分析师意见分歧,经验与权益资本成本.pdf

分析师意见分歧，经验与权益资本成本分析师意见分歧，经验与权益资本成本 肖作平肖作平 曲佳莉曲佳莉（西南交通大学经济管理学院，四川 成都 610031）摘要：摘要：财务分析师既是市场信息的集中使用者，又是市场信息的提供者，作为信息中介，他们的意见分歧和经验在降低市场信息不对称中会发挥怎样的作用？本文利用我国非金融类上市公司 20042011 年的非平衡面板数据，采用固定效应模型，实证检验分析师意见分歧、经验与权益资本成本之间关系。研究结果表明，分析师意见分歧在一定程度上反应了企业信息不对称程度，它与权益资本成本显著正相关。而分析师经验在降低市场信息不对称中发挥了积极作用，它与权益资本成本显著负相关。本研究证实分析师意见分歧和经验是影响权益资本成本的两个重要因素。关键词：关键词：分析师意见分歧；分析师经验；信息不对称；权益资本成本 Abstract:This paper investigates the impact of analyst dispersion and experience on the cost of equity capital.Financial analysts are the main user of market information,and they also offer new information to the market.As the information media between companies and investors,would their dispersion and experience influence the market information asymmetry,so as to influence the cost of equity capital?So we empirically test this question by doing fixed-effect regression using the unbalance panel data of Chinas non-financial listed companies from 2004-2011.The results show that the two components are significantly related to the cost of equity capital.Specifically,analyst dispersion can reflect the companies information asymmetry to some extent,it positively correlates with the cost of equity capital,whereas analyst experience plays an active role in reducing the market information asymmetry,it negatively correlates with the cost of equity capital.Key words:analyst dispersion,analyst experience,information asymmetry,cost of equity capital 作者简介：作者简介：肖作平，西南交通大学经济管理学院会计系主任，教授，博士生导师，研究方向：公司治理，公司财务。曲佳莉，西南交通大学经济管理学院博士研究生，研究方向：公司治理，公司财务。中图分类号中图分类号：F830.9 文献标识码文献标识码：A 引言引言 权益资本成本是确定筹资策略，选择筹资渠道，评价投资项目的一个重要指标，它的高低对企业经营决策、投资决策以及价值评估有着至关重要的影响。关于权益资本成本的许多研究都表明，信息不对称是影响权益资本成本的重要因素之一，提高信息披露水平，增加信息透明度，降低信息不对称可以有效地降低权益资本成本（Botosan,1997;Leuz and Verrecchia,2000;Botosan and Plumlee,2002;Lambert et al.,2007）1234。而在降低企业信息不对称过程中，财务分析师扮演了重要的角色。财务分析师一方面通过其掌握的优势信息渠道，充分收集信息，包括公共信息和私有信息（Barron et al.,1998）5，财务信息和非财务信息，利用专业知识对信息进行解读，增加信息的扩散渠道；另一方面，分析师还会根据所掌握的信息对企业未来的盈利状况和投资机会进行预测，包括 盈余预测和投资评级等，向市场提供新的信息。已有学者开始关注分析师跟进如何影响权益资本成本（Devos et al.,2007;Bowen et al.,2008;He et al.,2013）678。他们的研究结果大都表明，分析师跟进有助于降低企业信息不对称，从而降低权益资本成本，但是这些研究主要着重于跟进企业的分析师规模，而对于规模本身可能引发的问题关注较少。例如，许多企业不只一个分析师跟进，不同分析师对同一家企业发布的盈余预测，投资评级等信息必然会产生分歧，对投资者而言，这些意见分歧又会传递出什么信息呢？同时，跟进企业的众多分析师中，分析师的经验也参差不齐，对投资者而言，在接受分析师提供的信息时，是否会针对分析师经验有所选择？在降低市场信息不对称中，经验丰富的分析师所发挥的作用是否更显著？目前，鲜有文献对这些问题进行系统研究。随着我国证券市场的发展，财务分析师的规模不断扩大，形成了买方分析师(buy-side analyst)和卖方分析师(sell-side analyst)两股力量，前者主要为所属公司内部提供信息，后者主要向潜在投资者提供盈余预测，投资评级等信息。在分析师队伍不断壮大的过程中，他们的影响力不断扩大，因此有必要从多角度揭示分析师跟进所产生的影响，才能引导投资者合理利用分析师预测信息，降低市场信息不对称和投资风险，从而促进资本市场健康发展。因此，本文从信息不对称视角出发，以我国卖方分析师为主要研究对象，围绕分析师意见分歧和经验在降低信息不对称中所发挥的作用，对二者与权益资本成本之间的关系进行实证检验。通过本文的研究，我们证实了分析师意见分歧和经验确实会影响市场信息不对称，进而影响权益资本成本。这主要体现在：分析师意见分歧在一定程度上反应了企业信息不对称程度，它与权益资本成本正相关，而分析师经验在降低市场信息不对称中发挥了积极作用，它与权益资本成本负相关。本文对分析师跟进与权益资本成本之间关系研究提供了有益补充，有助于更深入地理解分析师跟进行为对权益资本成本所产生的影响。同时，本文还具有重要的实践指导意义，对投资者而言，本研究为其正确使用分析师预测数据提供了一个经验原则，即分析师所发布的盈余预测离散度越高的公司，其信息风险越高，而被经验丰富的分析师跟进的公司，企业信息被解读的更完整和准确，其信息风险越低，投资者应根据企业信息风险的高低，谨慎投资。对企业管理者而言，本研究为其降低权益资本成本提供了一种经验参考，一方面，提高信息披露质量，增加信息透明度，降低分析师意见分歧，从而降低投资者对企业的风险估计；另一方面，与经验丰富的分析师建立良好的信息传播渠道和沟通机制，借助于分析师的经验，扩大企业信息的传播范围，降低企业信息不对称，从而降低权益资本成本。本文余下部分安排如下：第二部分是理论分析与研究假设，第三部分是研究变量的选择与计算，第四部分是样本选择与描述性统计，第五部分是实证结果与分析，最后一部分是研究结论。理论分析与研究假设理论分析与研究假设 信息不对称是现代企业制度不可避免的。面对信息不对称导致的信息风险，投资者要求一定的风险补偿，从而增加企业的资本成本。众多研究围绕如何提高信息披露水平，降低信息风险，进而降低权益资本成本展开研究（Botosan,1997;Leuz and Verrecchia,2000;Botosan and Plumlee,2002;Lambert et al.,2007）1234。这些研究大都表明增加信息披露能够起到降低市场信息不对称的 作用，从而降低权益资本成本。他们的基本前提是，企业所披露的信息能被市场投资者充分捕捉并准确解读。但是由于市场“柠檬效应”的存在，投资者很难准确把握市场信息和投资机会，而解决市场“柠檬效应”的一个重要措施就是充分发挥市场信息中介的作用（Healy and Palepu,2001）9，财务分析师就扮演着这样的角色。财务分析师经过专业的金融、财务、行业知识培训，以及掌握优势的信息渠道，是使用市场信息的主力军，通过对信息进行专业解读，向信息的最终使用者，如机构投资者和个人投资者，提供信息服务。Amir et al.（1999）10发现财务分析师提供的信息有增量贡献，他们能将大量私人信息，经加工处理后变为公共信息，增加市场上的信息供应量，从而改变了企业的信息环境。因此，市场投资者会对分析师跟进人数较多的公司赋予更低的风险水平估计，从而降低了权益资本成本（He et al.,2013）8。但是随着跟进企业的分析师人数增加，不同分析师对企业盈余预测不可避免地会产生意见分歧，众多研究把分析师意见分歧作为企业信息不确定性的一种代理变量（Barron et al.,1998;Johnson,2004;Zhang,2006）51112，因此，意见分歧可能会对权益资本成本产生影响；同时，由于经验的局限性，不同经验的分析师向市场提供的信息是存在差异的（Hong et al.,2000;Clement and Tse,2005）1314，这也会影响企业与投资者之间的信息不对称，进而影响权益资本成本。由此可见，不仅分析师跟进能通过影响企业信息不对称而影响权益资本成本，且分析师意见分歧和经验也可能是影响权益资本成本的重要因素。一、分析师意见分歧与权益资本成本一、分析师意见分歧与权益资本成本 所谓意见分歧是指众多分析师对同一家公司未来盈余所作预测的离散程度，意见分歧与企业信息不对称之间有着密切的联系。一方面，企业信息不对称会导致分析师对盈余预测产生意见分歧，而增加信息披露，降低信息不对称，可以降低分析师意见分歧。Lang 和 Lundholm（1996）15针对美国市场的研究发现，上市公司整体信息披露质量的评级越高，分析师之间的预测分歧越小。Bowen et al.（2002）16发现上市公司召开新闻发布会能显著提高分析师预测的准确性，减少分析师之间的分歧。Lehavy et al.（2011）17证实财务报告可读性越差的公司面临更高的分析师意见分歧。白晓宇（2009）39和公言磊（2010）40针对我国分析师预测数据的研究也表明，上市公司信息披露质量越高，信息透明度越好，分析师的预测分歧越小。另一方面，分析师意见分歧可能会导致企业面临更严重的信息不对称问题。Sadka 和 Scherbina（2007）18认为市场信息不对称与企业未来盈余的不确定性是有关的，并且会随着分析师意见分歧的扩大而增加。总之，不论分析师意见分歧与企业信息不对称之间的关系属于前者还是后者，它们之间都存在正相关关系，即分析师意见分歧越大，信息不对称程度越高。Barron et al.（1998）5，Johnson（2004）11，Zhang（2006）12在他们的研究中把分析师意见分歧作为企业信息不确定性的代理变量。由此可见，分析师意见分歧在一定程度上反应了企业信息不对称程度，由意见分歧所代表的这部分信息风险是分析师跟进无法分散的。分析师意见分歧越大，说明企业的信息不对称程度越高，而信息不对称会导致企业面临更高的权益资本成本。因此，对那些分析师预测信息存在较大意见分歧的公司，投资者的期望回报率会更高，权益资本上升。基于以上分析，本文提出以下研究假设：H1：分析师意见分歧与权益资本成本正相关。二、分析师经验与权益资本成本二、分析师经验与权益资本成本 分析师跟进所发挥的作用受分析师经验地影响。Yu（2008）19研究发现分析师经验越丰富，分析师跟进对企业盈余管理的抑制作用更明显。分析师经验会影响分析师向市场提供的信息量。Hong et al.（2000）13指出经验丰富的分析师在发布盈余预测时不容易发生羊群式的模仿行为。Clement 和 Tse（2005）14进一步研究表明分析师的冒险预测比羊群预测会给市场投资者提供更多有用的信息，并且分析师的冒险预测会随着经验的增长而增加。分析师经验还会对分析师预测准确度产生影响。Clement（1999）20研究表明，分析师预测的准确度与分析师的经验正相关。Kim et al.（2011）21研究发现，分析师的经验与分析师预测误差负相关。Xu et al.（2013）23将跟进我国上市公司的分析师分为明星分析师和非明星分析师，明星分析师拥有丰富的经验以及掌握企业更多的具体信息，其预测信息更准确。由此可见，分析师经验一方面促进分析师向市场提供更多有价值的信息，增加市场上的信息供应量，这有助于降低企业与投资者之间的信息不对称；另一方面，分析师经验提高了预测信息的准确度，Easley 和 OHara（2004）23指出信息准确度的提高降低了处于信息劣势的投资者所面临的信息风险。另外，分析师经验还会影响市场投资者对分析师所提供信息的接受和运用程度，市场投资者更愿意接受和相信经验丰富的分析师所提供的预测信息，因为他们提供的信息可能更加准确。胡奕明和林文雄（2005）41研究表明，分析师工作经验越丰富，分析质量越高，对市场的指导作用越显著。于静等（2008）42认为最佳证券分析师提供的投资信息对投资者更具有参考价值。分析师经验在改善企业与投资者之间信息不对称中发挥了积极作用，随着分析师经验不断积累和提高，分析师对企业信息解读得更为充分和完整，准确度也不断提升，并且易于被投资者接受。所以，经验丰富的分析师对企业进行跟进，能更有效地降低投资者与企业之间的信息不对称，从而降低权益资本成本。基于以上分析，本文提出以下研究假设：H2：分析师经验与权益资本成本负相关。研究变量的选择与定义研究变量的选择与定义 一、被解释变量权益资本成本一、被解释变量权益资本成本 如何适当地度量权益资本成本一直是该领域研究的难点和热点，并且形成了两种主流观点：一是用已实现的事后回报率作为权益资本成本代理变量，如资本资产定价模型 CAPM（Sharpe,1964）24，套利定价理论 APT（Ross,1976）25，以及三因素模型（Fama and French,1993）26；二是用事前的期望回报率作为权益资本成本的代理变量，如 GGM 模型（Gordon and Gordon,1997）27，CT 模型（Claus and Thomas,2001）28，GLS 模型（Gebhardt et al.,2001）29，PEG 模型（Easton,2004）30，PE 模型（Easton,2004）34，OJ 模型（Ohlson and Juetner-Nauroth,2005）31。随着理论发展，一些文献认为己实现的事后回报率不能很好地度量权益资本成本，用已实现的回报率作为权益资本成本的代理变量是存在问题的（Elton,1999）32。Fama 和 French（1997）33在文章中也明确指出，风险载荷和风险溢价的难以准确估计使得 CAPM 模型和 Farna-French 三因素模型是权益资本成本较弱的代理变量。因此，使用期望回报率作为权益资本成本代理变量越来越受到实证研究的青睐（Hail and Leuz,2006;Botosan and Plumlee,2005）3435。但是基于期望回报率的权益资本成本估计也存在多种模型，哪一种模型能更好地度量权益资本成本，对此理论界还没有达成统一意见。为避免某一个模型在计算权益资本成本过程中产生偏误，本文借鉴 Hail 和 Leuz（2006）34的方法，选择几种常见于文献中的度量模型，分别为 GGM 模型，CT 模型，GLS 模型，PEG模型，PE 模型和 OJ 模型，以这几个模型计算出的权益资本成本均值作为本文权益资本成本的代理变量，记为 COE。二、解释变量二、解释变量 1分析师意见分歧（分析师意见分歧（Dispersion）该变量反应分析师对企业当年每股收益预测的离散程度。本文借鉴 Diether et al.（2002）36的方法，用当年分析师对企业预测每股收益的标准差除以预测每股收益均值的绝对值来度量，如果当年同一个分析师对该企业发布多次预测每股收益数据，则以他当年最后一次所发布的信息为准。2分析师经验分析师经验 根据先前的研究（Clement and Tse,2005;Kim et al.,2011;Xu et al.,2013）142324，本文从以下三个方面考查分析师经验：分析师对公司累计跟进次数（Nmonth），以分析师对特定企业发布第一次预测信息的月份为起点，截止当年末分析师对该企业总共发布预测信息的月数表示；分析师从业时间长短（Nexp），以数据库记录的分析师第一次发布预测信息的月份为起点，到当年分析师对特定企业发布最后一次预测信息的月份为止这一时间段来表示；分析师同时跟进了多少家公司（Ncompany），以当年分析师跟进的公司数量来表示。由于每个公司每年不只一个分析师跟进，本文计算了这三个变量当年所有分析师的平均值，分别记为 Nmonth_avg、Nexp_avg、Ncompany_avg，然后各自加 1 再取自然对数，即 Ln（Nmonth_avg+1），Ln（Nexp_avg+1），Ln（Ncompany_avg+1），以此作为本文分析师经验的度量值，分别记为 LogNmonth，LogNexp，LogNcompany。本文还希望从整体上考查分析师经验对权益资本成本的影响，但是Nmonth_avg、Nexp_avg、Ncompany_avg 这三个变量有不同的度量单位，不能对它们进行简单相加。因此，本文借鉴 Ashbaugh et al.(2004)37的方法1构建了分析师经验的综合得分变量（Experience）。具体过程为：分别将这三个变量每年按照从小到大的顺序将样本分为0，9共 10 个组，借以形成各自的分位数序数变量，分别为 R_Nmonth_avg，R_Nexp_avg，R_Ncompany_avg，再将这三个变量的值除以 9，使它们各自的值界于0，1，最后以这三个变量的均值作为分析师经验综合得分2。三、控制变量三、控制变量 为了更好地研究分析师意见分歧和经验与权益资本成本之间的关系，本文对影响权益资本成本的公司特征进行了控制。对控制变量的选取，本文参考了以前的研究（陆正飞和叶康涛，2004；沈艺峰等，2005；肖斌卿等，2010）434445，控制变量主要包括：企业规模（Size），等于企业年末总资产的自然对数；系统风险（Beta），用当年股票的贝塔值表示；账面市值比（Btm），等于年末权益账面价值与市场价值之比；财务杠杆（Lev），等于年末负债的账面价值与权益市场价值之比。同时，为了避免宏观因素和行业因素对权益资本成本的影响，本文还对年度效应和行业效应进行了控制。样本选择与描述性统计样本选择与描述性统计 一、样本选择与数据来源一、样本选择与数据来源 本文的初始样本包括 20042011 年在上海和深圳证券交易所上市的所有上市公司，然后根据如下原则进行筛选：（1）由于金融保险类上市公司与一般上市公司的财务特征和会计制度存在差异，剔除了金融保险行业的上市公司；（2）剔除 ST，PT 公司；（3）公司同时发行 A 股和 B 股或 H 股会影响公司股票价格的确定，进而影响权益资本成本的计算，因此剔除同时发行 B股或 H 股的公司，保留仅发行 A 股的公司；（4）剔除数据缺失或无法获得相关数据的公司，最终得到有效样本 3242 个公司年度样本。本文所使用的数据主要来自于国泰安数据库和锐思数据库，为避免极端值对回归结果的影响，本文对所有连续变量首尾 1%的值进行了 winsor 缩尾处理。样本分布如表 1 所示，2004 年由于很多公司没有分析师跟踪，使公司权益资本成本数据大量缺失，导致样本数量较少。从表 1 Panel B 样本的行业分布可以看出，来自于制造业的样本最多，占了全样本的 57.03%。从权益资本成本的行业均值（中位数）来看，房地产业，电力、煤气及水的生产和供应业，以及建筑业的权益资本成本较高，其中房地产行业的权益资本成本最高，均值（中位数）达到了 15.25%（14.73%），这与房地产行业的高风险特征比较一致。表 1 样本分布 panel A 样本分布（按年）年份 2004 2005 2006 2007 2008 2009 2010 2011 合计 样本量 77 238 398 357 400 560 598 614 3242 panel B 样本分布（按行业）行业 样本量 占比（%）COE 均值 COE 中位数 农、林、牧、渔业 47 1.45 0.0836 0.0808 采掘业 108 3.33 0.1075 0.1020 制造业 1849 57.03 0.1046 0.0975 电力、煤气及水的生产和供应业 136 4.19 0.1128 0.1035 建筑业 73 2.25 0.1101 0.1011 交通运输、仓储业 156 4.81 0.0988 0.0906 信息技术业 161 4.97 0.0876 0.0829 批发和零售贸易 258 7.96 0.0966 0.0901 房地产业 243 7.5 0.1525 0.1473 社会服务业 90 2.78 0.0880 0.0817 传播与文化产业 30 0.93 0.0781 0.0720 综合类 91 2.81 0.1063 0.1011 总计 3242 100 0.1060 0.0973 二、权益资本成本的描述性统计二、权益资本成本的描述性统计 本文利用常见的权益资本成本度量模型计算了 6 个度量值，分别为R_GGM，R_CT，R_GLS，R_PEG，R_PE 和 R_OJ，并且计算了这几个度量值的平均值 COE。表 2 的 Panel A 展示了权益资本成本各度量值的基本统计量。从中可以看出，由 OJ 模型和 CT 模型计算出的权益资本成本偏高，均值分别为15.8%和 13.41%，由 PE 模型和 GLS 模型计算出的权益资本成本偏低，均值分 别为 5.58%和 6.14%，COE 的平均值为 10.6%。从表 2 的 Panel B 可以看出，权益资本成本各度量值之间高度相关，R_GLS 和 R_PEG 与 COE 的相关性都达了 80%以上，R_GGM、R_CT、R_OJ 与 COE 的相关性更是达了 90%以上，该结果与 Hail 和 Leuz（2006）38的研究发现基本一致。本文以多个度量模型计算出的权益资本成本均值 COE 作为权益资本成本的代理变量可以对各种模型的优势加以利用，减少测量误差。表 2 权益资本成本的描述性统计 panel A 权益资本成本度量值的描述性统计 变量名称 样本量 均值 最小值 25 分位 中位数 75 分位 最大值 标准误 R_GGM 3242 0.1116 0.0180 0.0722 0.0992 0.1359 0.3548 0.0574 R_CT 3242 0.1341 0.0621 0.0998 0.1219 0.1549 0.3442 0.0513 R_GLS 3242 0.0614 0.0164 0.0406 0.0561 0.0765 0.1600 0.0288 R_PEG 3242 0.1142 0.0000 0.0844 0.1082 0.1365 0.2709 0.0453 R_PE 3242 0.0558 0.0040 0.0335 0.0483 0.0706 0.1706 0.0314 R_OJN 3242 0.1580 0.0572 0.1223 0.1467 0.1797 0.4051 0.0554 COE 3242 0.1060 0.0450 0.0781 0.0973 0.1242 0.2608 0.0403 panel B 权益资本成本度量值的 pearson 相关系数矩阵 R_GGM R_CT R_GLS R_PEG R_PE R_OJN R_CT 0.9894*R_GLS 0.8194*0.7576*R_PEG 0.7326*0.7283*0.6497*R_PE 0.6537*0.5954*0.8309*0.4765*R_OJN 0.8886*0.8962*0.6389*0.6884*0.4530*COE 0.9815*0.9672*0.8554*0.8116*0.7002*0.9030*注：*表示在 1%的置信水平显著。三、解释变量的描述性统计三、解释变量的描述性统计 表 3 描述性统计 变量符号 样本量 均值 最小值 25 分位 中位数 75 分位 最大值 标准差 Dispersion 3185 0.2551 0.0287 0.1279 0.2002 0.3203 1.0804 0.1915 Nmonth 3242 5.1600 1 3.1429 4.7746 6.9107 24 2.6836 Nexp 3242 19.1172 0 13.0385 18.4077 24.6774 84.5 9.2231 Ncompany 3242 29.7461 1 19.4561 25.4820 36.1765 154 15.3805 LogNmonth 3242 1.7198 0.6931 1.4214 1.7535 2.0682 3.2189 0.4554 LogNexp 3242 2.8564 0 2.6418 2.9657 3.2456 4.4485 0.6290 LogNcompany 3242 3.3240 0.6931 3.0183 3.2765 3.6157 5.0434 0.4422 Experience 3242 0.4964 0 0.3704 0.5185 0.6296 1 0.2057 Size 3242 22.1662 19.8184 21.3998 22.0858 22.8175 25.7883 1.0494 Beta 3242 0.9719 0.2996 0.7766 0.9632 1.1676 1.7299 0.2924 Btm 3242 0.5720 0.1104 0.3540 0.5375 0.7693 1.2269 0.2691 Lev 3242 0.6960 0.0191 0.2106 0.4457 0.9317 3.8994 0.7157 从表 3 可以看出，分析师意见分歧 Dispersion 的均值为 0.2551，中位数为0.2002。从代表分析师经验的三个指标（Nmonth_avg、Nexp_avg、Ncompany_avg）来看，样本期间分析师平均对企业跟进 5 个月左右，有近一半企业被分析师累计跟进 3 至 7 个月，分析师从业时间平均接近 20 个月，大部分分析师拥有 13 个月以上的从业经验，平均来看分析师同时跟进 30 家左右的企业，大多数分析师同时跟进了 20 至 36 家左右的公司，这三个变量的标准差都比较大，对其进行相应的对数化处理后，得到 LogNmonth、LogNexp、LogNcompany，从统计上大大降低了变量的标准差。分析师经验综合得分 Experience 的均值为 0.4964，中位数为0.5185。实证结果与分析实证结果与分析 一、单变量分析一、单变量分析 本文按照分析师意见分歧和经验高低分别对权益资本成本均值和中位数进行了比较。具体过程为，每年按照意见分歧（Dispersion）的平均值将样本企业分为高和低两组，比较 Dispersion 高的组和 Dispersion 低的组权益资本成本均值及中位数是否存在差异。对分析师经验（LogNmonth，LogNexp，LogNcompany，Experience）也按同样方法对权益资本成本均值和中位数分别进行比较，结果如表 4 所示。从表 4 可以看出，分析师意见分歧高的公司权益资本成本比意见分歧低的公司高（11.27%vs.10.19%），且在 1%的置信水平显著。从分析师经验对权益资本成本的比较来看，分析师经验高的公司的权益资本成本显著低于分析师经验低的公司。按照分析师经验综合得分 Experience 对权益资本成本均值进行比较，分析师经验高的公司的平均权益资本成本比分析师经验低的公司低 0.7%左右（10.26%vs.10.97%），对权益资本成本中位数的比较与均值比较结论一致。这些结果初步验证了本文提出的研究假设，即分析师意见分歧与权益资本成本正相关，而分析师经验与权益资本成本负相关。表 4 COE 的单变量分析 COE 均值 COE 中位数 变量符号 高 低 T test（t 统计量）高 低 Wilcoxon test （z 统计量）Dispersion 0.1127 0.1019 7.4335*0.1017 0.095 5.4530*LogNmonth 0.1038 0.1087-3.4294*0.0954 0.0996-2.8590*LogNexp 0.1036 0.1088-3.6971*0.0958 0.0989-2.9940*LogNcompany 0.1040 0.1080-2.8211*0.0964 0.098-3.0290*Experience 0.1026 0.1097-5.0163*0.0952 0.0994-4.0620*注：*表示在 1%的置信水平上显著。二、多变量分析二、多变量分析 本文构建如下多元回归模型，检验分析师意见分歧和经验对权益资本成本的影响：+=itiitititititindustrykyearcontrolsDispersionCOE)(1+=itiitititititindustrykyearcontrolsXCOE)(1 +=itiititititititindustrykyearcontrolsExperienceDispersionCOE)(21 其中，COE是公司权益资本成本；Dispersion是分析师意见分歧；X 代表分析师经验，分别为 LogNmonth，expLogN，yLogNcompan，Experience；Controls 是一系列控制变量，如前文所述；i 为个体效应；为误差项；为常数项；为回归系数；、和 为回归系数向量。通过 Husman 检验，本文选用固定效应模型，并对回归系数的标准误进行了企业层面的集聚调整，提高了回归模型的稳健性。估计结果如表 5 所示。表 5 固定效应模型回归结果 权益资本成本 COE 变量符号 Size-0.0009-0.0009-0.0018-0.0017-0.0020-0.0017 (-0.32)(-0.32)(-0.67)(-0.60)(-0.74)(-0.61)Beta-0.0032-0.0019-0.0011-0.0018-0.0018-0.0039 (-1.08)(-0.62)(-0.36)(-0.58)(-0.61)(-1.33)Btm 0.0283*0.0340*0.0296*0.0303*0.0317*0.0306*(5.69)(6.76)(5.93)(6.13)(6.37)(6.19)Lev 0.0088*0.0093*0.0095*0.0090*0.0094*0.0091*(3.91)(4.15)(4.30)(4.12)(4.32)(4.10)Dispersion 0.0217*0.0217*(4.21)(4.25)LogNmonth -0.0142*(-4.97)LogNexp -0.0118*(-3.34)LogNcompany -0.0089*(-3.20)Experience -0.0175*-0.0176*(-4.80)(-4.92)常数项 0.0533 0.0617 0.071 0.0851 0.0795 0.0763 (0.85)(1.00)(1.13)(1.34)(1.27)(1.23)年度效应 控制 控制 控制 控制 控制 控制 行业效应 控制 控制 控制 控制 控制 控制 样本量 3185 3242 3242 3242 3242 3185 调整 R2 0.341 0.331 0.326 0.324 0.329 0.35 Husman 检验（卡方值）69.64 79.08 77.28 79.15 68.21 65.64 注：根据 Husman 检验选择固定效应模型，括号里是对标准误进行企业群聚效应调整后的 t 统计量；*，*，*分别代表在 10%，5%和 1%的置信水平上显著；由于某些企业一些年度只有一位分析师跟进（44 个样本），某些企业一些年度只有一位分析师发布了预测每股收益信息（有 13 个样本），导致在计算分析师意见分歧时产生了缺失值，因此第栏和第栏的样本量比其他栏少 57 个。从表 5 可以看出，所有模型的调整 R2 在 30%以上，说明所选变量具有很好的解释力。控制变量的回归结果与先前的研究文献基本一致，在此不再赘述，本文所关心的是分析师意见分歧和经验对权益资本成本的影响。从表 5 第栏可以看出，分析师意见分歧（Dispersion）与权益资本成本在1%的水平上显著正相关（系数为 0.0217，t 值为 4.21），验证了研究假设 H1。这 表明在控制其他因素的前提下，分析师意见分歧不仅在统计上与权益资本成本显著正相关，而且具有显著的经济意义。分析师意见分歧越高，表明企业面临的信息不对称程度越高，投资者通过对分析师意见分歧的判断，能在一定程度上识别企业的信息不对称程度，从而有选择地投资。对那些于信息不对称程度高的企业，投资者会期望更高的回报率，从而提高了公司的权益资本成本。从表 5 第至第栏可以看出，代表分析师经验的变量都与权益资本成本显著负相关，第栏也显示Experience 与权益资本成本在 1%的置信水平负相关（系数为-0.0175，t 值为-4.08），验证了研究假设 H2。这表明分析师经验在降低公司权益资本成本方面具有积极的作用，具体而言，分析师对公司的持续跟进和关注，能深入了解企业，获取更多有价值的信息；而分析师从业时间越长，经验积累也越多；分析师跟进的公司数量越多，表明分析师的能力很强，同时也有利于分析师经验的积累。随着分析师经验的提高，分析师对市场作息的捕捉能力和解读能力都会增强，这能提高其预测信息的准确度，增加企业信息透明度，从而降低投资者与企业之间的信息不对称。因而投资者会对那些被经验丰富的分析师跟进的企业赋予更低的风险估计，从而降低了投资的期望回报率，即权益资本成本。表 5 第栏同时检验了分析师意见分歧和经验对权益资本成本的影响，从中可以看出，Dispersion 的系数为 0.0217，Experience 的系数为-0.0176，都在1%的置信水平上显著。进一步对这两个变量系数的联合显著性进行了 wald 检验，其 F 值为 20.41，在 1%的置信水平上显著。这进一步证明，分析师意见分歧和经验是两个影响权益资本成本的重要因素，分析师意见分歧与权益资本成本显著正相关，而分析师经验与权益资本成本显著负相关。本文的研究假设得到了验证。三、稳健性检验三、稳健性检验 计算分析师经验需要对分析师姓名进行识别，在分析师预测数据库有些预测数据是由几个分析师联合署名发布的，这存在两个问题，一是随着时间推移，分析师的联合关系可能会发生改变，二是分析师经验是指分析师个人的经验，而不是合作的经验。因此，本文对分析师姓名进行了拆分，以第一位分析师为标准重新计算析师的经验数据。用新的分析师经验数据与 COE 进行回归分析，结果如表6 所示。表 6 分析师姓名拆分后的固定效应模型 权益资本成本 COE 变量符号 Size-0.0008 -0.0014 -0.0014