企業(yè)數(shù)字化轉(zhuǎn)型所帶來的信息優(yōu)勢對分析師預(yù)測質(zhì)量的正向影響也可能會顯著。根據(jù)以上分析，尚且無法得出結(jié)論，仍需進一步驗證。為驗證行業(yè)競爭程度的影響，本文借鑒孔東民等（2013），采用赫芬達爾指數(shù)（HHI）予以測度，其數(shù)值越大，說明行業(yè)競爭越弱?；貧w結(jié)果如表8列（3）、（4）所示，結(jié)果顯示，分析師預(yù)測準(zhǔn)確度的交互項DCG×HHI的系數(shù)為正但不顯著，分析師預(yù)測分歧度的交互項DCG×HHI的系數(shù)在10%的水平上顯著為正，即企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的提高作用主要體現(xiàn)在行業(yè)競爭較強的環(huán)境中。

3.地區(qū)層面：市場化程度

我國幅員遼闊，各地區(qū)市場化程度存在非均衡性特征（王小魯?shù)龋?019）。地區(qū)市場化程度較高時，市場在資源配置中占據(jù)主導(dǎo)地位，為滿足資源供給者的信息需求，企業(yè)自覺自愿地表現(xiàn)出更為透明的信息披露，提高外部需求者的信息知情度。同時，地區(qū)市場化程度提高會伴隨著更為嚴(yán)格的執(zhí)法及更高的違法成本，進而影響企業(yè)的信息披露行為。反之，地區(qū)市場化程度較低時，地區(qū)制度約束力差、懲罰機制弱，關(guān)系經(jīng)濟成為企業(yè)資源獲取的主導(dǎo)方式，會滋生出大量的虛假陳述與信息遮掩，形成信息噪聲。本文預(yù)期，地區(qū)市場化程度越低，企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的提高效應(yīng)越強。本文采用王小魯?shù)龋?019）的市場化指數(shù)表征地區(qū)市場化程度，表8列（5）、（6）顯示，交互項DCG×Market的系數(shù)均在5%的水平上顯著為正，也即企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的提高作用表現(xiàn)在市場化程度較弱的地區(qū)。

表8 異質(zhì)性檢驗

(1) (2) (3) (4) (5) (6)Ferror Fdisp Ferror Fdisp Ferror Fdisp Growth -0.001** -0.000* -0.001** -0.000* -0.001** -0.000*(-2.163) (-1.872) (-2.149) (-1.834) (-2.150) (-1.850)TOP1 -0.001 -0.004*** -0.001 -0.004*** -0.001 -0.004***(-0.327) (-2.935) (-0.320) (-2.916) (-0.292) (-2.883)Board -0.003 -0.001 -0.003 -0.001 -0.003 -0.001(-1.431) (-1.051) (-1.456) (-1.067) (-1.416) (-1.055)Duality -0.001 -0.001 -0.001 -0.001 -0.001 -0.001(-0.973) (-1.438) (-0.877) (-1.309) (-0.877) (-1.289)Soe -0.013 -0.006 -0.007*** -0.004*** -0.007*** -0.004***(-11.360) (-7.276) (-8.585) (-6.642) (-8.604) (-6.724)Big4 -0.007*** -0.005*** -0.007*** -0.005*** -0.007*** -0.005***(-4.483) (-4.567) (-4.459) (-4.558) (-4.387) (-4.449)Soe 0.006*** 0.005*** 0.006*** 0.005*** 0.006*** 0.005***(13.572) (15.993) (13.547) (15.943) (13.594) (16.023)Cfo 0.049*** 0.013*** 0.050*** 0.014*** 0.049*** 0.014***(10.749) (4.898) (10.830) (5.028) (10.769) (4.915)Ohold -0.006*** -0.003*** -0.006*** -0.003*** -0.006*** -0.003***(-3.681) (-2.779) (-3.694) (-2.758) (-3.691) (-2.785)LOpin -0.021*** -0.003 -0.021*** -0.003 -0.021*** -0.003(-6.209) (-1.396) (-6.222) (-1.441) (-6.206) (-1.417)TobinQ 0.000 -0.001*** 0.000 -0.001*** 0.000 -0.001***(0.980) (-4.264) (0.951) (-4.297) (0.931) (-4.326)Follow -0.004*** -0.001*** -0.004*** -0.001*** -0.004*** -0.001***(-11.024) (-5.223) (-10.924) (-5.115) (-10.944) (-5.154)Constant -0.054*** -0.066*** -0.052*** -0.063*** -0.051*** -0.063***(-4.779) (-9.434) (-4.543) (-9.047) (-4.425) (-8.873)Industry Yes Yes Yes Yes Yes Yes Year Yes Yes Yes Yes Yes Yes N 23198 21261 23198 21261 23198 21261 R2_a 0.389 0.214 0.389 0.214 0.389 0.214

（二）機制檢驗

主回歸結(jié)果表明企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測質(zhì)量，未對兩者之間的作用機制進行深入分析。前文指出，企業(yè)數(shù)字化轉(zhuǎn)型具有重要的信息效應(yīng)，具體表現(xiàn)在信息總量及信息質(zhì)量層面，進而影響分析師預(yù)測質(zhì)量。為驗證上述解釋的合理性，本文參考溫忠麟等（2004）的做法進行機制檢驗，并構(gòu)建模型（6）和模型（7）。其中，Mediator為中介變量，即信息總量及信息質(zhì)量變量。

1.信息總量的機制檢驗

數(shù)字化轉(zhuǎn)型能夠提高企業(yè)信息披露總量，從而改善分析師預(yù)測質(zhì)量。較之傳統(tǒng)信息模式，數(shù)字技術(shù)嵌入具有諸多優(yōu)勢：其一，在企業(yè)內(nèi)部生產(chǎn)經(jīng)營過程中，數(shù)字技術(shù)將沉淀在企業(yè)內(nèi)部的非標(biāo)準(zhǔn)化信息轉(zhuǎn)化為標(biāo)準(zhǔn)代碼，通過技術(shù)躍進調(diào)動企業(yè)內(nèi)部信息搜集能力；其二，數(shù)字技術(shù)打破了原有局部性的消費者偏好抽樣，大數(shù)據(jù)技術(shù)將抽樣總體拓寬至消費者整體，極大豐富了企業(yè)信息獲取量。由此可知，數(shù)字技術(shù)滲透從企業(yè)源頭豐富了信息集，為微觀經(jīng)濟預(yù)測提供準(zhǔn)確、一致的信息參考，提高分析師預(yù)測準(zhǔn)確度、降低預(yù)測分歧度。然而，可識別信息總量較難度量，為驗證前述推論，本文采用年報“管理層討論與分析”部分的文字?jǐn)?shù)量（Charnum）表征信息總量，并予以對數(shù)化處理，其數(shù)值越大可理解為管理層釋放企業(yè)信息總量越多?！靶畔⒖偭俊钡臋C制檢驗結(jié)果如表9列（1）-（3）所示。列（1）結(jié)果顯示，Charnum的回歸系數(shù)在1%的水平上顯著為正，即企業(yè)數(shù)字化轉(zhuǎn)型促使企業(yè)釋放了更多信息；列（2）、（3）的結(jié)果顯示，Charnum的回歸系數(shù)均在1%的水平上顯著為負(fù)。以上結(jié)果表明信息總量在企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間發(fā)揮了中介作用。

2.信息質(zhì)量的機制檢驗

數(shù)字化轉(zhuǎn)型對企業(yè)信息質(zhì)量的影響可從兩方面予以分析。首先，從客觀層面，信息管理系統(tǒng)數(shù)字化平臺的應(yīng)用降低了企業(yè)生產(chǎn)經(jīng)營過程中的人工參與程度，使得企業(yè)信息披露更為客觀真實；同時，分析師、媒體、機構(gòu)投資者等信息中介的強烈關(guān)注也形成了有效的隱形約束。其次，從主觀層面，可追溯、可復(fù)現(xiàn)的經(jīng)營管理過程提高了管理層自利行為被發(fā)現(xiàn)的概率，進而降低管理層盈余操縱的動機，形成對管理層機會主義意圖的有效約束。高質(zhì)量的信息降低了分析師認(rèn)知偏差，從而全體分析師形成更為一致的權(quán)重設(shè)計、預(yù)測方向。為驗證上述推斷，采用基于修正瓊斯模型計算的應(yīng)計盈余管理絕對值（AD_abs）表征信息質(zhì)量，數(shù)值越大，盈余管理行為越強烈，信息質(zhì)量越低?！靶畔①|(zhì)量”的機制檢驗結(jié)果如表9列（4）-（6）所示。列（4）結(jié)果顯示，AD_abs的回歸系數(shù)在5%的水平上顯著為負(fù)，即數(shù)字化轉(zhuǎn)型會抑制企業(yè)盈余管理行為，提高信息披露質(zhì)量；列（5）、（6）結(jié)果顯示，AD_abs的回歸系數(shù)均在1%水平上顯著為正。以上結(jié)果表明信息質(zhì)量在企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測質(zhì)量之間發(fā)揮了中介作用。

表9 機制檢驗

(1) (2) (3) (4) (5) (6)Charnum Ferror Fdisp AD_abs Ferror Fdisp TobinQ -0.016*** 0.000 -0.001*** 0.007*** -0.000 -0.001***(-3.333) (0.875) (-4.336) (10.032) (-0.069) (-4.528)Follow 0.032*** -0.004*** -0.001*** 0.002*** -0.004*** -0.001***(6.709) (-10.735) (-4.977) (3.742) (-11.479) (-5.208)Constant 7.102*** -0.039*** -0.057*** 0.136*** -0.061*** -0.066***(44.538) (-3.185) (-7.349) (6.871) (-5.431) (-9.467)Industry Yes Yes Yes Yes Yes Yes Year Yes Yes Yes Yes Yes Yes N 23198 23198 21261 23198 23198 21261 R2_a 0.740 0.389 0.214 0.110 0.397 0.214

（三）排除其他機制

企業(yè)數(shù)字化轉(zhuǎn)型也可能通過降低經(jīng)營風(fēng)險，進而提升分析師預(yù)測質(zhì)量。首先，數(shù)字技術(shù)的嵌入加速了生產(chǎn)自動化進程，程序化的生產(chǎn)過程降低了錯誤率、提高了生產(chǎn)專業(yè)化程度，生產(chǎn)效率提高、生產(chǎn)成本降低（Brynjolfsson和Mitchell，2017）。其次，交易費用經(jīng)濟學(xué)和不完全契約理論指出，數(shù)字技術(shù)能夠通過緩解非有效市場中信息不對稱程度加速信息的擴散與傳播，有效降低信息搜集成本及合約成本，實現(xiàn)縱向一體化（袁淳等，2021；施炳展和李建桐，2020）。此外，企業(yè)數(shù)字化轉(zhuǎn)型能夠通過數(shù)字信息技術(shù)準(zhǔn)確預(yù)測市場需求變動（Bajari等，2019），協(xié)調(diào)倉儲信息、生產(chǎn)產(chǎn)量、市場偏好，實現(xiàn)有效的供應(yīng)管理、生產(chǎn)管理，降低生產(chǎn)成本，為持續(xù)經(jīng)營提供穩(wěn)定基礎(chǔ)。基于以上分析，從經(jīng)營成本與收益視角，企業(yè)數(shù)字化轉(zhuǎn)型實現(xiàn)了降成本、增效益，降低經(jīng)營風(fēng)險。有研究指出，較高的經(jīng)營風(fēng)險會增加分析師預(yù)測過程中的不確定性，分析師無法依據(jù)慣性決策預(yù)測企業(yè)未來盈余，預(yù)測質(zhì)量降低（何熙瓊和尹長萍，2018；Jennings等，2017）。因此，隨著數(shù)字化轉(zhuǎn)型對于經(jīng)營風(fēng)險的抑制，分析師預(yù)測質(zhì)量也將隨之提高。為了檢驗這一機制，本文以Risk為經(jīng)營風(fēng)險，參考余明桂等（2013）以企業(yè)連續(xù)三年內(nèi)（t-2年至t年）的盈余波動水平衡量。延續(xù)前文機制檢驗思路進行回歸分析，回歸結(jié)果如表10所示，據(jù)此無法判斷具體的作用機制；進一步地，Sobel檢驗結(jié)果并不顯著（分別為-0.79和-0.78），故排除經(jīng)營風(fēng)險的作用機制。

表10 經(jīng)營風(fēng)險機制檢驗

(1) (2) (3)Risk Ferror Fdisp Size -0.000 0.006*** 0.004***(-0.636) (13.357) (14.400)Lev -0.007* -0.010*** 0.001(-1.922) (-4.372) (0.571)Roa -0.248*** -0.369*** -0.061***(-14.765) (-31.326) (-11.872)Growth 0.001** -0.001*** -0.000**(1.962) (-2.720) (-2.131)TOP1 0.004 -0.000 -0.002(1.441) (-0.018) (-1.522)Board -0.004* -0.002 -0.001(-1.702) (-0.862) (-0.639)Duality -0.001 -0.000 -0.000(-1.592) (-0.236) (-0.474)Big4 0.002 -0.007*** -0.004***(1.174) (-4.571) (-4.052)Soe -0.004*** -0.007*** -0.004***(-4.424) (-8.492) (-7.257)Cfo 0.043*** 0.040*** 0.009***(5.765) (8.142) (3.182)Ohold -0.011*** -0.004*** -0.004***(-5.098) (-2.737) (-3.644)LOpin -0.050*** -0.010*** -0.000(-6.266) (-3.039) (-0.045)TobinQ 0.006*** -0.001*** -0.001***(8.358) (-3.134) (-7.756)Follow 0.001 -0.004*** -0.001***(1.500) (-11.575) (-4.775)Constant 0.107*** -0.076*** -0.064***(6.390) (-6.531) (-8.823)Industry Yes Yes Yes Year Yes Yes Yes N 21269 21269 19480 R2_a 0.160 0.421 0.210

（四）經(jīng)濟后果檢驗：基于權(quán)益資本成本視角

權(quán)益資本成本作為投資者決策的重要表征，良好的信息環(huán)境是影響權(quán)益資本成本的重要動因（郭照蕊和黃俊，2021）。反之，企業(yè)與投資者之間的信息不對稱程度越高，權(quán)益資本成本也越高，即投資者對企業(yè)未來風(fēng)險估值存在不確定性預(yù)期，并要求更高的風(fēng)險溢價，以此彌補投資失敗的風(fēng)險。因此，本文以權(quán)益資本成本為切入點探究企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量影響的經(jīng)濟后果，借鑒溫忠麟等（2004）的因果識別方法，結(jié)合主回歸模型（3），同時構(gòu)建模型（8）和模型（9）。

其中，COC為權(quán)益資本成本。目前測算權(quán)益資本成本的模型包括GLS模型、CAPM模型、PEG模型等，毛新述等（2012）指出PEG模型對于中國資本市場更具有適應(yīng)性。參考郭照蕊和黃?。?021），本文采用PEG模型予以測度，其余控制變量與前文一致。具體回歸結(jié)果如表11所示。列（1）結(jié)果顯示企業(yè)數(shù)字化轉(zhuǎn)型能夠降低權(quán)益資本成本；列（2）、（4）為基于主回歸模型的回歸結(jié)果，顯示企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測質(zhì)量；列（3）、（5）結(jié)果顯示分析師預(yù)測準(zhǔn)確度（Ferror）和分析師預(yù)測分歧度（Fdisp）的回歸系數(shù)均顯著為正，且企業(yè)數(shù)字化轉(zhuǎn)型（DCG）的系數(shù)均顯著為負(fù)。由此，分析師預(yù)測質(zhì)量在企業(yè)數(shù)字化轉(zhuǎn)型與權(quán)益資本成本之間存在中介作用，即企業(yè)數(shù)字化轉(zhuǎn)型所引起的信息質(zhì)量的改善降低了權(quán)益資本成本。

表11 經(jīng)濟后果檢驗：基于權(quán)益資本成本視角

(1) (2) (3) (4) (5)COC Ferror COC Fdisp COC Growth -0.001 -0.001** -0.001 -0.000* -0.001*(-1.568) (-2.162) (-1.321) (-1.856) (-1.725)TOP1 -0.016*** -0.001 -0.016*** -0.004*** -0.016***(-5.538) (-0.314) (-5.670) (-2.912) (-5.614)Board -0.009*** -0.003 -0.009*** -0.001 -0.010***(-3.884) (-1.450) (-3.826) (-1.079) (-4.138)Duality -0.001 -0.001 -0.001 -0.001 -0.001(-0.773) (-0.904) (-0.707) (-1.351) (-0.862)Big4 -0.005*** -0.007*** -0.004*** -0.005*** -0.004***(-3.167) (-4.445) (-2.638) (-4.534) (-2.704)Soe -0.010*** -0.007*** -0.009*** -0.004*** -0.009***(-9.509) (-8.587) (-9.025) (-6.633) (-8.951)Cfo -0.019*** 0.049*** -0.026*** 0.014*** -0.022***(-3.189) (10.771) (-4.366) (4.928) (-3.689)Ohold -0.006*** -0.006*** -0.005*** -0.003*** -0.005***(-2.964) (-3.739) (-2.623) (-2.844) (-2.619)LOpin -0.000 -0.021*** 0.002 -0.003 0.002(-0.018) (-6.225) (0.522) (-1.438) (0.491)TobinQ -0.005*** 0.000 -0.005*** -0.001*** -0.005***(-14.577) (0.969) (-14.885) (-4.254) (-13.895)Follow 0.005*** -0.004*** 0.006*** -0.001*** 0.005***(10.536) (-10.939) (11.553) (-5.149) (9.834)Constant 0.066*** -0.053*** 0.074*** -0.066*** 0.076***(5.143) (-4.701) (5.943) (-9.343) (5.940)Industry Yes Yes Yes Yes Yes Year Yes Yes Yes Yes Yes N 17280 23198 17280 21261 16854 R2_a 0.262 0.389 0.274 0.214 0.273

七、結(jié)論與建議

數(shù)字技術(shù)已經(jīng)成為國民經(jīng)濟發(fā)展的重要驅(qū)動，企業(yè)數(shù)字化轉(zhuǎn)型也是經(jīng)濟新常態(tài)下企業(yè)發(fā)展的應(yīng)有之義。本文基于2008-2020年滬深A(yù)股上市公司的經(jīng)驗證據(jù)探究企業(yè)數(shù)字化轉(zhuǎn)型對分析師預(yù)測質(zhì)量的影響，并沿襲“基準(zhǔn)回歸-異質(zhì)性分析-機制檢驗-經(jīng)濟后果”的思路框架予以分析。結(jié)論表明，第一，企業(yè)數(shù)字化轉(zhuǎn)型能夠提高分析師預(yù)測質(zhì)量，也即企業(yè)數(shù)字化轉(zhuǎn)型具有“信息效應(yīng)”。第二，基于企業(yè)、行業(yè)、地區(qū)層面的異質(zhì)性檢驗結(jié)果表明，這種效應(yīng)主要表現(xiàn)在國有企業(yè)、行業(yè)競爭強烈、地區(qū)市場化進程較低的企業(yè)中。第三，機制檢驗結(jié)果表明，企業(yè)數(shù)字化轉(zhuǎn)型對于分析師預(yù)測質(zhì)量的提高主要在于信息總量的提升、信息質(zhì)量的改善上。同時，本文進一步排除了基于經(jīng)營風(fēng)險降低的作用機制。最后，經(jīng)濟后果檢驗表明，企業(yè)數(shù)字化轉(zhuǎn)型引起分析師預(yù)測質(zhì)量的提高降低了權(quán)益資本成本。本文拓寬了分析師預(yù)測的影響因素與數(shù)字化轉(zhuǎn)型信息效應(yīng)的研究，并探究了企業(yè)數(shù)字化轉(zhuǎn)型影響分析師預(yù)測的前因后果。與此同時，本研究還具有重要的啟示。

第一，企業(yè)應(yīng)強化數(shù)字化轉(zhuǎn)型的信息賦能。本研究發(fā)現(xiàn)企業(yè)數(shù)字化轉(zhuǎn)型具有信息效應(yīng)，企業(yè)應(yīng)引導(dǎo)數(shù)字化技術(shù)嵌入企業(yè)生產(chǎn)、運營等戰(zhàn)略目標(biāo)，貫穿企業(yè)各業(yè)務(wù)流程，滲透到各個組織層級，提高企業(yè)信息披露總量、改善信息披露質(zhì)量，打造面向內(nèi)、外部信息需求者的良好信息生態(tài)空間，實現(xiàn)價值共創(chuàng)。

第二，政府應(yīng)積極引導(dǎo)國有企業(yè)、競爭較為激烈的行業(yè)以及市場化程度比較低的地區(qū)進行數(shù)字化轉(zhuǎn)型。政策也應(yīng)積極引導(dǎo)國民經(jīng)濟、市場資源向利于企業(yè)數(shù)字化轉(zhuǎn)型過程轉(zhuǎn)移，尤其對于國有企業(yè)、競爭較為激烈的行業(yè)以及市場化程度比較低的地區(qū)，以彌補其信息披露不足，實現(xiàn)數(shù)字化協(xié)同發(fā)展。

第三，資本市場資源配置過程是市場多元參與主體共同參與的結(jié)果，分析師應(yīng)大力發(fā)揮其市場信息中介的作用。利用數(shù)字化發(fā)展契機，進一步提升預(yù)測質(zhì)量，推動公司治理改善和資本市場資源高效配置。