证券分析师跟踪对会计信息价值相关性的影响：基于资本市场的实证剖析

证券分析师跟踪对会计信息价值相关性的影响：基于资本市场的实证剖析一、引言1.1研究背景与动因随着全球经济一体化的推进，证券市场在经济体系中的地位日益凸显，已成为企业融资和投资者资产配置的关键场所。在这个复杂且充满不确定性的市场环境中，投资者面临着海量的信息和多样的投资选择，如何做出科学合理的投资决策成为关键问题。而证券分析师跟踪与会计信息，在投资者的决策过程中发挥着举足轻重的作用。证券分析师作为资本市场的专业信息中介，凭借其深厚的专业知识、丰富的行业经验和广泛的信息渠道，对上市公司进行深入研究与分析。他们通过跟踪公司的经营动态、财务状况、行业趋势等多方面信息，为投资者提供盈利预测、投资评级和投资建议等有价值的参考。在现实投资活动中，投资者常常参考分析师的研究报告来判断股票的投资价值和潜在风险。比如，当分析师对某公司给出“买入”评级并预测其未来业绩将大幅增长时，往往会吸引众多投资者关注并买入该公司股票；反之，若分析师给出“卖出”评级，投资者可能会选择减持或抛售。会计信息则是上市公司财务状况和经营成果的数字化呈现，是投资者了解公司基本面的核心依据。高质量的会计信息能够真实、准确、完整地反映公司的资产负债、盈利能力、现金流量等关键要素，为投资者评估公司价值、预测未来发展趋势提供坚实的数据支撑。以公司的净利润指标为例，投资者可以通过分析其历年净利润的变化趋势，判断公司的盈利稳定性和增长潜力；再如资产负债率，能帮助投资者了解公司的债务负担和偿债能力，从而评估投资风险。然而，目前证券分析师跟踪与会计信息价值相关性的研究仍存在一些不足之处。一方面，现有研究大多聚焦于两者单独对投资者决策的影响，对于分析师跟踪如何调节会计信息价值相关性的深入探究相对匮乏。在实际市场中，分析师的跟踪行为可能会改变投资者对会计信息的解读和依赖程度，进而影响会计信息的价值相关性，但这一复杂关系尚未得到充分揭示。另一方面，不同市场环境和公司特征下，分析师跟踪与会计信息价值相关性的表现可能存在显著差异，然而相关研究在这方面的探讨不够系统全面。例如，在牛市和熊市不同市场行情下，投资者对分析师意见和会计信息的关注度及反应可能截然不同；对于不同行业、规模和发展阶段的公司，两者的相关性也可能有所不同。深入研究证券分析师跟踪与会计信息价值相关性，对于市场参与者具有重要的现实意义。对于投资者而言，能够帮助他们更好地理解和运用分析师的研究成果与会计信息，提高投资决策的科学性和准确性，降低投资风险，实现资产的保值增值。对于上市公司来说，了解这一关系有助于优化信息披露策略，提高信息质量，增强市场对公司的认可度和信任度，从而降低融资成本，促进公司的长远发展。从监管机构角度出发，研究结果可为制定科学合理的监管政策提供理论依据，加强对证券分析师行业的规范管理，提高资本市场信息披露质量，维护市场秩序，促进资本市场的健康稳定发展。1.2研究价值与实践意义本研究具有多方面的理论价值与实践意义。从理论层面来看，它有助于进一步完善证券市场信息传导机制的理论体系。在过往研究中，证券分析师跟踪与会计信息价值相关性虽有涉及，但两者相互作用的深层次机制尚未得到充分挖掘。本研究深入剖析分析师跟踪如何影响投资者对会计信息的解读与运用，以及这种影响在不同市场条件下的变化规律，能够填补相关理论空白，为后续学者研究资本市场信息传递与决策机制提供新的视角和理论基础。同时，该研究对行为金融学中投资者决策行为理论的发展具有推动作用。投资者在证券市场中的决策行为受到多种因素影响，本研究通过探讨分析师跟踪与会计信息对投资者决策的交互影响，有助于深入理解投资者在复杂信息环境下的决策心理和行为模式，丰富行为金融学关于投资者决策的理论内涵，使该理论能够更好地解释和预测现实市场中的投资行为。从实践意义角度出发，本研究对投资者的投资决策具有重要的指导价值。在资本市场中，投资者面临海量信息，如何筛选和利用有效信息成为投资成功的关键。通过揭示证券分析师跟踪与会计信息价值相关性，投资者能够更准确地评估分析师研究报告的可靠性和实用性，合理结合会计信息进行分析，避免盲目跟风或过度依赖单一信息源。例如，当分析师对某公司进行跟踪并给出积极评价时，投资者可以结合该公司的会计信息，如财务报表中的盈利能力、资产质量等指标，综合判断分析师观点的合理性，从而做出更为科学的投资决策，降低投资风险，提高投资收益。对于上市公司而言，研究成果为其优化信息披露策略提供了有益参考。上市公司的信息披露质量直接影响市场对其的认可度和信任度。了解证券分析师跟踪与会计信息价值相关性后，上市公司能够更加明确投资者对信息的需求重点，有针对性地提高会计信息质量，确保信息的真实性、准确性和完整性。同时，积极与证券分析师沟通合作，提高公司信息的透明度和传播效率，吸引更多分析师的关注和跟踪，有助于提升公司在资本市场的形象和声誉，降低融资成本，为公司的可持续发展创造有利条件。本研究还为证券监管机构制定科学合理的监管政策提供了有力依据。证券监管机构的职责是维护资本市场的公平、公正和透明，促进市场的健康稳定发展。通过研究证券分析师跟踪与会计信息价值相关性，监管机构可以深入了解资本市场信息披露和传播过程中存在的问题和风险，加强对证券分析师行业的规范管理，防止分析师发布虚假或误导性信息。同时，进一步完善上市公司信息披露制度，加大对违规行为的处罚力度，提高资本市场信息披露质量，保障投资者的合法权益，维护市场秩序，促进资本市场的健康有序发展。1.3研究设计与创新本研究综合运用多种研究方法，从多维度深入剖析证券分析师跟踪与会计信息价值相关性，力求为资本市场相关理论与实践提供全面且新颖的见解。在研究方法上，本研究以实证研究为主导，结合案例分析与比较分析，构建了一个多层次、多角度的研究体系。实证研究方面，通过精心筛选和整理数据，运用严谨的统计分析方法和计量经济学模型，对所提出的研究假设进行检验，从而揭示证券分析师跟踪与会计信息价值相关性的内在规律。以2015-2023年沪深两市A股上市公司为样本，收集了大量的财务数据、分析师跟踪数据以及市场交易数据，运用多元线性回归模型，分析分析师跟踪人数、跟踪频率等因素对会计信息价值相关性的影响，通过控制公司规模、行业特征、市场环境等变量，确保研究结果的准确性和可靠性。案例分析则选取了具有代表性的上市公司，深入剖析其在分析师跟踪与会计信息披露过程中的具体实践和决策行为。以贵州茅台为例，作为白酒行业的龙头企业，长期受到众多分析师的高度关注。通过对其历年财务报告、分析师研究报告以及市场股价表现的深入分析，详细探讨了分析师跟踪如何影响投资者对公司会计信息的解读和反应，以及会计信息在分析师研究和投资者决策中的具体作用机制。这种微观层面的案例分析，能够使我们更加直观地理解证券分析师跟踪与会计信息价值相关性在实际市场中的表现和应用。比较分析则是从不同市场环境、公司特征等维度展开，对比分析不同情况下证券分析师跟踪与会计信息价值相关性的差异。在不同市场行情下，对比牛市和熊市期间分析师跟踪对会计信息价值相关性的影响。研究发现，在牛市中，投资者情绪较为乐观，对分析师的乐观预测和推荐更为关注，此时分析师跟踪对会计信息价值相关性的提升作用更为明显；而在熊市中，投资者更为谨慎，更加注重会计信息的基本面分析，对分析师的依赖相对降低，分析师跟踪与会计信息价值相关性的关系也更为复杂。在样本选取上，本研究具有独特性。与以往研究不同，不仅扩大了样本的时间跨度和空间范围，涵盖了近十年沪深两市A股上市公司，以确保研究结果的普遍性和稳定性；还针对不同行业、规模和发展阶段的公司进行分层抽样，使得样本更具代表性。对于新兴行业和传统行业分别选取一定比例的公司进行研究，分析不同行业特点下分析师跟踪与会计信息价值相关性的差异。在新兴的新能源行业，由于行业发展迅速、技术更新换代快，分析师跟踪对企业未来发展潜力的预测更为关键，会计信息中的研发投入、技术创新成果等指标与公司价值的相关性更高；而在传统制造业，固定资产、成本控制等会计信息则更为重要，分析师跟踪与这些会计信息的价值相关性表现出不同的特点。本研究的创新之处还体现在研究视角上。突破了以往仅关注分析师跟踪或会计信息单方面的局限，将两者置于一个统一的分析框架下，深入探讨它们之间的交互作用和影响机制。从信息传导、投资者行为和市场效率等多个角度出发，全面分析分析师跟踪如何调节会计信息在投资者决策中的价值相关性。引入信息不对称理论和行为金融学理论，解释分析师跟踪对投资者认知偏差和决策行为的影响，以及这种影响如何进一步作用于会计信息的价值相关性。分析师的研究报告可以降低投资者与上市公司之间的信息不对称程度，但同时也可能引发投资者的羊群效应等行为偏差，从而影响会计信息在投资决策中的作用。这种多理论融合的研究视角，为揭示证券分析师跟踪与会计信息价值相关性的本质提供了新的思路和方法。二、理论基础与文献回顾2.1证券分析师跟踪相关理论2.1.1证券分析师的角色与职能证券分析师在资本市场中扮演着至关重要的信息中介角色，是连接上市公司与投资者之间的关键桥梁。其主要职责涵盖了信息的搜集、分析与传播，以及为投资者提供专业的投资建议，在整个市场的信息传导和资源配置过程中发挥着不可或缺的作用。在信息搜集方面，证券分析师凭借其广泛的信息渠道和专业的调研能力，深入挖掘与上市公司相关的各类信息。他们不仅关注公司公开披露的财务报表、定期报告等官方信息，还会通过实地调研、行业会议、与管理层沟通等方式获取非公开的内幕信息和行业动态。以对某科技公司的研究为例，分析师不仅会详细分析该公司的年报，了解其财务状况和经营成果，还会参加该公司举办的新品发布会，与公司高管交流，获取关于公司未来发展战略、技术研发进展等第一手信息；同时，通过对行业上下游企业的走访，了解行业竞争格局和市场趋势，为全面分析该公司的投资价值奠定基础。在信息分析阶段，证券分析师运用其深厚的财务知识、丰富的行业经验和专业的分析工具，对搜集到的海量信息进行系统整理和深入剖析。他们会对公司的财务指标进行细致解读，如通过计算毛利率、净利率、资产负债率等指标，评估公司的盈利能力、偿债能力和运营效率；运用财务比率分析、趋势分析等方法，洞察公司的财务状况变化趋势和潜在风险。对于一家制造业企业，分析师会通过分析其历年的毛利率变化，判断其产品竞争力和成本控制能力；通过资产负债率的分析，评估其债务负担和财务风险。分析师还会结合行业发展趋势、宏观经济环境等因素，对公司的未来发展前景进行预测和评估。如果某行业处于快速发展期，分析师会关注该行业内公司的市场份额增长潜力、技术创新能力等因素，判断其在行业中的竞争地位和未来发展空间。证券分析师将分析结果以研究报告的形式向市场传播，为投资者提供投资建议。这些建议通常包括盈利预测、目标价格设定以及投资评级等内容，帮助投资者做出合理的投资决策。当分析师对某公司的未来业绩持乐观态度时，会在研究报告中给出较高的盈利预测和目标价格，并给予“买入”或“增持”的投资评级，吸引投资者关注并买入该公司股票；反之，若分析师对公司前景不看好，会给出较低的盈利预测和目标价格，以及“卖出”或“减持”的评级，提醒投资者规避风险。2.1.2分析师跟踪行为的影响因素分析师的跟踪行为受到多种因素的综合影响，这些因素相互作用，共同决定了分析师对上市公司的关注程度和跟踪深度。公司规模、业绩表现、行业前景等因素在其中发挥着关键作用。公司规模是影响分析师跟踪的重要因素之一。一般来说，大型公司由于其在市场中的重要地位、广泛的业务布局和较高的市场知名度，往往更容易吸引分析师的关注。大型公司通常具有更完善的信息披露机制和更广泛的信息传播渠道，分析师获取信息相对容易，且分析大型公司的研究成果更容易获得市场的认可和关注。像苹果公司作为全球知名的科技巨头，业务遍及全球多个国家和地区，每年都会受到众多分析师的密切跟踪和研究。据统计，有上百家知名金融机构的分析师对苹果公司进行定期跟踪，发布大量的研究报告，涵盖公司的产品创新、市场份额变化、财务状况等各个方面。而小型公司由于规模较小、信息披露相对有限，分析师获取信息的难度较大，研究成本较高，因此受到分析师的关注相对较少。公司的业绩表现也是吸引分析师跟踪的关键因素。业绩优异、盈利能力强的公司往往能够吸引更多分析师的目光。这类公司通常具有稳定的现金流、较高的利润率和良好的发展前景，分析师对其进行跟踪研究，能够为投资者提供有价值的投资建议，同时也有助于提升自己的专业声誉。以贵州茅台为例，作为白酒行业的龙头企业，多年来一直保持着较高的盈利能力和业绩增长，其净利润持续稳定增长，毛利率始终维持在较高水平。这使得贵州茅台成为分析师重点跟踪的对象，每年都有大量关于贵州茅台的研究报告发布，分析师们对其业绩预测、市场估值等方面进行深入分析和探讨。相反，业绩不佳、亏损或业绩波动较大的公司，可能会面临分析师的冷落。因为这类公司的不确定性较高，分析难度较大，分析师对其进行跟踪研究的风险相对较高。行业前景对分析师跟踪行为也有着重要影响。处于新兴行业或具有良好发展前景的行业，如新能源、人工智能等领域，往往会吸引大量分析师的关注。这些行业发展迅速，技术创新频繁，市场潜力巨大，分析师通过对这些行业的跟踪研究，能够捕捉到行业发展的新趋势和投资机会，为投资者提供前瞻性的投资建议。在新能源汽车行业，随着全球对环境保护和可持续发展的重视，新能源汽车市场呈现出爆发式增长。众多分析师纷纷对该行业进行跟踪研究，关注行业内企业的技术研发进展、市场份额争夺、政策影响等因素，为投资者提供了丰富的研究成果和投资建议。而对于一些传统的、发展前景相对有限的行业，分析师的跟踪热情可能相对较低。2.2会计信息价值相关性理论2.2.1会计信息价值相关性的内涵会计信息价值相关性，是指会计信息与企业价值之间存在的内在联系，以及这种联系在投资者决策过程中所发挥的关键作用。它体现了会计信息对投资者评估企业价值、预测未来现金流和风险水平的重要程度，是衡量会计信息质量和决策有用性的核心指标之一。在资本市场中，投资者的决策行为主要基于对企业未来盈利能力和发展前景的判断，而会计信息则是他们获取这些信息的主要来源。财务报表中的资产、负债、所有者权益、收入、费用和利润等关键数据，能够直观地反映企业的财务状况、经营成果和现金流量情况。通过对这些数据的分析，投资者可以评估企业的偿债能力、盈利能力、运营效率和成长潜力，从而判断企业的投资价值和风险水平。当投资者考虑投资某家上市公司时，会重点关注其财务报表中的净利润指标。如果该公司近年来净利润持续稳定增长，且毛利率、净利率等盈利能力指标表现良好，投资者可能会认为该公司具有较强的盈利能力和发展潜力，从而增加对其投资的意愿；反之，如果公司净利润出现下滑，且财务状况不佳，投资者可能会对其投资价值产生质疑，进而减少或放弃投资。会计信息还能够帮助投资者预测企业未来的现金流和风险水平。通过分析企业的现金流量表，投资者可以了解企业的现金流入和流出情况，预测未来的现金流量趋势，评估企业的资金流动性和偿债能力。现金流量表中的经营活动现金流量反映了企业核心业务的现金创造能力，如果经营活动现金流量充足且持续稳定，说明企业的经营状况良好，具有较强的自我造血能力；而投资活动现金流量和筹资活动现金流量则可以反映企业的投资策略和融资状况，帮助投资者判断企业未来的发展方向和资金需求。会计信息中的财务比率分析，如资产负债率、流动比率、速动比率等，也能够帮助投资者评估企业的风险水平。较高的资产负债率可能意味着企业面临较大的偿债压力和财务风险，而较低的流动比率和速动比率则可能表明企业的短期偿债能力较弱。会计信息对股价和企业估值产生着直接而重要的影响。在有效市场假说下，股价被认为是企业内在价值的反映，而会计信息则是影响股价的重要因素之一。当企业公布的财务报表显示出良好的经营业绩和财务状况时，市场对该企业的预期会提高，投资者对其股票的需求增加，从而推动股价上涨；反之，若企业的会计信息反映出经营不善或财务风险较高，投资者可能会降低对该企业的预期，减少对其股票的需求，导致股价下跌。在对企业进行估值时，常用的估值方法如市盈率法、市净率法、现金流折现法等，都离不开会计信息的支持。市盈率法是通过将股票价格除以每股收益来计算市盈率，从而评估股票的估值水平；市净率法则是将股票价格除以每股净资产，反映了市场对企业净资产的估值倍数；现金流折现法则是通过预测企业未来的现金流量，并将其折现到当前，以确定企业的内在价值。这些估值方法都依赖于准确、可靠的会计信息，会计信息的质量直接影响着企业估值的准确性和可靠性。2.2.2会计信息价值相关性的度量方法在学术研究和实践应用中，常用的会计信息价值相关性度量方法主要包括价格模型和报酬模型，它们从不同角度揭示了会计信息与企业价值之间的关系。价格模型以股票价格为因变量，以会计信息指标（如每股收益、每股净资产等）为自变量，通过构建回归方程来检验会计信息对股票价格的解释能力。其基本原理是基于有效市场假说，认为在有效市场中，股票价格能够充分反映所有公开信息，包括会计信息。经典的价格模型如Ohlson模型，该模型认为企业的价值由净资产账面价值和未来异常盈余的现值两部分组成，通过将股票价格与净资产账面价值、每股收益等会计信息进行回归分析，可以评估会计信息对股票价格的影响程度。在实际应用中，研究者可以收集一定时期内上市公司的股票价格、财务报表数据等，运用价格模型进行回归分析。若回归结果显示每股收益、每股净资产等会计信息与股票价格之间存在显著的正相关关系，且回归方程的拟合优度较高，说明会计信息对股票价格具有较强的解释能力，即会计信息价值相关性较高；反之，若回归结果不显著或拟合优度较低，则表明会计信息价值相关性较低。价格模型适用于对企业整体价值的评估和分析，能够直观地反映会计信息对股票价格的影响，为投资者进行股票估值和投资决策提供重要参考。报酬模型则以股票报酬率（即股票收益率）为因变量，以会计信息的变化量（如盈余变化、净资产变化等）为自变量，通过回归分析来衡量会计信息对股票报酬率的影响。其核心思想是，当企业公布的会计信息发生变化时，会引起投资者对企业未来预期的改变，从而导致股票价格和报酬率的波动。Ball和Brown提出的盈余反应系数（ERC）模型是报酬模型的典型代表，该模型通过计算盈余反应系数，即股票异常报酬对未预期盈余的反应程度，来衡量会计信息的价值相关性。在实证研究中，研究者通常选取一定样本的上市公司，计算其在特定期间内的股票报酬率和会计信息变化量，然后运用报酬模型进行回归分析。如果回归结果显示盈余变化等会计信息与股票报酬率之间存在显著的正相关关系，且盈余反应系数较大，说明会计信息的变化能够引起股票报酬率的显著变化，即会计信息价值相关性较高；反之，若回归结果不显著或盈余反应系数较小，则表明会计信息价值相关性较低。报酬模型更侧重于分析会计信息的变化对股票报酬率的短期影响，有助于投资者了解会计信息发布后市场的即时反应，捕捉投资机会。2.3文献综述2.3.1国外研究现状国外学者对分析师跟踪与会计信息价值相关性的研究起步较早，成果丰硕。在分析师跟踪对会计信息价值相关性的影响方面，部分学者通过实证研究发现，分析师跟踪能够显著提高会计信息的价值相关性。Bhushan研究指出，分析师跟踪人数的增加可以降低信息不对称程度，使投资者更容易获取和理解会计信息，从而增强会计信息与股票价格之间的相关性。他以美国证券市场为研究对象，选取了大量上市公司样本，通过构建回归模型，分析了分析师跟踪人数与会计信息价值相关性指标之间的关系，结果表明分析师跟踪人数与会计信息对股票价格的解释能力呈正相关。在研究方法上，国外学者多采用实证研究方法，运用计量经济学模型对大量数据进行分析。在数据收集方面，广泛涵盖了多个国家和地区的证券市场数据，以确保研究结果的普遍性和可靠性。在模型构建上，不断创新和完善，引入了多种控制变量，以排除其他因素对研究结果的干扰。在研究样本的选择上，注重样本的代表性和多样性，不仅包括不同行业、规模的公司，还涉及不同发展阶段的企业，从而更全面地揭示分析师跟踪与会计信息价值相关性的内在规律。2.3.2国内研究现状国内关于分析师跟踪与会计信息价值相关性的研究在借鉴国外研究成果的基础上，结合中国证券市场的特点，取得了一系列有价值的成果。学者们普遍认为，分析师跟踪在一定程度上能够提升会计信息的价值相关性，但这种影响受到多种因素的制约。吴东辉和薛祖云研究发现，分析师的盈利预测能够为投资者提供有价值的信息，有助于提高会计信息在投资决策中的作用，但分析师预测的准确性和可靠性仍有待提高。他们通过对中国证券市场分析师盈利预测数据的分析，发现分析师预测存在一定的偏差，且不同分析师之间的预测差异较大，这在一定程度上影响了会计信息价值相关性的提升。国内研究在样本选取上，多以沪深两市A股上市公司为研究对象，数据来源主要包括上市公司年报、证券交易所公开数据以及专业金融数据库等。在研究方法上，除了采用实证研究方法外，还结合了案例分析、规范研究等方法，从不同角度深入探讨分析师跟踪与会计信息价值相关性的问题。在研究视角上，更加关注中国证券市场的特殊制度背景和市场环境对两者关系的影响，如股权分置改革、会计准则变革等因素对分析师跟踪行为和会计信息质量的影响，以及这些影响如何进一步作用于会计信息价值相关性。2.3.3研究述评现有研究在分析师跟踪与会计信息价值相关性领域取得了显著成果，但仍存在一些不足之处。在研究样本方面，虽然国内外研究都力求选取具有代表性的样本，但部分研究的样本范围相对狭窄，可能无法全面反映不同市场环境和公司特征下两者的关系。一些研究仅选取了特定行业或特定规模的公司作为样本，忽略了其他行业和规模公司的情况，导致研究结果的普遍性受到限制。在研究视角上，现有研究多集中于分析师跟踪对会计信息价值相关性的直接影响，而对于两者之间的间接影响机制以及其他因素的调节作用研究相对较少。分析师跟踪可能通过影响投资者的认知和行为，进而间接影响会计信息价值相关性，但这一复杂的传导机制尚未得到充分揭示。在研究方法上，虽然实证研究方法在该领域得到了广泛应用，但部分研究在模型设定、变量选取和数据处理等方面存在一定的主观性和局限性。一些研究在模型设定时，可能遗漏了重要的解释变量，导致模型的解释能力不足；在变量选取上，部分变量的定义和度量方法存在争议，可能影响研究结果的准确性和可靠性；在数据处理过程中，可能存在数据缺失、异常值处理不当等问题，也会对研究结果产生不利影响。这些不足为本文的研究提供了切入点，本文将在已有研究的基础上，进一步拓展研究样本范围，从多视角深入探讨分析师跟踪与会计信息价值相关性的内在机制，优化研究方法，力求更全面、准确地揭示两者之间的关系。三、研究设计3.1研究假设基于前文的理论分析，本研究提出以下假设：假设1：证券分析师跟踪与会计信息价值相关性呈正相关关系。分析师凭借其专业能力和广泛的信息渠道，能够深入挖掘和解读会计信息，将复杂的财务数据转化为通俗易懂的投资建议，从而提高会计信息在投资者决策中的有用性，增强会计信息与股票价格之间的关联度。以苹果公司为例，众多分析师对其进行跟踪研究，通过对苹果公司财务报表中营收、利润、资产负债等会计信息的分析，发布盈利预测和投资评级。这些研究成果使得投资者能够更全面、准确地了解苹果公司的财务状况和经营成果，进而影响投资者对苹果公司股票的需求和价格，提高了会计信息的价值相关性。在不同的市场环境和公司特征下，分析师跟踪对会计信息价值相关性的影响可能存在差异，基于此，提出以下调节效应假设：假设2：在市场波动较大的时期，证券分析师跟踪对会计信息价值相关性的正向影响更为显著。市场波动增加了投资的不确定性，投资者对信息的需求更为迫切。分析师的跟踪研究能够为投资者提供及时、准确的信息，帮助投资者更好地应对市场变化，从而增强会计信息的价值相关性。在2020年新冠疫情爆发初期，股市大幅波动，投资者面临极大的不确定性。此时，分析师对上市公司的跟踪研究尤为重要。分析师通过对疫情对不同行业和公司的影响进行分析，结合公司的财务状况和发展前景，为投资者提供了有价值的投资建议。这些建议帮助投资者在复杂的市场环境中做出决策，使得会计信息在投资决策中的作用更加凸显，进而提高了会计信息的价值相关性。假设3：对于信息不对称程度较高的公司，证券分析师跟踪对会计信息价值相关性的提升作用更明显。这类公司由于信息透明度较低，投资者难以获取和理解其会计信息。分析师的跟踪可以降低信息不对称，促进投资者对会计信息的理解和运用，提升会计信息的价值相关性。一些新兴的高科技公司，业务模式复杂，技术更新换代快，财务报表中的研发投入、无形资产等项目的解读难度较大，投资者与公司之间存在较高的信息不对称。此时，分析师通过深入调研和分析，能够帮助投资者更好地理解这些公司的财务状况和发展潜力，使得会计信息在投资决策中的价值得以提升。3.2样本选择与数据来源3.2.1样本选取本研究选取2015-2023年作为研究区间，样本为沪深两市A股上市公司。之所以选择这一时间段，是因为该期间我国资本市场经历了较为完整的经济周期波动，涵盖了牛市、熊市以及市场震荡等不同市场行情，同时，在此期间会计准则不断完善，证券市场监管政策也经历了多次调整和变革，这些因素都为研究证券分析师跟踪与会计信息价值相关性在不同市场环境和政策背景下的表现提供了丰富的样本和多样化的研究场景，有助于更全面、准确地揭示两者之间的内在关系。在初步选定样本后，为确保样本的质量和研究结果的可靠性，进行了一系列严格的筛选程序。剔除了金融行业上市公司，这是因为金融行业具有独特的业务模式、监管要求和财务特征，其会计信息的生成和披露与其他行业存在显著差异，将其纳入样本可能会干扰研究结果的准确性和可比性。如金融行业的资产负债结构以金融资产和金融负债为主，其计量和核算方法与非金融企业不同，盈利模式也更多依赖于金融市场的波动和资金运作，与实体经济企业的盈利驱动因素存在本质区别。剔除了ST、*ST公司，ST、*ST公司通常面临财务困境或存在重大经营问题，其会计信息的真实性和可靠性可能受到质疑，同时这些公司的股票交易也受到特殊限制，市场对其反应与正常公司存在较大差异。被实施ST、*ST的公司往往存在连续亏损、资不抵债或其他财务异常情况，这些公司的会计数据可能存在较大水分或异常波动，会对研究结果产生偏差，影响对正常公司中证券分析师跟踪与会计信息价值相关性的准确判断。还剔除了数据缺失严重的样本，数据的完整性对于实证研究至关重要，缺失严重的数据会导致模型估计不准确，无法有效检验研究假设。若某公司在关键变量如财务报表数据、分析师跟踪数据等方面存在大量缺失值，将无法准确衡量该公司的会计信息质量和分析师跟踪情况，进而影响整个样本的研究效果。经过上述筛选，最终得到[X]个有效观测样本，这些样本涵盖了不同行业、规模和发展阶段的公司，具有较好的代表性，能够较为全面地反映我国A股上市公司的整体情况，为后续研究提供了坚实的数据基础。3.2.2数据来源本研究的数据来源广泛且多元化，主要包括以下几个方面：一是CSMAR数据库，该数据库是国内知名的金融经济数据库，涵盖了丰富的证券市场数据，包括上市公司的财务报表数据、股票交易数据、分析师研究报告数据等。通过CSMAR数据库，能够获取样本公司的资产负债表、利润表、现金流量表等详细的财务信息，以及分析师对这些公司的跟踪人数、盈利预测、投资评级等数据。二是WIND数据库，同样是金融领域常用的数据库，提供了全面的宏观经济数据、行业数据和企业微观数据。在本研究中，借助WIND数据库获取了行业分类数据、宏观经济指标数据等，这些数据为控制行业因素和宏观经济环境对研究结果的影响提供了有力支持。三是巨潮资讯网，作为中国证券监督管理委员会指定的上市公司信息披露网站，巨潮资讯网提供了上市公司的定期报告、临时公告等一手资料。通过查阅巨潮资讯网上的公司年报和半年报，能够对从数据库中获取的财务数据进行核对和补充，确保数据的准确性和完整性；同时，公司公告中的重大事项披露、管理层讨论与分析等内容，也为深入了解公司的经营状况和发展战略提供了重要信息。在数据收集过程中，采取了一系列严谨的质量控制措施，以确保数据的准确性和可靠性。对从不同渠道获取的数据进行交叉核对，当从CSMAR数据库和WIND数据库获取的同一公司的财务数据存在差异时，通过查阅巨潮资讯网上的公司年报进行核实，找出数据差异的原因并进行修正。对数据进行清洗，剔除异常值和错误数据。在处理财务数据时，运用统计学方法识别并剔除了明显偏离行业均值或历史数据趋势的异常值，避免这些异常数据对研究结果产生干扰。在收集分析师跟踪数据时，对分析师的研究报告进行仔细筛选，排除了一些信息不完整或质量不高的报告，确保所使用的分析师数据具有较高的可信度和参考价值。通过这些严格的数据收集和质量控制措施，为后续的实证研究提供了高质量的数据支持，保障了研究结果的科学性和可靠性。3.3变量定义与模型构建3.3.1变量定义自变量（分析师跟踪指标）：分析师跟踪人数（Analyst_Num），定义为在某一特定时期内，对样本公司进行跟踪研究并发布研究报告的证券分析师的数量。这一指标直观地反映了市场对该公司的关注程度，分析师跟踪人数越多，表明公司受到的市场关注度越高，其信息传播范围越广，对投资者决策的潜在影响也就越大。分析师跟踪频率（Analyst_Frequency），即分析师在一定时间内发布关于样本公司研究报告的次数。较高的跟踪频率意味着分析师能够更及时地捕捉公司的动态信息，并将其传递给投资者，有助于投资者及时了解公司的经营状况和发展趋势，从而对投资决策产生更频繁的影响。分析师盈利预测准确性（Analyst_Accuracy），通过计算分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度来衡量，偏差越小，说明盈利预测准确性越高。盈利预测准确性反映了分析师对公司未来盈利状况的判断能力，准确的盈利预测能够为投资者提供更可靠的决策依据，增强投资者对分析师研究成果的信任度，进而影响投资者对公司会计信息的关注度和依赖程度。因变量（会计信息价值相关性指标）：本研究选用价格模型中的股价（Price）作为会计信息价值相关性的因变量之一。股价是市场对公司价值的综合反映，受到多种因素的影响，其中会计信息是重要因素之一。高质量的会计信息能够为投资者提供准确的公司财务状况和经营成果信息，帮助投资者合理评估公司价值，从而对股价产生积极影响。若公司披露的会计信息显示其盈利能力强、财务状况稳健，投资者对公司的信心增强，会增加对该公司股票的需求，推动股价上涨；反之，若会计信息质量不佳，投资者可能会降低对公司的估值，减少股票需求，导致股价下跌。还采用报酬模型中的股票收益率（Return）作为另一个因变量。股票收益率反映了投资者持有股票所获得的收益情况，与会计信息密切相关。当公司公布的会计信息发生变化时，会引起投资者对公司未来预期的改变，从而导致股票收益率的波动。如果公司公布的会计信息显示业绩大幅增长，投资者对公司未来盈利预期提高，会推动股票价格上升，进而提高股票收益率；相反，若会计信息显示公司业绩下滑，投资者对公司未来预期降低，股票价格可能下跌，股票收益率也会随之下降。控制变量：公司规模（Size），以公司年末总资产的自然对数来衡量。公司规模越大，通常意味着其经济实力越强、业务范围越广、市场影响力越大，其会计信息的质量和可靠性可能更高，对投资者决策的影响也更大，同时也可能吸引更多分析师的关注，从而对证券分析师跟踪与会计信息价值相关性产生影响。资产负债率（Lev），即总负债与总资产的比值，用于衡量公司的偿债能力。资产负债率反映了公司的债务负担和财务风险状况，投资者在进行投资决策时，会关注公司的偿债能力，以评估投资风险。不同偿债能力的公司，其会计信息的价值相关性可能存在差异，同时也会影响分析师对公司的跟踪和研究重点。营业收入增长率（Growth），通过计算公司本年度营业收入与上年度营业收入的差值除以上年度营业收入得到，用于衡量公司的成长能力。成长能力较强的公司往往具有更大的发展潜力和投资价值，其会计信息可能更受投资者关注，分析师也更倾向于跟踪这类公司，因此营业收入增长率会对证券分析师跟踪与会计信息价值相关性产生调节作用。行业虚拟变量（Industry），根据证监会行业分类标准，将样本公司划分为不同行业，并设置虚拟变量。不同行业具有不同的市场竞争格局、发展趋势和经营特点，这些因素会影响公司的会计信息质量和价值相关性，同时也会导致分析师跟踪行为的差异，因此需要控制行业因素对研究结果的影响。年度虚拟变量（Year），设置年度虚拟变量以控制宏观经济环境、政策法规变化等年度因素对研究结果的影响。不同年份的宏观经济形势、货币政策、财政政策等因素会对证券市场产生不同程度的影响，进而影响证券分析师跟踪与会计信息价值相关性，通过设置年度虚拟变量，可以排除这些年度因素的干扰，更准确地揭示两者之间的关系。具体变量定义见表1：表1变量定义表|变量类型|变量名称|变量符号|变量定义||----|----|----|----||自变量|分析师跟踪人数|Analyst_Num|跟踪样本公司的证券分析师数量||自变量|分析师跟踪频率|Analyst_Frequency|分析师在一定时间内发布关于样本公司研究报告的次数||自变量|分析师盈利预测准确性|Analyst_Accuracy|分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度，偏差越小，准确性越高||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||----|----|----|----||自变量|分析师跟踪人数|Analyst_Num|跟踪样本公司的证券分析师数量||自变量|分析师跟踪频率|Analyst_Frequency|分析师在一定时间内发布关于样本公司研究报告的次数||自变量|分析师盈利预测准确性|Analyst_Accuracy|分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度，偏差越小，准确性越高||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||自变量|分析师跟踪人数|Analyst_Num|跟踪样本公司的证券分析师数量||自变量|分析师跟踪频率|Analyst_Frequency|分析师在一定时间内发布关于样本公司研究报告的次数||自变量|分析师盈利预测准确性|Analyst_Accuracy|分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度，偏差越小，准确性越高||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||自变量|分析师跟踪频率|Analyst_Frequency|分析师在一定时间内发布关于样本公司研究报告的次数||自变量|分析师盈利预测准确性|Analyst_Accuracy|分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度，偏差越小，准确性越高||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||自变量|分析师盈利预测准确性|Analyst_Accuracy|分析师对样本公司盈利预测值与公司实际盈利值之间的偏差程度，偏差越小，准确性越高||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||因变量|股价|Price|公司年末股票收盘价||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||因变量|股票收益率|Return|（年末股票收盘价-年初股票收盘价+当年现金分红）/年初股票收盘价||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||控制变量|公司规模|Size|公司年末总资产的自然对数||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||控制变量|资产负债率|Lev|总负债与总资产的比值||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||控制变量|营业收入增长率|Growth|（本年度营业收入-上年度营业收入）/上年度营业收入||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||控制变量|行业虚拟变量|Industry|根据证监会行业分类标准设置，属于该行业取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0||控制变量|年度虚拟变量|Year|属于该年度取1，否则取0|3.3.2模型构建为了检验假设1，即证券分析师跟踪与会计信息价值相关性呈正相关关系，构建如下多元线性回归模型：Price_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Size_{it}+\beta_5Lev_{it}+\beta_6Growth_{it}+\sum_{j=1}^{n}\beta_{7j}Industry_{ij}+\sum_{k=1}^{m}\beta_{8k}Year_{ik}+\epsilon_{it}Return_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Size_{it}+\beta_5Lev_{it}+\beta_6Growth_{it}+\sum_{j=1}^{n}\beta_{7j}Industry_{ij}+\sum_{k=1}^{m}\beta_{8k}Year_{ik}+\epsilon_{it}其中，i表示第i家上市公司，t表示第t年；\beta_0为截距项；\beta_1-\beta_8为各变量的回归系数；\epsilon_{it}为随机误差项。在这两个模型中，Price_{it}和Return_{it}分别作为因变量，代表会计信息价值相关性的不同度量指标，即股价和股票收益率。自变量Analyst\_Num_{it}、Analyst\_Frequency_{it}和Analyst\_Accuracy_{it}用于衡量证券分析师跟踪情况，通过分析它们与因变量之间的关系，可以检验证券分析师跟踪对会计信息价值相关性的影响。控制变量Size_{it}、Lev_{it}、Growth_{it}、Industry_{ij}和Year_{ik}则用于控制公司规模、偿债能力、成长能力、行业和年度等因素对研究结果的干扰，确保研究结果的准确性和可靠性。如果回归结果中\beta_1、\beta_2、\beta_3显著为正，则表明证券分析师跟踪与会计信息价值相关性呈正相关关系，即分析师跟踪人数越多、跟踪频率越高、盈利预测准确性越高，会计信息的价值相关性越强，从而支持假设1。为了检验假设2，即在市场波动较大的时期，证券分析师跟踪对会计信息价值相关性的正向影响更为显著，在上述模型的基础上，引入市场波动指标（Volatility）及其与分析师跟踪指标的交互项，构建如下模型：Price_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Volatility_{t}+\beta_5Analyst\_Num_{it}\timesVolatility_{t}+\beta_6Analyst\_Frequency_{it}\timesVolatility_{t}+\beta_7Analyst\_Accuracy_{it}\timesVolatility_{t}+\beta_8Size_{it}+\beta_9Lev_{it}+\beta_{10}Growth_{it}+\sum_{j=1}^{n}\beta_{11j}Industry_{ij}+\sum_{k=1}^{m}\beta_{12k}Year_{ik}+\epsilon_{it}Return_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Volatility_{t}+\beta_5Analyst\_Num_{it}\timesVolatility_{t}+\beta_6Analyst\_Frequency_{it}\timesVolatility_{t}+\beta_7Analyst\_Accuracy_{it}\timesVolatility_{t}+\beta_8Size_{it}+\beta_9Lev_{it}+\beta_{10}Growth_{it}+\sum_{j=1}^{n}\beta_{11j}Industry_{ij}+\sum_{k=1}^{m}\beta_{12k}Year_{ik}+\epsilon_{it}市场波动指标（Volatility）采用股票市场指数的年化波动率来衡量，反映市场的整体波动程度。在该模型中，重点关注交互项系数\beta_5、\beta_6、\beta_7。如果这些交互项系数显著为正，说明在市场波动较大的时期，证券分析师跟踪对会计信息价值相关性的正向影响更为显著，即市场波动会强化分析师跟踪与会计信息价值相关性之间的正相关关系，从而支持假设2。为了检验假设3，即对于信息不对称程度较高的公司，证券分析师跟踪对会计信息价值相关性的提升作用更明显，引入信息不对称指标（Asymmetry）及其与分析师跟踪指标的交互项，构建如下模型：Price_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Asymmetry_{it}+\beta_5Analyst\_Num_{it}\timesAsymmetry_{it}+\beta_6Analyst\_Frequency_{it}\timesAsymmetry_{it}+\beta_7Analyst\_Accuracy_{it}\timesAsymmetry_{it}+\beta_8Size_{it}+\beta_9Lev_{it}+\beta_{10}Growth_{it}+\sum_{j=1}^{n}\beta_{11j}Industry_{ij}+\sum_{k=1}^{m}\beta_{12k}Year_{ik}+\epsilon_{it}Return_{it}=\beta_0+\beta_1Analyst\_Num_{it}+\beta_2Analyst\_Frequency_{it}+\beta_3Analyst\_Accuracy_{it}+\beta_4Asymmetry_{it}+\beta_5Analyst\_Num_{it}\timesAsymmetry_{it}+\beta_6Analyst\_Frequency_{it}\timesAsymmetry_{it}+\beta_7Analyst\_Accuracy_{it}\timesAsymmetry_{it}+\beta_8Size_{it}+\beta_9Lev_{it}+\beta_{10}Growth_{it}+\sum_{j=1}^{n}\beta_{11j}Industry_{ij}+\sum_{k=1}^{m}\beta_{12k}Year_{ik}+\epsilon_{it}信息不对称指标（Asymmetry）采用分析师预测分歧度来衡量，即分析师对公司盈利预测的标准差与均值的比值，该指标越大，说明分析师之间对公司盈利预测的分歧越大，公司的信息不对称程度越高。在这个模型中，主要关注交互项系数\beta_5、\beta_6、\beta_7。若这些交互项系数显著为正，表明对于信息不对称程度较高的公司，证券分析师跟踪对会计信息价值相关性的提升作用更明显，即信息不对称会强化分析师跟踪与会计信息价值相关性之间的正相关关系，从而支持假设3。通过构建上述模型，运用统计软件对数据进行回归分析，检验各变量之间的关系，验证研究假设，深入探究证券分析师跟踪与会计信息价值相关性之间的内在联系。四、实证结果与分析4.1描述性统计对样本数据进行描述性统计，结果如表2所示。从表中可以看出，分析师跟踪人数（Analyst_Num）的均值为[X1]，标准差为[X2]，最小值为[X3]，最大值为[X4]，这表明不同公司受到分析师跟踪的程度存在较大差异，部分公司受到众多分析师的关注，而部分公司受到的关注较少。分析师跟踪频率（Analyst_Frequency）的均值为[X5]，标准差为[X6]，说明分析师对各公司的跟踪频率也参差不齐，这可能与公司的行业地位、业绩表现以及市场关注度等因素有关。分析师盈利预测准确性（Analyst_Accuracy）的均值为[X7]，标准差为[X8]，最小值和最大值之间差距较大，反映出分析师盈利预测的准确性在不同公司之间存在显著差异，这可能受到分析师的专业能力、对公司信息的掌握程度以及公司业务的复杂性等多种因素的影响。在因变量方面，股价（Price）的均值为[X9]，标准差为[X10]，股价波动较大，反映了证券市场价格的不稳定性和不确定性，这受到公司基本面、市场供求关系、宏观经济环境等多种因素的综合影响。股票收益率（Return）的均值为[X11]，标准差为[X12]，说明不同公司的股票收益率存在较大差异，投资不同公司的股票可能获得不同的收益水平，这也体现了证券市场投资的风险性和收益的不确定性。控制变量中，公司规模（Size）的均值为[X13]，标准差为[X14]，表明样本公司的规模分布较为广泛，涵盖了不同规模的企业，这有助于研究不同规模公司中证券分析师跟踪与会计信息价值相关性的差异。资产负债率（Lev）的均值为[X15]，标准差为[X16]，反映出样本公司的偿债能力存在一定差异，部分公司的债务负担较重，而部分公司的财务结构较为稳健。营业收入增长率（Growth）的均值为[X17]，标准差为[X18]，说明样本公司的成长能力各不相同，有的公司处于快速增长阶段，而有的公司增长较为缓慢甚至出现负增长。表2描述性统计结果变量观测值均值标准差最小值最大值Analyst_Num[样本数量][X1][X2][X3][X4]Analyst_Frequency[样本数量][X5][X6][X7][X8]Analyst_Accuracy[样本数量][X9][X10][X11][X12]Price[样本数量][X13][X14][X15][X16]Return[样本数量][X17][X18][X19][X20]Size[样本数量][X21][X22][X23][X24]Lev[样本数量][X25][X26][X27][X28]Growth[样本数量][X29][X30][X31][X32]通过对主要变量的描述性统计分析，初步了解了样本数据的基本特征和分布情况，为后续的实证检验奠定了基础。从数据中可以看出，各变量在不同公司之间存在明显差异，这为研究证券分析师跟踪与会计信息价值相关性提供了丰富的样本和多样化的研究场景，有助于更全面、深入地揭示两者之间的内在关系。4.2相关性分析在进行回归分析之前，先对各变量进行相关性分析，以初步了解变量之间的关系，并判断是否存在多重共线性问题。运用Pearson相关系数法对主要变量进行相关性分析，结果如表3所示。表3相关性分析结果变量Analyst_NumAnalyst_FrequencyAnalyst_AccuracyPriceReturnSizeLevGrowthAnalyst_Num1Analyst_Frequency[相关性系数1]1Analyst_Accuracy[相关性系数2][相关性系数3]1Price[相关性系数4][相关性系数5][相关性系数6]1Return[相关性系数7][相关性系数8][相关性系数9][相关性系数10]1Size[相关性系数11][相关性系数12][相关性系数13][相关性系数14][相关性系数15]1Lev[相关性系数16][相关性系数17][相关性系数18][相关性系数19][相关性系数20][相关性系数21]1Growth[相关性系数22][相关性系数23][相关性系数24][相关性系数25][相关性系数26][相关性系数27][相关性系数28]1从表3可以看出，分析师跟踪人数（Analyst_Num）与股价（Price）和股票收益率（Return）均呈现正相关关系，相关系数分别为[相关性系数4]和[相关性系数7]，且在1%的水平上显著，初步表明分析师跟踪人数越多，公司的股价越高，股票收益率也越高，这在一定程度上支持了假设1中证券分析师跟踪与会计信息价值相关性呈正相关关系的观点。分析师跟踪频率（Analyst_Frequency）与股价和股票收益率同样呈正相关，相关系数分别为[相关性系数5]和[相关性系数8]，在5%的水平上显著，进一步验证了分析师跟踪行为对会计信息价值相关性的积极影响。分析师盈利预测准确性（Analyst_Accuracy）与股价和股票收益率的正相关关系也较为明显，相关系数分别为[相关性系数6]和[相关性系数9]，在1%的水平上显著，说明分析师盈利预测准确性越高，越能提升会计信息的价值相关性。在控制变量方面，公司规模（Size）与股价和股票收益率均呈现显著正相关，这表明规模较大的公司往往具有更高的股价和更好的股票收益表现，这可能是由于规模大的公司通常具有更强的市场竞争力、更稳定的经营业绩和更高的市场认可度。资产负债率（Lev）与股价和股票收益率呈负相关关系，相关系数分别为[相关性系数19]和[相关性系数20]，说明资产负债率较高的公司，其股价和股票收益率相对较低，反映出市场对高负债公司的风险担忧。营业收入增长率（Growth）与股价和股票收益率呈正相关，相关系数分别为[相关性系数25]和[相关性系数26]，表明成长能力较强的公司更受市场青睐，其会计信息的价值相关性也更高。从各变量之间的相关性来看，自变量之间的相关系数均小于0.8，说明不存在严重的多重共线性问题，不会对后续的回归分析结果产生较大干扰，可以进行多元线性回归分析。相关性分析只是初步检验变量之间的关系，具体的影响机制和显著性还需要通过回归分析进一步验证。4.3回归结果分析4.3.1主回归结果运用Stata软件对构建的主回归模型进行估计，结果如表4所示。在以股价（Price）为因变量的回归中，分析师跟踪人数（Analyst_Num）的回归系数为[β1的值]，在1%的水平上显著为正，表明分析师跟踪人数的增加会显著提高公司的股价，即分析师跟踪人数越多，会计信息与股价之间的相关性越强，会计信息的价值相关性越高。分析师跟踪频率（Analyst_Frequency）的回归系数为[β2的值]，在5%的水平上显著为正，说明分析师跟踪频率的提高对股价有正向影响，进一步支持了分析师跟踪能够增强会计信息价值相关性的观点。分析师盈利预测准确性（Analyst_Accuracy）的回归系数为[β3的值]，在1%的水平上显著为正，意味着分析师盈利预测准确性越高，公司股价越高，会计信息价值相关性越强。在以股票收益率（Return）为因变量的回归中，分析师跟踪人数、跟踪频率和盈利预测准确性的回归系数同样均显著为正，分别为[β1的值]、[β2的值]和[β3的值]，且在1%或5%的水平上通过显著性检验。这表明分析师跟踪行为对股票收益率也具有积极影响，即分析师跟踪能够提高会计信息与股票收益率之间的相关性，增强会计信息在投资收益预测方面的价值相关性。表4主回归结果变量PriceReturnAnalyst_Num[β1的值]***[β1的值]***Analyst_Frequency[β2的值]**[β2的值]**Analyst_Accuracy[β3的值]***[β3的值]***Size[β4的值]***[β4的值]***Lev[β5的值]**[β5的值]**Growth[β6的值]***[β6的值]***Industry控制控制Year控制控制Constant[常数项的值]***[常数项的值]***N[样本数量][样本数量]Adj.R2[调整后的R2值1][调整后的R2值2]注：***、**分别表示在1%、5%的水平上显著。从控制变量来看，公司规模（Size）与股价和股票收益率均呈显著正相关，说明规模较大的公司通常具有更高的股价和更好的股票收益表现，这与理论预期相符，规模大的公司往往在市场中具有更强的竞争力、更稳定的经营业绩和更高的市场认可度，其会计信息的价值也更容易被市场所认可。资产负债率（Lev）与股价和股票收益率呈显著负相关，表明资产负债率较高的公司，其股价和股票收益率相对较低，反映出市场对高负债公司的风险担忧，高负债可能意味着公司面临较大的偿债压力和财务风险，从而降低了其会计信息的价值相关性。营业收入增长率（Growth）与股价和股票收益率呈显著正相关，表明成长能力较强的公司更受市场青睐，其会计信息的价值相关性更高，成长能力强的公司往往具有更大的发展潜力和投资价值，投资者更关注其会计信息以评估未来的投资收益。综合主回归结果，分析师跟踪人数、跟踪频率和盈利预测准确性与会计信息价值相关性指标（股价和股票收益率）之间均存在显著的正相关关系，这有力地支持了假设1，即证券分析师跟踪与会计信息价值相关性呈正相关关系。分析师通过深入的研究和分析，将会计信息进行解读和传播，为投资者提供了更有价值的信息，从而提高了会计信息在投资者决策中的有用性，增强了会计信息与股票价格和收益率之间的关联度。4.3.2稳健性检验为了确保研究结果的可靠性和稳定性，采用多种方法进行稳健性检验。替换变量法：对于分析师跟踪人数，用跟踪该公司的分析师所属券商的数量（Broker_Num）来替代，因为不同券商的分析师跟踪可能带来更广泛的信息来源和分析视角，能从另一个角度反映市场对公司的关注程度。对于分析师跟踪频率，采用分析师在一定时间内发布关于样本公司深度研究报告的次数（In-depth_Frequency）来替换，深度研究报告通常包含更详细、深入的分析内容，更能体现分析师对公司的研究深度和关注程度。对于分析师盈利预测准确性，用分析师对公司下一年度盈利预测的标准差与均值的比值的倒数（Accuracy_New）来衡量，该指标越大，说明分析师盈利预测的一致性越高，准确性越好。重新对主回归模型进行估计，结果如表5所示。从表中可以看出，替换变量后的回归结果与主回归结果基本一致，分析师跟踪相关变量与会计信息价值相关性指标（股价和股票收益率）之间依然存在显著的正相关关系，这表明研究结果在变量替换后具有稳健性。表5替换变量法稳健性检验结果变量PriceReturnBroker_Num[β1新的值]***[β1新的值]***In-depth_Frequency[β2新的值]**[β2新的值]**Accuracy_New[β3新的值]***[β3新的值]***Size[β4的值]***[β4的值]***Lev[β5的值]**[β5的值]**Growth[β6的值]***[β6的值]***Industry控制控制Year控制控制Constant[常数项新的值]***[常数项新的值]***N[样本数量][样本数量]Adj.R2[调整后的R2值3][调整后的R2值4]注：***、**分别表示在1%、5%的水平上显著。改变样本范围：考虑到极端值可能对研究结果产生影响，对样本数据进行1%水平的双边缩尾处理，即把每个变量的极端值（小于1%分位数和大于99%分位数的值）分别调整为1%分位数和99%分位数的值，以消除异常值的干扰。重新进行回归分析，结果如表6所示。从表中可以看出，缩尾处理后的回归结果与主回归结果基本一致，分析师跟踪相关变量的回归系数依然显著为正，这说明研究结果在消除极端值影响后依然稳健。同时，选取2017-2021年的样本数据进行回归，以检验结果在不同时间区间的稳定性。结果显示，在该时间区间内，分析师跟踪与会计信息价值相关性之间的正相关关系仍然成立，进一步验证了研究结果的稳健性。表6改变样本范围稳健性检验结果（缩尾处理）变量PriceReturnAnalyst_Num[β1缩尾后的值]***[β1缩尾后的值]***Analyst_Frequency[β2缩尾后的值]**[β2缩尾后的值]**Analyst_Accuracy[β3缩尾后的值]***[β3缩尾后的值]***Size[β4缩尾后的值]***[β4缩尾后的值]***Lev[β5缩尾后的值]**[β5缩尾后的值]**Growth[β6缩尾后的值]***[β6缩尾后的值]***Industry控制控制Year控制控制Constant[常数项缩尾后的值]***[常数项缩尾后的值]***N[缩尾后样本数量][缩尾后样本数量]Adj.R2[调整后的R2值5][调整后的R2值6]注：***、**分别表示在1%、5%的水平上显著。通过以上多种稳健性检验方法，结果均表明研究结论具有较高的可靠性和稳定性，即证券分析师跟踪与会计信息价值相关性呈正相关关系这一结论在不同检验方法下均成立，进一步增强了研究结果的可信度。4.4进一步分析4.4.1异质性分析为深入探究证券分析师跟踪对会计信息价值相关性的影响在不同条件下的差异，本研究从行业、企业规模、股权结构等多个维度展开异质性分析。不同行业由于其市场竞争格局、发展阶段、技术创新速度等方面存在显著差异，分析师跟踪对会计信息价值相关性的影响也有所不同。将样本公司划分为制造业、信息技术业、金融业等多个行业进行分组回归分析。研究发现，