会计信息质量对证券分析师盈利预测的影响：基于多维度的实证剖析

会计信息质量对证券分析师盈利预测的影响：基于多维度的实证剖析一、引言1.1研究背景在当今资本市场中，证券分析师的盈利预测扮演着举足轻重的角色。随着金融市场的不断发展和投资者对投资决策科学性、精准性的要求日益提高，证券分析师凭借其专业的知识、深入的市场调研以及丰富的行业经验，对上市公司的盈利状况进行预测，为投资者提供了重要的决策参考信息。他们的预测结果不仅影响着投资者的投资决策，还在一定程度上影响着资本市场的资源配置效率和市场的稳定性。准确的盈利预测可以帮助投资者识别具有潜力的投资机会，合理配置资金，降低投资风险，从而提高投资收益；而不准确的预测则可能导致投资者做出错误的决策，造成资金的损失，甚至引发市场的波动。会计信息作为企业财务状况和经营成果的直观反映，是证券分析师进行盈利预测的重要依据。高质量的会计信息具备准确性、完整性、可靠性和及时性等特征，能够真实、客观地呈现企业的财务状况、经营成果和现金流量，为分析师提供坚实的数据基础，助力其更精准地预测企业未来的盈利情况。相反，低质量的会计信息可能存在错误、遗漏或误导性陈述，会干扰分析师对企业真实价值的判断，增加盈利预测的难度和误差，使预测结果偏离企业的实际盈利水平。从宏观层面来看，资本市场的有效运行依赖于准确、透明的信息披露。会计信息质量的高低直接关系到市场信息的有效性和投资者对市场的信心。高质量的会计信息能够促进市场的公平、公正交易，提高市场的资源配置效率，推动资本市场的健康发展；而低质量的会计信息则会破坏市场的信息环境，引发市场的信息不对称，导致投资者的逆向选择和道德风险，阻碍资本市场的正常运行。从微观层面来说，对于投资者而言，准确的盈利预测是其做出合理投资决策的关键。投资者在进行投资时，往往需要综合考虑多种因素，而证券分析师的盈利预测是其中重要的参考依据之一。如果会计信息质量不高，分析师的盈利预测准确性也会受到影响，投资者就难以做出正确的投资决策，可能会面临投资失败的风险。对于企业自身来说，高质量的会计信息有助于企业树立良好的形象，增强市场竞争力，吸引更多的投资者和合作伙伴；同时，也有利于企业加强内部管理，优化资源配置，提高经营效率和盈利能力。然而，在现实的资本市场中，会计信息质量参差不齐，证券分析师的盈利预测也存在着较大的差异和误差。部分企业为了达到某种目的，可能会对会计信息进行操纵或粉饰，导致会计信息失真；而证券分析师在进行盈利预测时，也可能受到多种因素的干扰，如信息不对称、利益冲突、分析方法和模型的局限性等，使得盈利预测的准确性难以得到保障。因此，深入研究会计信息质量与证券分析师盈利预测之间的关系，揭示两者之间的内在联系和作用机制，对于提高会计信息质量、提升证券分析师盈利预测的准确性、保护投资者的合法权益以及促进资本市场的健康稳定发展具有重要的理论和现实意义。1.2研究目的与意义本研究旨在深入探究会计信息质量与证券分析师盈利预测之间的内在联系，通过实证分析，揭示会计信息质量对证券分析师盈利预测准确性、预测分歧度等方面的具体影响机制，为资本市场参与者提供有价值的决策参考。在资本市场中，投资者往往依赖证券分析师的盈利预测来做出投资决策，而会计信息作为分析师预测的重要依据，其质量的高低直接关系到预测的可靠性。深入剖析两者关系，能够帮助投资者更清晰地认识到会计信息在投资决策中的关键作用，促使投资者更加关注企业会计信息质量，提高投资决策的科学性和合理性。通过研究，投资者可以了解到哪些会计信息指标对分析师盈利预测影响较大，从而在投资过程中更加有针对性地分析企业财务报表，筛选出优质的投资标的，降低投资风险，提高投资收益。对于证券分析师而言，明确会计信息质量与盈利预测之间的关系，有助于其优化分析方法和流程。分析师可以更加重视会计信息的质量，加强对会计信息的审核和分析，提高盈利预测的准确性和可靠性。分析师在进行盈利预测时，可以通过关注会计信息质量的关键指标，如盈余质量、信息披露的完整性和准确性等，更好地识别企业的真实财务状况和经营成果，避免受到低质量会计信息的误导，从而提升自身的专业声誉和市场竞争力。从市场监管角度来看，研究会计信息质量与证券分析师盈利预测的关系，为监管部门制定相关政策和规范提供了重要的理论依据。监管部门可以根据研究结果，加强对上市公司会计信息披露的监管力度，提高会计信息质量，规范证券分析师的行为，维护资本市场的公平、公正和透明。监管部门可以制定更加严格的会计准则和信息披露要求，加强对企业财务报表的审计监督，严厉打击会计信息造假行为；同时，对证券分析师的盈利预测行为进行规范和约束，建立健全的分析师评价机制，促使分析师提供更加准确、客观的盈利预测，促进资本市场的健康稳定发展。1.3研究创新点在研究方法上，本研究创新性地将机器学习算法引入到会计信息质量与证券分析师盈利预测关系的研究中。传统研究多采用线性回归等经典统计方法，难以捕捉数据中的复杂非线性关系。而机器学习算法，如随机森林、支持向量机等，能够自动学习数据特征，挖掘会计信息质量指标与盈利预测之间潜在的非线性关联。通过构建基于机器学习的预测模型，并与传统回归模型进行对比分析，不仅可以更精准地评估会计信息质量对盈利预测的影响，还能为该领域的研究提供新的方法思路，拓展研究边界。在样本选取方面，本研究突破了以往研究在时间和行业范围上的局限性。选取了涵盖多个行业、长达十年的上市公司数据作为研究样本，保证了样本的广泛性和代表性。既包括了新兴的高新技术产业，也涵盖了传统的制造业、服务业等行业，能够全面反映不同行业背景下会计信息质量与证券分析师盈利预测的关系。同时，较长的时间跨度使得研究能够充分考虑宏观经济环境变化、政策法规调整等因素对两者关系的动态影响，提高研究结果的稳定性和可靠性。在变量设定上，本研究引入了新的会计信息质量衡量指标。除了常用的盈余质量、信息披露完整性等指标外，还将会计信息的及时性、可比性以及企业内部控制有效性纳入衡量体系。其中，及时性指标通过计算财务报告披露时间与会计期末的时间间隔来衡量；可比性指标利用行业内企业间财务数据的相似程度进行量化；内部控制有效性则根据企业内部控制评价报告以及相关审计意见进行赋值。这些新指标的引入，丰富了会计信息质量的内涵，使研究能够从更全面的视角分析其对证券分析师盈利预测的影响，为该领域的研究提供了更完善的变量设定范例。二、理论基础与文献综述2.1理论基础2.1.1有效市场假说有效市场假说（EfficientMarketsHypothesis，EMH）由萨缪尔森于1965年提出，1970年尤金・法玛对其进行深化并定义，该假说认为在一个证券市场中，价格完全反映了所有可以获得的信息，这样的市场即为有效市场。有效市场假说的成立依赖于三个关键条件：其一，投资者是理性的，能够合理运用所获取的信息来追求自身经济效益的最大化；其二，证券市场具备高度的灵敏性，能够迅速且准确地对最新的市场信息做出合理反应；其三，证券价格能够全面、有效地反映所有相关信息。依据有效市场假说，市场效率可划分为三种形式：弱式有效市场、半强式有效市场以及强式有效市场。在弱式有效市场中，市场价格已充分反映出所有过去历史的证券价格信息，包括股票的成交价、成交量，卖空金额、融资金额等，这意味着投资者无法通过分析历史价格走势来获取超额收益，股票价格的技术分析在此失去作用，但基本分析或许还能帮助投资者获得超额利润。半强式有效市场里，价格已充分反映出所有已公开的有关公司营运前景的信息，如成交价、成交量、盈利资料、盈利预测值、公司管理状况及其它公开披露的财务信息等，此时在市场中利用基本面分析将失去作用，不过内幕消息可能使投资者获得超额利润。而强式有效市场中，股票价格已经反映了其历史、公开和未公开的信息，即使是拥有内部信息的交易者也无法利用内部的未公开信息赚取超额利润，任何形式的分析或研究都无法帮助投资者获得超额收益。在证券分析师盈利预测方面，有效市场假说提供了重要的理论支撑。若市场达到半强式有效，证券分析师依据公开的会计信息等进行盈利预测，难以获得超越市场平均水平的预测准确性，因为所有公开信息已迅速反映在证券价格中。但在现实市场中，由于存在信息不对称、投资者非理性等因素，市场并非完全有效，这就为证券分析师通过深入挖掘会计信息，运用专业分析能力来提高盈利预测的准确性提供了空间。高质量的会计信息能够更准确地反映企业的真实经营状况和财务实力，证券分析师基于此进行盈利预测，能使预测结果更接近企业未来的实际盈利情况，从而为投资者提供更有价值的决策参考。倘若会计信息质量低下，存在虚假陈述、遗漏重要信息等问题，那么证券分析师依据这些失真的信息进行盈利预测，必然会导致预测结果出现偏差，误导投资者的决策。2.1.2信息不对称理论信息不对称理论由美国加州大学的乔治・阿克尔洛夫等人于2001年提出，该理论指出市场经济的活动主体具有不相同的信息，即某些参与人拥有但另一些参与人不拥有的信息。在市场中，由于买方和卖方之间各自掌握的信息不同，会导致市场失灵，资源配置效率下降。在会计信息领域，信息不对称同样广泛存在。企业的管理层、会计人员作为会计信息的提供者，直接参与企业的经营管理活动，对企业的财务状况、经营成果和现金流量等信息有着全面而深入的了解；而投资者、债权人、监管机构等会计信息使用者，往往不直接参与企业的日常运营，只能通过企业对外披露的财务报告等渠道获取会计信息，这就导致他们在信息的获取时间、内容完整性和准确性等方面与信息提供者存在差异。从时间上看，会计信息的提供者了解信息要早于会计信息的需求者；从内容上看，信息不对称表现为道德风险和逆向选择两种形式。道德风险是指信息提供者可能为了自身利益，故意隐瞒或歪曲真实的会计信息；逆向选择则是指在信息不对称的情况下，市场上会出现劣币驱逐良币的现象，低质量的会计信息可能会驱逐高质量的会计信息，导致市场上会计信息的整体质量下降。在会计信息传递与分析师预测过程中，信息不对称带来了诸多挑战。证券分析师需要从有限的、可能存在偏差的会计信息中提取有价值的内容，以进行盈利预测。若信息不对称程度过高，分析师可能无法获取企业的真实信息，导致盈利预测出现较大误差。企业管理层可能出于业绩考核、股权激励等目的，对会计信息进行粉饰，夸大企业的盈利能力和财务状况，证券分析师如果未能识别这些虚假信息，就会做出错误的盈利预测。为了降低信息不对称的影响，提高盈利预测的准确性，证券分析师需要不断拓宽信息获取渠道，加强对企业非财务信息的收集和分析，同时运用专业的分析方法和工具，对会计信息进行甄别和验证，提高对信息质量的判断能力。2.1.3委托代理理论委托代理理论起源于20世纪30年代，美国经济学家伯利和米恩斯鉴于企业所有者兼具经营者的模式存在重大弊端，提出了所有权和经营权分离的理念，“委托代理理论”也由此成为现代公司治理的逻辑起点。该理论以委托人和代理人之间利益相互冲突、委托人和代理人之间信息不对称这两个基本假设为前提，认为当两个不同利益主体达成合作协议时，就形成了委托代理关系，其中拥有私人信息优势的一方为“代理人”，另一方为“委托人”。在企业中，存在着多层次的委托代理关系。股东作为委托人，将企业的经营权委托给董事会，董事会再将具体的经营管理事务委托给总经理等管理层，而管理层又会委托会计人员进行会计信息的处理和披露。从会计研究的角度来看，会计人员通常是会计信息提供人，属于代理人；而股东、债权人、投资者等会计信息使用人则是委托人。由于委托人和代理人的利益目标不一致，代理人可能会为了追求自身利益最大化而损害委托人的利益，如通过操纵会计信息来美化业绩，以获取更高的薪酬、奖金或职位晋升。同时，由于信息不对称，委托人难以全面了解代理人的行为和企业的真实财务状况，这就为代理人操纵会计信息提供了机会。委托代理理论与会计信息质量及分析师行为密切相关。高质量的会计信息能够为委托人提供准确的企业经营状况和财务信息，有助于委托人对代理人的行为进行监督和评价，降低代理成本。而证券分析师作为独立的第三方，其盈利预测行为可以对企业管理层的行为起到一定的监督和约束作用。分析师通过对企业会计信息的分析和解读，向市场传递关于企业未来盈利状况的预测信息，若企业管理层提供的会计信息存在虚假或误导性内容，分析师的盈利预测可能会与企业实际情况产生较大偏差，从而引发市场对企业的质疑，对管理层形成压力。为了提高会计信息质量，减少委托代理问题带来的负面影响，企业需要建立健全的内部控制制度和监督机制，加强对代理人行为的约束和规范；同时，证券分析师也需要保持独立性和客观性，提高专业素养，以准确解读会计信息，提供可靠的盈利预测。2.2文献综述2.2.1会计信息质量相关研究在会计信息质量衡量指标方面，国外学者率先展开深入探索。Dechow和Dichev（2002）提出应将应计质量作为衡量会计信息质量的关键指标，通过构建DD模型，精准测度应计项目与现金流之间的匹配程度，以此判断会计信息质量的高低。他们认为，高质量的会计信息应使得应计项目能够准确反映企业未来的现金流量，若两者偏差过大，则表明会计信息质量存在问题。Ball和Brown（1968）的研究则着重强调了盈余的持续性和稳定性在衡量会计信息质量中的重要性，认为稳定且持续增长的盈余能够为投资者提供更可靠的决策依据，反映出企业良好的经营状况和较高的会计信息质量。国内学者也在这一领域积极探索，结合我国资本市场特点提出了一系列衡量指标。吴联生（2007）通过对我国上市公司的实证研究，指出会计信息的可靠性、相关性和透明度是衡量会计信息质量的核心要素。其中，可靠性体现为会计数据的真实准确，相关性要求会计信息能够满足投资者等利益相关者的决策需求，透明度则强调信息披露的全面性和及时性。李增泉（2001）研究发现，我国上市公司存在通过关联交易等手段操纵会计利润的现象，这会严重降低会计信息的真实性和可靠性，进而影响会计信息质量的综合评价。因此，在衡量我国会计信息质量时，需要特别关注企业关联交易的规范性和信息披露的完整性。在会计信息质量影响因素研究上，国内外学者从多个维度展开分析。国外研究中，Watts和Zimmerman（1986）提出的契约理论认为，企业内部的各种契约关系会对会计信息质量产生重要影响。管理者出于自身利益考虑，可能会在契约约束下对会计信息进行操纵，以达到业绩考核、薪酬激励等目的。如在管理层薪酬契约中，若薪酬与企业盈利指标挂钩，管理者可能会通过调整会计政策、操纵应计项目等手段来虚增利润，从而降低会计信息质量。Healy和Wahlen（1999）进一步研究发现，公司治理结构对会计信息质量起着关键的监督和约束作用。完善的公司治理结构，如合理的股权结构、有效的董事会监督机制等，能够减少管理层的机会主义行为，提高会计信息质量。在股权高度集中的公司中，大股东可能会为了自身利益而侵占中小股东权益，通过操纵会计信息来掩盖其不当行为；而在股权分散、董事会独立性较强的公司中，能够对管理层形成有效的制衡，促使其提供真实、准确的会计信息。国内学者在借鉴国外研究的基础上，结合我国国情进行了深入分析。刘峰等（2004）指出，我国上市公司股权结构存在“一股独大”的特点，这使得大股东对公司的控制权较强，容易导致大股东利用其控制权操纵会计信息，损害中小股东利益，降低会计信息质量。雷光勇（2006）研究发现，法律环境对会计信息质量有着重要影响。在法律制度完善、执法力度严格的地区，企业面临的法律风险较高，其操纵会计信息的成本也相应增加，从而能够有效约束企业行为，提高会计信息质量。若企业所在地区对财务造假的法律惩处力度较大，企业管理层会更加谨慎地对待会计信息披露，减少违规行为的发生。2.2.2证券分析师盈利预测研究在分析师盈利预测方法方面，国外学者不断探索创新。Brown和Rozeff（1978）提出了时间序列预测模型，该模型基于企业历史盈利数据，通过对数据的趋势分析和周期特征挖掘，预测企业未来的盈利情况。他们认为，企业的盈利具有一定的时间序列特征，过去的盈利表现能够在一定程度上反映未来的盈利趋势。如通过对企业过去几年的净利润增长率进行分析，利用时间序列模型预测未来的增长率，进而得出盈利预测值。Ohlson（1995）构建的价格模型则从企业的市场价值和财务指标关系出发，通过分析企业的净资产、盈利等指标与股价之间的关联，来预测企业未来的盈利。该模型认为，市场价格能够反映企业的内在价值，而企业的财务指标是影响其内在价值的重要因素，通过建立财务指标与股价的关系模型，可以间接预测企业的盈利。国内学者结合我国资本市场特点，对盈利预测方法进行了改进和应用。朱红军等（2007）通过对我国上市公司的实证研究，发现分析师在盈利预测时，除了考虑企业的历史财务数据外，还应充分关注宏观经济环境、行业发展趋势等因素。在宏观经济繁荣时期，企业的市场需求旺盛，盈利增长可能较为迅速；而在经济衰退期，企业面临的市场竞争压力增大，盈利可能受到影响。因此，分析师在预测盈利时，需要综合考虑这些宏观因素，采用定性与定量相结合的方法，提高预测的准确性。胡奕明等（2003）研究发现，我国证券分析师在盈利预测中，对企业非财务信息的关注程度较低，而实际上非财务信息，如企业的战略规划、管理层能力、创新能力等，对企业未来盈利有着重要影响。因此，他们建议分析师在盈利预测过程中，应加强对非财务信息的收集和分析，运用综合分析方法，提高盈利预测的可靠性。关于分析师盈利预测准确性影响因素的研究，国内外学者从多个角度展开探讨。国外研究中，Hong、Lim和Stein（2000）研究发现，分析师的信息获取能力和分析能力对盈利预测准确性起着关键作用。分析师能够获取更全面、准确的信息，并运用专业的分析方法对信息进行深入挖掘，其盈利预测的准确性就越高。若分析师能够及时获取企业的内部信息、行业的最新动态等，并运用合理的财务分析模型进行分析，就能更准确地预测企业的盈利。Mikhail、Walther和Willis（1999）指出，分析师的利益冲突会对盈利预测准确性产生负面影响。当分析师与企业存在利益关联，如为企业提供承销服务、收取咨询费用等时，可能会为了维护与企业的关系或追求自身利益，而发布乐观的盈利预测，导致预测结果偏离企业实际盈利情况。国内学者在这方面也取得了丰富的研究成果。林小驰和吴世农（2007）通过对我国证券分析师的研究发现，分析师跟踪的公司数量过多会分散其精力，导致对单个公司的研究不够深入，从而降低盈利预测的准确性。当分析师同时跟踪多家公司时，可能无法及时、全面地掌握每家公司的最新信息，在分析过程中也可能会出现疏漏，影响盈利预测的质量。许年行和吴世农（2007）研究发现，我国资本市场的信息披露质量对分析师盈利预测准确性有着重要影响。高质量的信息披露能够为分析师提供更充分、准确的信息，有助于分析师做出更准确的盈利预测；而信息披露不及时、不准确或存在虚假陈述，会误导分析师的判断，降低盈利预测的准确性。2.2.3会计信息质量与证券分析师盈利预测关系研究在已有的关于会计信息质量与证券分析师盈利预测关系的实证研究中，国外学者取得了一系列重要成果。Francis和Schipper（1999）通过对大量样本公司的研究发现，会计信息质量与证券分析师盈利预测准确性之间存在显著的正相关关系。高质量的会计信息能够为分析师提供准确、可靠的数据基础，使分析师能够更准确地评估企业的财务状况和经营成果，从而提高盈利预测的准确性。当企业的会计信息真实、准确、完整时，分析师能够基于这些信息对企业的未来盈利进行合理预测，减少预测误差。Brown和Han（2010）研究表明，会计信息的及时性对分析师盈利预测也具有重要影响。及时披露的会计信息能够使分析师及时了解企业的最新经营状况，及时调整盈利预测，提高预测的时效性和准确性。若企业延迟披露会计信息，分析师可能会基于过时的信息进行预测，导致预测结果与企业实际盈利情况出现偏差。国内学者也针对我国资本市场的特点，对两者关系进行了深入研究。王征等（2006）通过对我国上市公司的实证分析发现，会计信息质量越高，证券分析师盈利预测的分歧度越低。高质量的会计信息能够减少分析师之间因信息理解差异而产生的分歧，使分析师对企业未来盈利的判断更加趋于一致。当企业的会计信息清晰、明确，不存在歧义时，分析师能够基于相同的信息基础进行分析，从而降低预测分歧度。姜国华（2004）研究发现，我国上市公司的会计信息质量对证券分析师盈利预测的影响存在行业差异。在一些竞争激烈、信息透明度较高的行业，会计信息质量对分析师盈利预测的影响更为显著；而在一些垄断性较强、信息透明度较低的行业，其他因素可能对分析师盈利预测的影响更大。然而，现有研究仍存在一定的不足与空白。一方面，在研究方法上，大部分研究主要采用传统的线性回归等方法，难以全面捕捉会计信息质量与证券分析师盈利预测之间复杂的非线性关系。会计信息质量对分析师盈利预测的影响可能受到多种因素的交互作用，传统方法难以准确刻画这些复杂关系。另一方面，在研究内容上，对于会计信息质量的衡量指标还不够全面，一些新的会计信息特征，如会计信息的可比性、可理解性等，在研究中尚未得到充分关注。同时，对于分析师盈利预测的异质性，如不同分析师的预测风格、专业背景等对两者关系的影响，也缺乏深入研究。这些不足为本研究提供了进一步探索的方向，本研究将尝试引入新的研究方法和指标，深入剖析会计信息质量与证券分析师盈利预测之间的内在联系。三、研究设计3.1研究假设会计信息质量是影响证券分析师盈利预测的关键因素。高质量的会计信息具备准确性、完整性、可靠性以及及时性等特征，这些特性能够为证券分析师提供更为精准、全面且可靠的数据基础，从而有助于分析师更准确地评估企业的财务状况、经营成果以及未来发展趋势，进而提升盈利预测的准确性。相反，低质量的会计信息可能存在错误、遗漏、误导性陈述或者延迟披露等问题，这会干扰分析师对企业真实情况的判断，增加预测的难度与不确定性，导致盈利预测准确性下降。基于此，提出假设1：H1：会计信息质量与证券分析师盈利预测准确性呈正相关关系，即会计信息质量越高，证券分析师盈利预测的准确性越高。H1：会计信息质量与证券分析师盈利预测准确性呈正相关关系，即会计信息质量越高，证券分析师盈利预测的准确性越高。当上市公司的会计信息质量较高时，意味着信息的透明度高、可靠性强，分析师能够获取更全面且准确的信息，对企业的了解更为深入，从而降低预测的难度和不确定性。这种情况下，分析师更有信心基于高质量的信息做出预测，吸引更多分析师关注该公司的动力相对减弱。相反，对于会计信息质量较低的公司，信息的不确定性增加，分析师为了获取更准确的预测结果，可能需要投入更多的精力和资源进行研究，这也使得更多分析师有动力参与到对该公司的研究和预测中，以期望在不确定性中挖掘出有价值的信息。由此，提出假设2：H2：会计信息质量与关注该公司的证券分析师人数呈负相关关系，即会计信息质量越高，关注该公司的证券分析师人数越少。H2：会计信息质量与关注该公司的证券分析师人数呈负相关关系，即会计信息质量越高，关注该公司的证券分析师人数越少。会计信息质量对证券分析师盈利预测的分散性具有重要影响。高质量的会计信息具有明确性、一致性和可靠性，能够为分析师提供清晰、准确的企业财务状况和经营成果信息。当分析师基于高质量的会计信息进行盈利预测时，由于信息的可靠性高，不同分析师对企业未来盈利的预期会更加接近，从而使得预测意见分歧较小，盈利预测的分散性较低。反之，低质量的会计信息可能存在模糊性、不一致性和不可靠性，这会导致不同分析师对信息的理解和解读产生差异，进而对企业未来盈利的判断出现较大分歧，使得盈利预测的分散性增大。基于此，提出假设3：H3：会计信息质量与证券分析师盈利预测的分散性呈负相关关系，即会计信息质量越高，证券分析师对该公司盈利预测的意见分歧越小，盈利预测的分散性越低。H3：会计信息质量与证券分析师盈利预测的分散性呈负相关关系，即会计信息质量越高，证券分析师对该公司盈利预测的意见分歧越小，盈利预测的分散性越低。3.2样本选择与数据来源为确保研究结果的可靠性与代表性，本研究选取2013-2022年在沪深两市上市的A股公司作为初始研究样本。在样本筛选过程中，严格遵循以下标准：首先，剔除金融行业上市公司。金融行业具有独特的经营模式、监管要求以及会计核算方法，其会计信息特征与其他行业存在显著差异，如金融行业的资产负债结构、收入确认方式等与一般制造业和服务业截然不同，将其纳入研究样本可能会干扰研究结果的准确性，因此予以剔除。其次，剔除ST、*ST类上市公司。这类公司通常面临财务困境或存在重大不确定性，其会计信息质量可能受到特殊因素影响，难以反映正常经营企业的情况，例如ST公司可能存在资产减值、债务重组等特殊事项，会对会计数据产生较大波动，影响研究的有效性。最后，剔除数据缺失严重的公司。若公司在关键财务指标、分析师盈利预测数据等方面存在大量缺失值，会影响研究模型的构建和分析结果的准确性，因此对这类公司进行排除。经过上述筛选步骤，最终得到有效样本公司[X]家，样本观测值共计[X]个。本研究的数据来源具有多渠道性和可靠性。会计信息数据主要来源于万得（Wind）数据库和锐思（RESSET）数据库，这两个数据库在金融数据领域具有较高的权威性和广泛的覆盖性，能够提供全面、准确的上市公司财务报表数据，包括资产负债表、利润表、现金流量表等，以及各项财务指标的计算结果，如营业收入、净利润、总资产、净资产等，为会计信息质量的衡量提供了坚实的数据基础。同时，为确保数据的准确性，对部分重要数据还通过查阅上市公司年报进行了核对和补充。证券分析师盈利预测数据同样取自万得（Wind）数据库和锐思（RESSET）数据库，这些数据库收集了众多证券分析师对上市公司的盈利预测信息，包括预测的每股收益、净利润等数据，以及预测的时间、分析师所属机构等相关信息。通过对这些数据的整理和分析，可以准确获取证券分析师的盈利预测结果，为研究会计信息质量与盈利预测之间的关系提供了关键的数据支持。宏观经济数据，如国内生产总值（GDP）增长率、通货膨胀率、利率等，来源于国家统计局、中国人民银行等官方网站。这些数据反映了宏观经济环境的变化趋势，对于控制宏观经济因素对研究结果的影响具有重要作用。行业数据，如行业平均利润率、行业增长率等，来自于各行业协会发布的统计报告以及相关的专业研究机构报告。这些数据能够帮助研究者了解不同行业的发展特点和竞争态势，以便在研究中更好地控制行业因素对会计信息质量和证券分析师盈利预测的影响。3.3变量定义与模型构建3.3.1变量定义本研究选取了多个关键变量来深入探究会计信息质量与证券分析师盈利预测之间的关系。其中，被解释变量主要用于衡量证券分析师盈利预测的相关特征，具体包括：预测准确性（Accuracy），采用证券分析师预测的每股收益与公司实际每股收益的差值绝对值除以公司实际每股收益来计算，该指标能够直观地反映分析师预测值与实际值的偏离程度，差值绝对值越小，除以实际每股收益后得到的结果越小，说明预测准确性越高；预测分歧度（Dispersion），通过计算不同证券分析师对同一公司盈利预测的标准差来衡量，标准差越大，表明不同分析师之间的预测差异越大，即预测分歧度越高。解释变量为会计信息质量（AQ），选用修正的琼斯模型来计算操控性应计利润，以此作为会计信息质量的衡量指标。操控性应计利润反映了企业管理层对会计盈余的操纵程度，操控性应计利润越低，说明企业的会计信息受管理层操纵的程度越小，会计信息质量越高。在修正的琼斯模型中，通过对总应计利润进行分解，扣除正常应计利润部分，得到的操控性应计利润更能准确地反映会计信息的质量。为了确保研究结果的准确性和可靠性，控制可能对证券分析师盈利预测产生影响的其他因素，本研究引入了一系列控制变量，包括：公司规模（Size），用公司年末总资产的自然对数来表示，公司规模越大，其经济实力和抗风险能力相对较强，可能会吸引更多分析师关注，同时也可能对分析师的盈利预测产生影响；资产负债率（Lev），即总负债与总资产的比值，该指标反映了公司的偿债能力和财务杠杆水平，财务状况不同的公司，其盈利预测可能会受到影响；净资产收益率（ROE），等于净利润除以净资产，用于衡量公司的盈利能力，盈利能力强的公司，分析师对其盈利预测可能会更为乐观；营业收入增长率（Growth），通过（本期营业收入-上期营业收入）/上期营业收入计算得出，体现了公司的成长能力，成长能力较强的公司往往具有更大的盈利潜力，会影响分析师的盈利预测；分析师经验（Experience），以分析师从事证券分析工作的年限来衡量，经验丰富的分析师可能具有更敏锐的市场洞察力和更准确的分析能力，从而对盈利预测产生影响。此外，还控制了年度（Year）和行业（Industry）固定效应，以消除不同年份宏观经济环境变化以及不同行业特性对研究结果的干扰。各变量的具体定义如表1所示：表1变量定义表变量类型变量名称变量符号计算方法被解释变量预测准确性AccuracyABS（分析师预测每股收益-实际每股收益）/实际每股收益被解释变量预测分歧度Dispersion不同分析师对同一公司盈利预测的标准差解释变量会计信息质量AQ修正的琼斯模型计算的操控性应计利润，值越低表示会计信息质量越高控制变量公司规模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/总资产控制变量净资产收益率ROE净利润/净资产控制变量营业收入增长率Growth（本期营业收入-上期营业收入）/上期营业收入控制变量分析师经验Experience分析师从事证券分析工作的年限控制变量年度固定效应Year年份虚拟变量控制变量行业固定效应Industry行业虚拟变量3.3.2模型构建为了验证假设1，即会计信息质量与证券分析师盈利预测准确性呈正相关关系，构建如下回归模型：Accuracy_{i,t}=\beta_0+\beta_1AQ_{i,t}+\sum_{j=2}^{6}\beta_jControl_{j,i,t}+\sum_{k}\beta_{k}Year_{k}+\sum_{l}\beta_{l}Industry_{l}+\epsilon_{i,t}其中，Accuracy_{i,t}表示第i家公司在t时期的证券分析师盈利预测准确性；\beta_0为截距项；\beta_1为会计信息质量（AQ_{i,t}）的回归系数，预期\beta_1为负，因为会计信息质量越高，操控性应计利润越低，盈利预测准确性越高；Control_{j,i,t}表示第j个控制变量，包括公司规模（Size_{i,t}）、资产负债率（Lev_{i,t}）、净资产收益率（ROE_{i,t}）、营业收入增长率（Growth_{i,t}）、分析师经验（Experience_{i,t}）等；Year_{k}和Industry_{l}分别表示年度和行业固定效应；\epsilon_{i,t}为随机误差项。为了验证假设2，即会计信息质量与关注该公司的证券分析师人数呈负相关关系，构建如下回归模型：AnalystNum_{i,t}=\beta_0+\beta_1AQ_{i,t}+\sum_{j=2}^{6}\beta_jControl_{j,i,t}+\sum_{k}\beta_{k}Year_{k}+\sum_{l}\beta_{l}Industry_{l}+\epsilon_{i,t}其中，AnalystNum_{i,t}表示第i家公司在t时期关注该公司的证券分析师人数；\beta_0为截距项；\beta_1为会计信息质量（AQ_{i,t}）的回归系数，预期\beta_1为负，即会计信息质量越高，关注该公司的证券分析师人数越少；其他变量含义与上述模型一致。为了验证假设3，即会计信息质量与证券分析师盈利预测的分散性呈负相关关系，构建如下回归模型：Dispersion_{i,t}=\beta_0+\beta_1AQ_{i,t}+\sum_{j=2}^{6}\beta_jControl_{j,i,t}+\sum_{k}\beta_{k}Year_{k}+\sum_{l}\beta_{l}Industry_{l}+\epsilon_{i,t}其中，Dispersion_{i,t}表示第i家公司在t时期证券分析师盈利预测的分散性；\beta_0为截距项；\beta_1为会计信息质量（AQ_{i,t}）的回归系数，预期\beta_1为负，即会计信息质量越高，证券分析师对该公司盈利预测的意见分歧越小，盈利预测的分散性越低；其他变量含义与上述模型一致。通过对这三个回归模型的估计和分析，可以深入探究会计信息质量对证券分析师盈利预测准确性、关注公司的分析师人数以及盈利预测分散性的影响，从而为研究假设提供实证检验。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分析，结果如表2所示。从表中可以看出，预测准确性（Accuracy）的均值为0.187，表明证券分析师盈利预测的平均误差率为18.7%，标准差为0.125，说明不同公司之间分析师盈利预测准确性存在一定差异，部分公司的预测误差可能较大。预测分歧度（Dispersion）的均值为0.063，标准差为0.042，显示不同分析师对同一公司盈利预测的分歧程度有一定波动，个别公司的预测分歧可能较为明显。会计信息质量（AQ）的均值为-0.021，标准差为0.053，表明样本公司的会计信息质量整体处于一定水平，但存在一定的离散度，即部分公司的会计信息质量可能相对较高，而部分公司较低。公司规模（Size）的均值为22.135，标准差为1.256，说明样本公司规模存在一定差异，涵盖了不同规模的上市公司。资产负债率（Lev）的均值为0.458，反映样本公司平均的负债水平占总资产的45.8%，标准差为0.152，表明不同公司的负债结构存在一定变化。净资产收益率（ROE）的均值为0.082，体现样本公司平均的盈利能力，标准差为0.065，说明公司之间的盈利能力有所不同。营业收入增长率（Growth）的均值为0.126，反映样本公司整体具有一定的成长能力，标准差为0.253，表明公司之间的成长速度存在较大差异。分析师经验（Experience）的均值为5.324年，标准差为2.147年，显示分析师的工作经验存在一定的分布范围。通过对各变量的描述性统计，初步了解了样本数据的基本特征，为后续的实证分析奠定了基础，有助于进一步探究会计信息质量与证券分析师盈利预测之间的关系，以及各控制变量对研究结果的可能影响。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Accuracy32000.1870.1250.0120.864Dispersion32000.0630.0420.0050.256AQ3200-0.0210.053-0.2350.187Size320022.1351.25619.86425.632Lev32000.4580.1520.1230.865ROE32000.0820.065-0.1560.354Growth32000.1260.253-0.5671.864Experience32005.3242.1471.00012.0004.2相关性分析在进行回归分析之前，对各变量进行相关性分析，以初步判断变量之间是否存在显著的线性关系，以及是否可能存在多重共线性问题。使用皮尔逊（Pearson）相关系数对样本数据进行相关性分析，结果如表3所示。从表中可以看出，会计信息质量（AQ）与预测准确性（Accuracy）呈显著负相关，相关系数为-0.356，在1%的水平上显著，初步支持了假设1，即会计信息质量越高，证券分析师盈利预测的准确性越高。这表明高质量的会计信息能够为分析师提供更可靠的决策依据，使其能够更准确地预测公司的盈利情况。当会计信息质量较高时，企业的财务数据更真实、准确，分析师基于这些数据进行预测，能够减少误差，提高预测的准确性。会计信息质量（AQ）与关注该公司的证券分析师人数（AnalystNum）呈负相关，相关系数为-0.213，在5%的水平上显著，初步验证了假设2，即会计信息质量越高，关注该公司的证券分析师人数越少。这可能是因为高质量的会计信息使得公司的经营状况和财务实力更加透明，分析师更容易获取准确信息，从而降低了对该公司进行研究和预测的必要性。当公司会计信息质量高时，分析师能够轻松获取所需信息，对公司的了解较为充分，可能会减少对该公司的额外研究，导致关注人数减少。会计信息质量（AQ）与预测分歧度（Dispersion）呈显著负相关，相关系数为-0.287，在1%的水平上显著，初步支持了假设3，即会计信息质量越高，证券分析师对该公司盈利预测的意见分歧越小，盈利预测的分散性越低。高质量的会计信息能够减少分析师之间因信息差异而产生的分歧，使他们对公司未来盈利的预期更加一致。当会计信息准确、一致时，不同分析师基于相同的信息基础进行分析，对公司盈利的判断会更加相似，从而降低预测分歧度。在控制变量方面，公司规模（Size）与预测准确性（Accuracy）呈负相关，相关系数为-0.185，在5%的水平上显著，说明公司规模越大，分析师盈利预测的准确性可能越高，这可能是因为大公司的信息披露更加规范和透明，分析师更容易获取准确信息。公司规模（Size）与关注该公司的证券分析师人数（AnalystNum）呈正相关，相关系数为0.254，在1%的水平上显著，表明公司规模越大，吸引的分析师关注越多，这可能是由于大公司在市场中的影响力较大，其经营状况和发展前景对市场有较大影响，因此更受分析师关注。资产负债率（Lev）与预测准确性（Accuracy）呈正相关，相关系数为0.126，在10%的水平上显著，说明公司的偿债能力和财务杠杆水平可能会对分析师盈利预测的准确性产生一定影响，财务杠杆较高的公司，其盈利预测的准确性可能相对较低，这可能是因为高财务杠杆增加了公司的财务风险，使盈利预测更加困难。净资产收益率（ROE）与预测准确性（Accuracy）呈负相关，相关系数为-0.158，在5%的水平上显著，表明公司的盈利能力越强，分析师盈利预测的准确性可能越高，这是因为盈利能力强的公司经营状况相对稳定，分析师更容易对其盈利进行预测。营业收入增长率（Growth）与预测准确性（Accuracy）呈负相关，相关系数为-0.132，在10%的水平上显著，说明公司的成长能力越强，分析师盈利预测的准确性可能越高，成长能力强的公司未来发展潜力较大，虽然存在一定不确定性，但分析师可以通过对其发展趋势的分析，更准确地预测盈利。分析师经验（Experience）与预测准确性（Accuracy）呈负相关，相关系数为-0.105，在10%的水平上显著，表明分析师经验越丰富，盈利预测的准确性可能越高，经验丰富的分析师在分析和预测过程中能够更好地运用专业知识和经验，减少误差。此外，各控制变量之间的相关系数大多小于0.5，表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。通过相关性分析，初步验证了研究假设，并对各变量之间的关系有了更清晰的认识，为进一步的回归分析奠定了基础。表3相关性分析结果变量AccuracyDispersionAQSizeLevROEGrowthExperienceAnalystNumAccuracy1Dispersion0.324***1AQ-0.356***-0.287***1Size-0.185**0.086*0.079*1Lev0.126*0.118*-0.102*0.235***1ROE-0.158**0.092*0.134*0.302***0.217***1Growth-0.132*0.145**0.115*0.176**0.108*0.265***1Experience-0.105*0.078*0.0650.142**0.082*0.116*0.095*1AnalystNum0.098*0.205***-0.213**0.254***0.137*0.164**0.128*0.089*1注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。4.3回归结果分析4.3.1会计信息质量对盈利预测准确性的影响利用构建的回归模型，对会计信息质量与证券分析师盈利预测准确性之间的关系进行回归分析，结果如表4所示。从表中可以看出，会计信息质量（AQ）的回归系数为-0.284，在1%的水平上显著为负。这表明会计信息质量与证券分析师盈利预测准确性呈显著正相关关系，即会计信息质量越高，证券分析师盈利预测的准确性越高，假设1得到了有力的验证。当会计信息质量较高时，企业所披露的财务信息能够更准确、全面地反映其真实的经营状况和财务实力。分析师基于这些高质量的会计信息进行盈利预测，能够更精准地把握企业的盈利趋势和潜在风险，从而减少预测误差，提高预测的准确性。高质量的会计信息能够清晰地呈现企业的收入来源、成本结构、资产负债状况等关键信息，分析师可以据此更准确地评估企业的盈利能力和发展前景，进而做出更接近实际的盈利预测。而低质量的会计信息，可能存在数据造假、信息遗漏或模糊不清等问题，会干扰分析师的判断，导致预测出现偏差。企业若通过虚增收入、隐瞒成本等手段操纵会计信息，分析师依据这些虚假信息进行预测，必然会使预测结果偏离企业的实际盈利情况。在控制变量方面，公司规模（Size）的回归系数为-0.126，在5%的水平上显著为负，说明公司规模越大，分析师盈利预测的准确性越高。大公司通常具有更完善的内部控制制度和更规范的信息披露流程，其会计信息的质量相对较高，分析师更容易获取准确、全面的信息，从而提高盈利预测的准确性。资产负债率（Lev）的回归系数为0.085，在10%的水平上显著为正，表明公司的偿债能力和财务杠杆水平对分析师盈利预测准确性有一定影响，财务杠杆较高的公司，其盈利预测的准确性可能相对较低。高财务杠杆意味着公司面临较大的财务风险，盈利的不确定性增加，这使得分析师在预测时难度加大，容易出现误差。净资产收益率（ROE）的回归系数为-0.108，在5%的水平上显著为负，说明公司的盈利能力越强，分析师盈利预测的准确性越高。盈利能力强的公司经营状况相对稳定，其盈利模式和发展趋势更容易被分析师把握，从而提高预测的准确性。营业收入增长率（Growth）的回归系数为-0.092，在10%的水平上显著为负，表明公司的成长能力越强，分析师盈利预测的准确性越高。成长能力强的公司未来发展潜力较大，虽然存在一定不确定性，但分析师可以通过对其成长趋势和市场前景的分析，更准确地预测盈利。分析师经验（Experience）的回归系数为-0.065，在10%的水平上显著为负，显示分析师经验越丰富，盈利预测的准确性越高。经验丰富的分析师在信息收集、分析方法运用以及对市场变化的敏感度等方面具有优势，能够更好地处理复杂的会计信息，做出更准确的盈利预测。表4会计信息质量对盈利预测准确性的回归结果|变量|系数|标准误|t值|P>|t||----|----|----|----|----||AQ|-0.284***|0.056|-5.071|0.000||Size|-0.126**|0.051|-2.471|0.014||Lev|0.085*|0.046|1.848|0.065||ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|----|----|----|----|----||AQ|-0.284***|0.056|-5.071|0.000||Size|-0.126**|0.051|-2.471|0.014||Lev|0.085*|0.046|1.848|0.065||ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|AQ|-0.284***|0.056|-5.071|0.000||Size|-0.126**|0.051|-2.471|0.014||Lev|0.085*|0.046|1.848|0.065||ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Size|-0.126**|0.051|-2.471|0.014||Lev|0.085*|0.046|1.848|0.065||ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Lev|0.085*|0.046|1.848|0.065||ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|ROE|-0.108**|0.049|-2.204|0.028||Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Growth|-0.092*|0.052|-1.769|0.077||Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Experience|-0.065*|0.038|-1.711|0.087||Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Constant|3.146***|0.563|5.588|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|YearFixedEffects|是||Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Observations|3200||R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|R-squared|0.325|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。4.3.2会计信息质量对预测人数的影响对会计信息质量与关注公司的证券分析师人数之间的关系进行回归分析，结果如表5所示。会计信息质量（AQ）的回归系数为-0.156，在5%的水平上显著为负，这表明会计信息质量与关注该公司的证券分析师人数呈显著负相关关系，即会计信息质量越高，关注该公司的证券分析师人数越少，假设2得到了验证。当公司的会计信息质量较高时，信息的透明度和可靠性增强，分析师能够更容易地获取全面、准确的信息，对公司的经营状况和发展前景有更清晰的了解。在这种情况下，分析师对该公司进行盈利预测的难度降低，信息的确定性使得他们无需过多的额外研究就能做出相对准确的预测。这就导致吸引较少的分析师关注该公司，因为其他分析师可能认为该公司的信息已经被充分挖掘，再进行研究难以获得额外的价值。而对于会计信息质量较低的公司，信息的不确定性增加，分析师为了获取更准确的预测结果，需要投入更多的精力和资源进行研究。这种不确定性吸引了更多分析师参与到对该公司的研究和预测中，他们希望通过自己的努力挖掘出有价值的信息，从而在竞争中脱颖而出。在控制变量方面，公司规模（Size）的回归系数为0.213，在1%的水平上显著为正，说明公司规模越大，吸引的分析师关注越多。大公司在市场中的影响力较大，其经营决策和财务状况对市场有较大影响，因此更容易引起分析师的关注。同时，大公司通常具有更多的信息披露渠道和更广泛的市场关注度，也为分析师获取信息提供了便利。资产负债率（Lev）的回归系数为0.098，在10%的水平上显著为正，表明公司的偿债能力和财务杠杆水平会影响分析师的关注程度。财务杠杆较高的公司面临较大的财务风险，其经营状况和盈利前景具有更大的不确定性，这可能会吸引更多分析师关注，以研究其潜在的投资风险和机会。净资产收益率（ROE）的回归系数为0.125，在5%的水平上显著为正，说明公司的盈利能力越强，吸引的分析师关注越多。盈利能力强的公司往往具有更好的投资价值，分析师希望通过对其研究，为投资者提供有价值的投资建议，从而获得更多的市场认可和收益。营业收入增长率（Growth）的回归系数为0.116，在10%的水平上显著为正，显示公司的成长能力越强，吸引的分析师关注越多。成长能力强的公司具有较大的发展潜力和投资机会，分析师更愿意对其进行研究，以挖掘其未来的增长空间和投资价值。分析师经验（Experience）的回归系数为0.078，在10%的水平上显著为正，表明经验丰富的分析师更倾向于关注一些具有挑战性或潜在价值的公司，而这些公司可能在会计信息质量或其他方面存在一定的特点，吸引了他们的关注。表5会计信息质量对预测人数的回归结果|变量|系数|标准误|t值|P>|t||----|----|----|----|----||AQ|-0.156**|0.065|-2.400|0.016||Size|0.213***|0.058|3.672|0.000||Lev|0.098*|0.051|1.922|0.055||ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|----|----|----|----|----||AQ|-0.156**|0.065|-2.400|0.016||Size|0.213***|0.058|3.672|0.000||Lev|0.098*|0.051|1.922|0.055||ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|AQ|-0.156**|0.065|-2.400|0.016||Size|0.213***|0.058|3.672|0.000||Lev|0.098*|0.051|1.922|0.055||ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Size|0.213***|0.058|3.672|0.000||Lev|0.098*|0.051|1.922|0.055||ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Lev|0.098*|0.051|1.922|0.055||ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|ROE|0.125**|0.053|2.358|0.018||Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Growth|0.116*|0.055|2.109|0.035||Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Experience|0.078*|0.042|1.857|0.064||Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Constant|-4.563***|0.638|-7.152|0.000||IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|IndustryFixedEffects|是||YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|YearFixedEffects|是||Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|Observations|3200||R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。|R-squared|0.264|注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。注：*、**、***分别表示在10%、5%、1%的水平上显著（双尾检验）。4.3.3会计信息质量对预测分散性的影响对会计信息质量与证券分析师盈利预测分散性之间的关系进行回归分析，结果如表6所示。会计信息质量（AQ）的回归系数为-0.203，在1%的水平上显著为负，这表明会计信息质量与证券分析师盈利预测的分散性呈显著负相关关系，即会计信息质量越高，证券分析师对该公司盈利预测的意见分歧越小，盈利预测的分散性越低，假设3得到了验证。高质量的会计信息具有明确性、一致性和可靠性，能够为分析师提供清晰、准确的企业财务状况和经营成果信息。当分析师基于高质量的会计信息进行盈利预测时，由于信息的可靠性高，不同分析师对企业未来盈利的预期会更加接近。高质量的会计信息能够使分析师对企业的收入、成本、利润等关键指标有更准确的认识，从而在预测过程中减少因信息理解差异而产生的分歧。而低质量的会计信息可能存在模糊性、不一致性和不可靠性，这会导致不同分析师对信息的理解和解读产生差异。企业的财务报表存在数据异常、注释不清等问题，不同分析师可能会从不同角度对这些信息进行分析，从而对企业未来盈利的判断出现较大分歧，使得盈利预测的分散性增大。在控制变量方面，公司规模（Size）的回归系数为0.087，在5%的水平上显著为正，说明公司规模越大，分析师盈利预测的分散性越高。大公司的业务范围广泛，经营情况复杂，不同分析师可能关注的重点不同，对其未来盈利的预测也会存在较大差异。资产负债率（Lev）的回归系数为0.076，在10%的水平上显著为正，表明公司的偿债能力和财务杠杆水平会影响分析师盈利预测的分散性。财务杠杆较高的公司财务风险较大，其盈利的不确定性增加，不同分析师对其风险的评估和盈利预测可能存在较大分歧。净资产收益率（ROE）的回归系数为0.095，在5%的水平上显著为正，说明公司的盈利能力越强，分析师盈利预测的分散性越高。盈利能力强的公司可能存在多种盈利驱动因素，不同分析师对这些因素的权重和未来发展趋势的判断不同，导致盈利预测的分散性增大。营业收入增长率（Growth）的回归系数为0.089，在10%的水平上显著为正，显示公司的成长能力越强，分析师盈利预测的分散性越高。成长能力强的公司未来发展存在较多的不确定性和可能性，不同分析师对其发展路径和盈利预测的看法可能存在差异。分析师经验（Experience）的回归系数为0.056，在10%的水平上显著为正，表明经验丰富的分析师在分析过程中可能会运用不同的分析方法和视角，从而导致对同一公司盈利预测的分散性增加。表6会计信息质量对预测分散性的回归结果|变量|系数|标准误|t值|P>|t||----|----|----|----|----||AQ|-0.203***|0.048|-4.229|0.000||Size|0.087**|0.039|2.231|0.026||Lev|0.076*|0.041|1.854|0.064||ROE|0.095**|0.044|2.159|0.031||Growth|0.089*|0.046|1.935|0.053||Experience|0.056*|0.033|1.697|0.090||Constant|1.365***|0.487|2.803|0.005||IndustryFixedEffects|是|