信春華，郝曉露，程 璐

（1,2，3中國(guó)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(jì)發(fā)展模式，人類也借此躍入數(shù)字時(shí)代（陳冬梅等，2020）。2016年G20峰會(huì)上，數(shù)字經(jīng)濟(jì)成為一項(xiàng)重要議題，并得到全球范圍內(nèi)諸多國(guó)家的廣泛響應(yīng)；2017年，“數(shù)字經(jīng)濟(jì)”一詞被寫(xiě)入黨的十九大報(bào)告；2021年《政府工作報(bào)告》進(jìn)一步指出，要加快推進(jìn)數(shù)字化發(fā)展，逐步形成數(shù)字優(yōu)勢(shì)，協(xié)同實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。中國(guó)信息通信研究院《中國(guó)數(shù)字經(jīng)濟(jì)發(fā)展白皮書(shū)（2021）》顯示，2020年我國(guó)數(shù)字經(jīng)濟(jì)規(guī)模已達(dá)39.2萬(wàn)億元，占GDP總量的38.6%，成為國(guó)民經(jīng)濟(jì)的重要增長(zhǎng)點(diǎn)，數(shù)字技術(shù)不斷釋放經(jīng)濟(jì)紅利、呈現(xiàn)利好前景。此外，突如其來(lái)的新冠肺炎疫情打破了原有的經(jīng)濟(jì)發(fā)展與生產(chǎn)生活模式，數(shù)字化技術(shù)在應(yīng)對(duì)公共衛(wèi)生危機(jī)、復(fù)工復(fù)產(chǎn)及促進(jìn)經(jīng)濟(jì)平穩(wěn)發(fā)展中扮演了中堅(jiān)力量，成為在特殊背景時(shí)期下全球的共同性需求。由此可見(jiàn)，數(shù)字化轉(zhuǎn)型勢(shì)不可擋，也成為學(xué)術(shù)界與實(shí)務(wù)界探討的重要命題。

黃群慧（2013）認(rèn)為，技術(shù)經(jīng)濟(jì)范式的轉(zhuǎn)變催生出了競(jìng)爭(zhēng)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(jì)格局驅(qū)動(dòng)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(guò)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(chǎng)定價(jià)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(jí)增長(zhǎng)，信息冗余、信息過(guò)剩問(wèn)題也初現(xiàn)端倪（Lateef和Omotayo，2019）；數(shù)據(jù)也存在顯著的時(shí)間邊際價(jià)值遞減效應(yīng)，使用者信息獲取延遲便會(huì)導(dǎo)致決策偏誤（戚聿東和肖旭，2020）；同時(shí)，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(tái)擴(kuò)大了信息供給渠道，可追溯、可復(fù)現(xiàn)的信息傳遞過(guò)程提高了信息供給質(zhì)量，進(jìn)而對(duì)企業(yè)信息披露產(chǎn)生正向驅(qū)動(dòng)；另一方面，數(shù)字化轉(zhuǎn)型也可能由于信息過(guò)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(yàn)證。較為遺憾的是，現(xiàn)有研究對(duì)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(duì)信息的影響。

值得注意的是，分析師作為資本市場(chǎng)重要的信息主體，也是資本市場(chǎng)平穩(wěn)運(yùn)行的“潤(rùn)滑劑”，分析師預(yù)測(cè)質(zhì)量對(duì)資本市場(chǎng)資源配置過(guò)程 （Loh和Stulz，2018）與定價(jià)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(cè)質(zhì)量?jī)?yōu)于隨機(jī)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(wèn)題。分析師作為具有經(jīng)驗(yàn)專長(zhǎng)的主體，較之散戶投資者，面對(duì)信息的指數(shù)級(jí)增長(zhǎng)時(shí)，更具專業(yè)能力予以應(yīng)對(duì)。而企業(yè)信息披露作為分析師預(yù)測(cè)的重要信息來(lái)源，分析師預(yù)測(cè)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(cè)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(cè)質(zhì)量視角探究數(shù)字化轉(zhuǎn)型對(duì)信息的影響，對(duì)于資本市場(chǎng)運(yùn)行與投資者決策具有參考價(jià)值。

本文基于2008-2020年滬深A(yù)股上市公司的經(jīng)驗(yàn)證據(jù)，對(duì)企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)質(zhì)量之間的關(guān)系予以研究，并探究其中的作用機(jī)制、異質(zhì)性情境因素下的非對(duì)稱效果及相關(guān)經(jīng)濟(jì)后果。本文可能的貢獻(xiàn)點(diǎn)包括：（1）從研究問(wèn)題上，拓寬了數(shù)字化轉(zhuǎn)型經(jīng)濟(jì)后果及分析師預(yù)測(cè)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(shí)，現(xiàn)有文獻(xiàn)強(qiáng)調(diào)了企業(yè)信息披露對(duì)分析師預(yù)測(cè)的影響，但尚未探討企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)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(jī)制檢驗(yàn)-經(jīng)濟(jì)后果”的邏輯框架，探究了數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的影響方向及程度；同時(shí)，分析了數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)兩者之間可能的作用機(jī)制；探討了異質(zhì)性情境因素下數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的非對(duì)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(duì)分析師預(yù)測(cè)質(zhì)量的溢出效應(yīng)，從多場(chǎng)景論述了數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的影響。

二、文獻(xiàn)回顧

（一）分析師預(yù)測(cè)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(chǎng)的發(fā)展，分析師預(yù)測(cè)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(gè)體特征，例如：行業(yè)專長(zhǎng)（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(kāi)國(guó)等（2014）指出更高的媒體關(guān)注伴隨著更高的分析師預(yù)測(cè)質(zhì)量；高鐵的開(kāi)通打破了信息傳遞的距離障礙，分析師預(yù)測(cè)準(zhǔn)確度也隨之提高（楊青等，2019）；國(guó)家審計(jì)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(cè)準(zhǔn)確度、降低樂(lè)觀偏差（王美英等，2021）；同時(shí)，新冠肺炎疫情等非理性因素也是影響分析師預(yù)測(cè)質(zhì)量的重要?jiǎng)右颍ㄖ軔?ài)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(duì)稱理論，分析師預(yù)測(cè)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(lái)看，方軍雄（2007）指出信息透明度高的公司，其分析師預(yù)測(cè)質(zhì)量更好。從信息治理過(guò)程來(lái)看，良好的內(nèi)部控制伴隨著及時(shí)、可靠的信息披露過(guò)程，降低信息傳遞的不確定性，進(jìn)而提高分析師預(yù)測(cè)質(zhì)量（董望等，2017）。另外，企業(yè)盈余管理行為會(huì)造成分析師認(rèn)知偏差，進(jìn)而降低分析師預(yù)測(cè)質(zhì)量（李丹和賈寧，2009）。

（二）企業(yè)數(shù)字化轉(zhuǎn)型的經(jīng)濟(jì)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(jì)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(jì)范式的變革都能夠帶來(lái)技術(shù)、管理與制度的變革，同時(shí)催生出競(jìng)爭(zhēng)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(jì)效應(yīng)，還具有微觀企業(yè)效應(yīng)。

宏觀視角。競(jìng)爭(zhēng)格局層面，數(shù)字化發(fā)展重塑了全球競(jìng)爭(zhēng)格局。何宇等（2021）指出數(shù)字化會(huì)進(jìn)一步拉開(kāi)發(fā)達(dá)國(guó)家與發(fā)展中國(guó)家的差距；呂越等（2020）發(fā)現(xiàn)人工智能技術(shù)促進(jìn)了中國(guó)參與全球價(jià)值鏈分工。商業(yè)模式層面，數(shù)字化轉(zhuǎn)型對(duì)傳統(tǒng)商業(yè)模式產(chǎn)生破壞式創(chuàng)新（趙振，2015）。勞動(dòng)就業(yè)與分工層面，數(shù)字化進(jìn)程打破了傳統(tǒng)的雇傭關(guān)系，互聯(lián)網(wǎng)技術(shù)推進(jìn)了勞動(dòng)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(jī)會(huì)。

微觀視角。企業(yè)數(shù)字化轉(zhuǎn)型的微觀經(jīng)濟(jì)后果表現(xiàn)在以下幾個(gè)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(guò)打破高管信息壟斷，推動(dòng)組織變革（Lee和Edmondson，2017）。企業(yè)經(jīng)營(yíng)層面，數(shù)字化經(jīng)營(yíng)方式有利于實(shí)現(xiàn)價(jià)值創(chuàng)造（戚聿東和肖旭，2020）與競(jìng)爭(zhēng)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(bǔ)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(lái)自企業(yè)源頭的信息供給，也帶來(lái)了信息冗余與信息過(guò)載（Lateef和Omotayo，2019）；同時(shí)，數(shù)字時(shí)代下快速的信息更新也使得數(shù)據(jù)價(jià)值隨時(shí)間呈現(xiàn)迅速的邊際遞減趨勢(shì)（戚聿東和肖旭，2020）。

（三）文獻(xiàn)評(píng)述

基于以上回溯，目前對(duì)于數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)的研究存在以下特點(diǎn)：（1）現(xiàn)有研究從分析師個(gè)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(cè)質(zhì)量的影響因素，并指出信息是影響分析師預(yù)測(cè)質(zhì)量的重要原因，這為本研究的展開(kāi)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(jì)后果，盡管有部分文獻(xiàn)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(cè)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(duì)分析師預(yù)測(cè)的影響尚未受到關(guān)注，本文試圖對(duì)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?，F(xiàn)有研究關(guān)于數(shù)字化轉(zhuǎn)型對(duì)信息的影響存在兩種觀點(diǎn)：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(guò)程數(shù)字化，從而降低內(nèi)外部之間的信息不對(duì)稱（祁懷錦等，2020）；二是數(shù)字技術(shù)也在一定程度上擴(kuò)大了信息風(fēng)險(xiǎn)敞口，如嚴(yán)重的信息冗余和信息過(guò)載 （Lateef和Omotayo，2019）、信息價(jià)值的快速時(shí)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(chǎng)重要的信息中介，企業(yè)信息作為影響分析師預(yù)測(cè)質(zhì)量的重要?jiǎng)右颍瑪?shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)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(dòng)時(shí)，將對(duì)分析師預(yù)測(cè)質(zhì)量產(chǎn)生有利影響；當(dāng)存在消極導(dǎo)向時(shí)，則可能表現(xiàn)為分析師誤判，削弱預(yù)測(cè)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(cè)質(zhì)量之間可能的關(guān)系。

（一）信息效應(yīng)假說(shuō)

根據(jù)信息經(jīng)濟(jì)學(xué)，企業(yè)與外部信息需求者處于信息不對(duì)稱的兩端，分析師預(yù)測(cè)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(shí)、準(zhǔn)確、完整是影響預(yù)測(cè)質(zhì)量的重要特征?，F(xiàn)有研究基本根植于信息不對(duì)稱理論框架，資本市場(chǎng)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(duì)稱程度。從信息總量來(lái)看，債券信用評(píng)級(jí)能夠通過(guò)評(píng)價(jià)排序矯正資本市場(chǎng)中的“檸檬”問(wèn)題（“Lemon”P(pán)roblem）（Rhee，2015），與分析師形成互補(bǔ)效應(yīng)，擴(kuò)大分析師可用信息總量（林晚發(fā)等，2020）。從信息質(zhì)量來(lái)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(cè)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(yǔ)境，較之一般信息過(guò)程，企業(yè)數(shù)字化轉(zhuǎn)型所帶來(lái)的技術(shù)穿透能夠?qū)π畔⑸a(chǎn)、信息流動(dòng)、信息管理過(guò)程產(chǎn)生質(zhì)的影響，更進(jìn)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(cè)質(zhì)量的提升。

具體而言，首先，從信息總量視角來(lái)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(cè)質(zhì)量的重要因素。信息來(lái)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(dòng)起來(lái)，將非標(biāo)準(zhǔn)化、不可預(yù)見(jiàn)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?duì)企業(yè)傳統(tǒng)可識(shí)別信息形態(tài)的有效補(bǔ)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(yùn)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(shí)，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(cè)分歧度降低。

其次，信息質(zhì)量視角。根據(jù)機(jī)會(huì)主義假說(shuō)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(dòng)機(jī)通過(guò)盈余管理等機(jī)會(huì)主義行為掩飾不良業(yè)績(jī)表現(xiàn)。然而，企業(yè)數(shù)字化轉(zhuǎn)型能夠?qū)ζ溥M(jìn)行有效抑制。一方面，內(nèi)部治理機(jī)制層面，隨著信息管理系統(tǒng)、知識(shí)管理系統(tǒng)等數(shù)字化平臺(tái)的嵌入與應(yīng)用（劉政等，2020），進(jìn)一步使得企業(yè)生產(chǎn)經(jīng)營(yíng)過(guò)程、財(cái)務(wù)處理過(guò)程、組織決策過(guò)程都有跡可循，減少治理過(guò)程中信息傳遞的混沌節(jié)點(diǎn)與信息失真，對(duì)管理層非理性行為形成隱形監(jiān)督機(jī)制，弱化管理層基于謀取個(gè)人私利動(dòng)機(jī)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(jī)制層面，分析師、媒體、機(jī)構(gòu)投資者作為資本市場(chǎng)中重要的信息中介，能夠通過(guò)自身專業(yè)能力識(shí)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(jìn)一步地，高質(zhì)量的信息供給不僅為分析師預(yù)測(cè)提高更真實(shí)、準(zhǔn)確的決策參考；還能減少分析師預(yù)測(cè)過(guò)程中的主觀判斷，削弱分析師預(yù)測(cè)分歧度。

因此，從分析師預(yù)測(cè)準(zhǔn)確度視角來(lái)看，企業(yè)數(shù)字化轉(zhuǎn)型對(duì)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(cè)提供了更準(zhǔn)確、有價(jià)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(lái)盈余預(yù)測(cè)。而從分析師預(yù)測(cè)分歧度視角來(lái)看，分析師預(yù)測(cè)分歧度主要取決于信息來(lái)源與預(yù)測(cè)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(cè)模型時(shí)會(huì)形成更為一致的權(quán)重賦予與方向調(diào)整，進(jìn)而使分析師預(yù)測(cè)分歧度降低。據(jù)此推斷，數(shù)字化轉(zhuǎn)型能夠通過(guò)改善企業(yè)信息披露行為提高分析師預(yù)測(cè)準(zhǔn)確度、降低分析師預(yù)測(cè)分歧度，也即使分析師預(yù)測(cè)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(cè)質(zhì)量。

（二）噪聲效應(yīng)假說(shuō)

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(guò)噪聲效應(yīng)進(jìn)而降低分析師預(yù)測(cè)質(zhì)量，本文從有限注意力、數(shù)據(jù)價(jià)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(shuō)指出個(gè)體僅具備有限注意力而無(wú)法對(duì)任何事物賦予同等時(shí)間精力（Kahneman，1973）?？陀^層面，個(gè)體面對(duì)多信息任務(wù)刺激時(shí)僅能對(duì)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(guò)度的信息供給會(huì)導(dǎo)致個(gè)體分心（Hirshleifer等，2009）。這一觀點(diǎn)也得到相關(guān)驗(yàn)證，例如：市場(chǎng)中同日發(fā)布的分析師報(bào)告越多，則投資者注意的分散效應(yīng)越嚴(yán)重，進(jìn)而致使投資者市場(chǎng)反應(yīng)不足（Hirshleifer等，2009；方軍雄等，2018）；處于忙季的簽字注冊(cè)會(huì)計(jì)師審計(jì)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(kuò)寬了來(lái)自企業(yè)源頭的信息釋放，使得分析師可獲取、可觀測(cè)信息集呈指數(shù)級(jí)增長(zhǎng)，但海量的信息供給也引發(fā)了“信息過(guò)載”（Lateef和Omotayo，2019），致使決策偏誤，降低分析師預(yù)測(cè)準(zhǔn)確度。進(jìn)一步地，“信息過(guò)載”也對(duì)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(duì)象，由于注意力程度不同，分析師個(gè)體在權(quán)重賦予過(guò)程中存在更多差異化判斷，導(dǎo)致預(yù)測(cè)分歧度提高。

其次，依據(jù)數(shù)據(jù)的價(jià)值周期理論，數(shù)字化時(shí)代下數(shù)據(jù)更新速度快，數(shù)據(jù)呈現(xiàn)出顯著的價(jià)值周期屬性，也即數(shù)據(jù)價(jià)值隨時(shí)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(dòng)態(tài)信息處理系統(tǒng)，時(shí)時(shí)刻刻地搜集生產(chǎn)經(jīng)營(yíng)、管理決策、用戶畫(huà)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(qiáng)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(cè)準(zhǔn)確度降低。同時(shí)，分析師個(gè)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(cè)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(shí)現(xiàn)各項(xiàng)業(yè)務(wù)的跨界融合的同時(shí)，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(duì)分析師如何在多樣的業(yè)務(wù)形態(tài)下應(yīng)對(duì)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(cè)質(zhì)量。因此，數(shù)字化時(shí)代下，一旦分析師信息整合失敗，則會(huì)形成信息噪聲，分析師預(yù)測(cè)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(cè)質(zhì)量。

四、研究設(shè)計(jì)

（一）數(shù)據(jù)來(lái)源

本文的研究數(shù)據(jù)來(lái)自中國(guó)滬深A(yù)股市場(chǎng)上市公司，由于2007年我國(guó)頒布了新的會(huì)計(jì)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(tuán)隊(duì)）預(yù)測(cè)報(bào)告發(fā)布日在本年年報(bào)發(fā)布日之前與上一年年報(bào)發(fā)布日之后的樣本，保留每一個(gè)分析師（團(tuán)隊(duì)）最近的一次預(yù)測(cè)；（4）剔除數(shù)據(jù)缺失觀測(cè)值；（5）為去除極端值的影響，對(duì)所有連續(xù)變量在1%和99%的水平上進(jìn)行縮尾處理。由于分析師預(yù)測(cè)準(zhǔn)確度與分析師預(yù)測(cè)分歧度計(jì)算方式的差異，分析師預(yù)測(cè)準(zhǔn)確度的回歸樣本量為23198；分析師預(yù)測(cè)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(cái)務(wù)數(shù)據(jù)及公司治理數(shù)據(jù)均來(lái)自國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)。

（二）變量定義

1.解釋變量

企業(yè)數(shù)字化轉(zhuǎn)型（DCG）。目前對(duì)數(shù)字化轉(zhuǎn)型的測(cè)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(jìn)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(wú)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(lái)源于CSMAR數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)參照吳非等（2021）的做法，從上市企業(yè)年報(bào)中涉及“企業(yè)數(shù)字化轉(zhuǎn)型”的詞頻角度測(cè)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(yùn)用，其二為技術(shù)實(shí)踐應(yīng)用。底層技術(shù)運(yùn)用包括人工智能（Artificial Intelligence）、區(qū)塊鏈（Block Chain）、云計(jì)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(shí)踐應(yīng)用涉及移動(dòng)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(gè)視角對(duì)相關(guān)數(shù)字技術(shù)及應(yīng)用場(chǎng)景所涉及詞頻進(jìn)行統(tǒng)計(jì)，刻畫(huà)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(duì)數(shù)字化轉(zhuǎn)型詞頻進(jìn)行對(duì)數(shù)化處理。同時(shí)，為使系數(shù)完整顯示且不影響顯著性，在此本文對(duì)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(cè)準(zhǔn)確度（Ferror）與分析師預(yù)測(cè)分歧度（Fdisp）。具體地，析師預(yù)測(cè)準(zhǔn)確度（Ferror）和分析師預(yù)測(cè)分歧度（Fdisp）的計(jì)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(cè)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(cè)的標(biāo)準(zhǔn)差；Eps為每股盈余實(shí)際值；P為期初開(kāi)盤(pán)價(jià)。Ferror和Fdisp越大，表明分析師預(yù)測(cè)準(zhǔn)確度越低，分析師預(yù)測(cè)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(zhǎng)性（Growth），第一大股東持股比例（TOP1），董事會(huì)規(guī)模（Board），兩職合一（Duality），審計(jì)質(zhì)量（Big4），產(chǎn)權(quán)性質(zhì)（Soe），經(jīng)營(yíng)性現(xiàn)金流量（Cfo），機(jī)構(gòu)投資者持股 （Ohold），上期審計(jì)意見(jiàn)（LOpin），企業(yè)價(jià)值（TobinQ），分析師跟蹤（Follow），同時(shí)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(yàn)企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)的影響。

其中，F(xiàn)error為分析師預(yù)測(cè)準(zhǔn)確度，F(xiàn)disp為分析師預(yù)測(cè)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(shí)，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(cè)質(zhì)量，H1a得以驗(yàn)證；β1為正時(shí)，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(cè)質(zhì)量，H1b得以驗(yàn)證。

五、實(shí)證結(jié)果分析

（一）描述性統(tǒng)計(jì)

表2給出了主要變量的描述性統(tǒng)計(jì)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(shuō)明目前我國(guó)各企業(yè)數(shù)字化轉(zhuǎn)型程度存在一定差異，同時(shí)其未除以100的描述性檢驗(yàn)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(cè)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(cè)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(jì)質(zhì)量（Big4）的均值為0.065，說(shuō)明我國(guó)約6.5%的上市公司選擇“國(guó)際四大”進(jìn)行審計(jì)；產(chǎn)權(quán)性質(zhì)（Soe）的均值為0.396，說(shuō)明觀測(cè)樣本中39.6%的上市公司為國(guó)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(jì)

（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(cè)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(cè)準(zhǔn)確度。企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)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(cè)分歧度。表3列（3）、（4）結(jié)果顯示，在對(duì)行業(yè)、年份進(jìn)行控制后，企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)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(cè)準(zhǔn)確度。表3列（4）給出了企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)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(cè)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(cè)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(cè)質(zhì)量，假設(shè)H1a得以驗(yàn)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(guó)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(yàn)

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(cè)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(duì)分析師預(yù)測(cè)質(zhì)量具有提高作用，但是分析師預(yù)測(cè)也可能影響融資、創(chuàng)新決策等，較高的分析師預(yù)測(cè)質(zhì)量可能為企業(yè)數(shù)字化轉(zhuǎn)型提供機(jī)遇。因此，為緩解基于雙向因果關(guān)系的內(nèi)生性問(wèn)題，本文采用工具變量法。借鑒李琦等（2021），采用地方公共財(cái)政科技支出作為工具變量，原因在于：一個(gè)地區(qū)公共財(cái)政科技支出能夠?yàn)槠髽I(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(cè)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(yàn)結(jié)果。Cragg-Donald Wald F統(tǒng)計(jì)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(yàn)結(jié)果，結(jié)果顯示地方公共財(cái)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(yàn)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(cè)準(zhǔn)確度、降低預(yù)測(cè)分歧度，與主回歸一致，說(shuō)明在考慮可能的內(nèi)生性問(wèn)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(jī)的，即企業(yè)數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)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(wèn)題，本文采用Heckman兩階段進(jìn)行偏差校正，并構(gòu)建模型（4）和（5），主要包括兩個(gè)階段。第一階段采用Probit模型進(jìn)行估計(jì)，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(yíng)業(yè)收入（Sale，經(jīng)對(duì)數(shù)化處理）、合格境外機(jī)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(jì)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(jì)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(cè)準(zhǔn)確度、降低預(yù)測(cè)分歧度；同時(shí)，分析師預(yù)測(cè)準(zhǔn)確度的逆米爾斯比率（IMR）不顯著，但分析師預(yù)測(cè)分歧度的逆米爾斯比率（IMR）顯著。說(shuō)明在分析師預(yù)測(cè)準(zhǔn)確度中可能不存在樣本自選擇問(wèn)題，但分析師預(yù)測(cè)分歧度中可能存在樣本自選擇問(wèn)題。因此在考慮了可能的樣本自選擇問(wèn)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(wèn)題，如企業(yè)文化、發(fā)展沿革等，因此進(jìn)一步采用公司固定效應(yīng)模型緩解可能的內(nèi)生性問(wèn)題，回歸結(jié)果如表5所示。結(jié)果顯示，在對(duì)公司個(gè)體進(jìn)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(cè)準(zhǔn)確度、降低預(yù)測(cè)分歧度，在采用公司固定效應(yīng)進(jìn)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(guò)企業(yè)數(shù)字化轉(zhuǎn)型詞頻測(cè)度企業(yè)數(shù)字化轉(zhuǎn)型，該方式刻畫(huà)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(huà)方式也可能存在誤判，因?yàn)槠髽I(yè)年報(bào)信息未必完全客觀，可能與管理層個(gè)人習(xí)慣、企業(yè)發(fā)展階段相關(guān)，詞頻多少與企業(yè)實(shí)際未必一致。借鑒何帆和劉紅霞（2019）采用企業(yè)是否進(jìn)行數(shù)字化轉(zhuǎn)型的0-1變量進(jìn)行測(cè)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(shí)，企業(yè)數(shù)字化轉(zhuǎn)型同樣能夠提高分析師預(yù)測(cè)準(zhǔn)確度、降低預(yù)測(cè)分歧度，與主回歸一致。

（2）變更分析師預(yù)測(cè)的度量方式

為確保結(jié)論的穩(wěn)健性，本文進(jìn)一步對(duì)分析師預(yù)測(cè)準(zhǔn)確度與分析師預(yù)測(cè)分歧度變更測(cè)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(cè)的中位數(shù)作為分析師預(yù)測(cè)值MFeps，重新計(jì)算分析師預(yù)測(cè)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(cè)準(zhǔn)確度顯著負(fù)相關(guān)，與分析師預(yù)測(cè)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(jìn)行策略性數(shù)字化信息披露，以滿足市場(chǎng)預(yù)期，進(jìn)而降低企業(yè)信息披露真實(shí)性與參考價(jià)值，導(dǎo)致分析師預(yù)測(cè)準(zhǔn)確降低、預(yù)測(cè)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(diǎn)的虛假信息披露，與其真實(shí)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(jìn)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(dòng)，也即在非高新技術(shù)企業(yè)中企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)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(jìn)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(jìn)一步分析

（一）異質(zhì)性檢驗(yàn)

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(cè)的正相關(guān)關(guān)系提供了經(jīng)驗(yàn)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(jìn)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(duì)分析師預(yù)測(cè)影響的非對(duì)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(jìng)爭(zhēng)程度，地區(qū)層面的特征變量為市場(chǎng)化進(jìn)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(guó)有企業(yè)由政府直接控股，是國(guó)民經(jīng)濟(jì)的典范與排頭兵，承擔(dān)著更多政策性使命。例如，國(guó)有企業(yè)在扶貧建設(shè)、環(huán)境保護(hù)等都發(fā)揮著中堅(jiān)力量，然而國(guó)有企業(yè)的政策性負(fù)擔(dān)對(duì)于企業(yè)經(jīng)營(yíng)績(jī)效具有擠出效應(yīng)（廖冠民和沈紅波，2014），不良的業(yè)績(jī)表現(xiàn)對(duì)國(guó)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(guò)程。首先，國(guó)有企業(yè)具有天然的資源稟賦與資源獲取優(yōu)勢(shì)，當(dāng)國(guó)有企業(yè)面臨融資約束時(shí)，政府會(huì)通過(guò)補(bǔ)貼紓解困境（孔東民等，2013）；其次，政府對(duì)于國(guó)有企業(yè)具有重要背書(shū)與擔(dān)保作用，能夠有效降低銀行信貸決策過(guò)程的預(yù)測(cè)風(fēng)險(xiǎn)，進(jìn)而國(guó)有企業(yè)的融資約束更低。因此，較之非國(guó)有企業(yè)，國(guó)有企業(yè)的信息披露動(dòng)機(jī)可能更弱，質(zhì)量可能更低。可以預(yù)期，與非國(guó)有企業(yè)相比，企業(yè)數(shù)字化轉(zhuǎn)型的信息效應(yīng)在國(guó)有企業(yè)中更為顯著，對(duì)于分析師

預(yù)測(cè)質(zhì)量的提高作用也更為明顯?；貧w結(jié)果如表8列（1）、（2）所示，結(jié)果顯示，交互項(xiàng)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(guó)有企業(yè)，國(guó)有企業(yè)中企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的提高作用更為顯著。

2.行業(yè)層面：行業(yè)競(jìng)爭(zhēng)程度

行業(yè)競(jìng)爭(zhēng)也會(huì)影響數(shù)字化轉(zhuǎn)型與分析師預(yù)測(cè)之間的關(guān)系。一方面，行業(yè)競(jìng)爭(zhēng)具有“信息披露效應(yīng)”，出于融資動(dòng)機(jī)，在激烈的行業(yè)競(jìng)爭(zhēng)中，企業(yè)具有更強(qiáng)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(xiǎn)的重要參考（Healy和Palepu，2001），為獲取更多的融資機(jī)會(huì)，企業(yè)會(huì)進(jìn)行更透明的信息披露?；诼曌u(yù)動(dòng)機(jī)，激烈的行業(yè)競(jìng)爭(zhēng)中翔實(shí)的信息披露會(huì)提高企業(yè)形象，形成聲譽(yù)價(jià)值（肖曙光等，2017）?？梢灶A(yù)期，競(jìng)爭(zhēng)越激烈，企業(yè)數(shù)字化轉(zhuǎn)型所帶來(lái)的信息優(yōu)勢(shì)對(duì)分析師預(yù)測(cè)質(zhì)量的提高效應(yīng)可能較為有限。另一方面，行業(yè)競(jìng)爭(zhēng)具有“信息遮掩效應(yīng)”，行業(yè)競(jìng)爭(zhēng)會(huì)加劇代理沖突，激烈的行業(yè)競(jìng)爭(zhēng)使得管理層面臨更大的業(yè)績(jī)壓力，基于職業(yè)晉升的考慮，管理層有盈余操縱動(dòng)機(jī)；同時(shí)，在競(jìng)爭(zhēng)較強(qiáng)的行業(yè)，企業(yè)的信息披露可能會(huì)帶來(lái)更多專有化成本，為降低競(jìng)爭(zhēng)對(duì)手模仿的可能性，企業(yè)會(huì)通過(guò)降低信息披露程度以維持市場(chǎng)勢(shì)力（Zhou，2018）。因此，行業(yè)競(jìng)爭(zhēng)越激烈，企業(yè)數(shù)字化轉(zhuǎn)型所帶來(lái)的信息優(yōu)勢(shì)對(duì)分析師預(yù)測(cè)質(zhì)量的正向影響也可能會(huì)顯著。根據(jù)以上分析，尚且無(wú)法得出結(jié)論，仍需進(jìn)一步驗(yàn)證。為驗(yàn)證行業(yè)競(jìng)爭(zhēng)程度的影響，本文借鑒孔東民等（2013），采用赫芬達(dá)爾指數(shù)（HHI）予以測(cè)度，其數(shù)值越大，說(shuō)明行業(yè)競(jìng)爭(zhēng)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(cè)準(zhǔn)確度的交互項(xiàng)DCG×HHI的系數(shù)為正但不顯著，分析師預(yù)測(cè)分歧度的交互項(xiàng)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(duì)分析師預(yù)測(cè)質(zhì)量的提高作用主要體現(xiàn)在行業(yè)競(jìng)爭(zhēng)較強(qiáng)的環(huán)境中。

3.地區(qū)層面：市場(chǎng)化程度

我國(guó)幅員遼闊，各地區(qū)市場(chǎng)化程度存在非均衡性特征（王小魯?shù)龋?019）。地區(qū)市場(chǎng)化程度較高時(shí)，市場(chǎng)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(jué)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(shí)，地區(qū)市場(chǎng)化程度提高會(huì)伴隨著更為嚴(yán)格的執(zhí)法及更高的違法成本，進(jìn)而影響企業(yè)的信息披露行為。反之，地區(qū)市場(chǎng)化程度較低時(shí)，地區(qū)制度約束力差、懲罰機(jī)制弱，關(guān)系經(jīng)濟(jì)成為企業(yè)資源獲取的主導(dǎo)方式，會(huì)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(chǎng)化程度越低，企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的提高效應(yīng)越強(qiáng)。本文采用王小魯?shù)龋?019）的市場(chǎng)化指數(shù)表征地區(qū)市場(chǎng)化程度，表8列（5）、（6）顯示，交互項(xiàng)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(duì)分析師預(yù)測(cè)質(zhì)量的提高作用表現(xiàn)在市場(chǎng)化程度較弱的地區(qū)。

表8 異質(zhì)性檢驗(yàn)

(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(jī)制檢驗(yàn)

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(cè)質(zhì)量，未對(duì)兩者之間的作用機(jī)制進(jìn)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(jìn)而影響分析師預(yù)測(cè)質(zhì)量。為驗(yàn)證上述解釋的合理性，本文參考溫忠麟等（2004）的做法進(jìn)行機(jī)制檢驗(yàn)，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(jī)制檢驗(yàn)

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(cè)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(shì)：其一，在企業(yè)內(nèi)部生產(chǎn)經(jīng)營(yíng)過(guò)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(guò)技術(shù)躍進(jìn)調(diào)動(dòng)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(fèi)者偏好抽樣，大數(shù)據(jù)技術(shù)將抽樣總體拓寬至消費(fèi)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(jì)預(yù)測(cè)提供準(zhǔn)確、一致的信息參考，提高分析師預(yù)測(cè)準(zhǔn)確度、降低預(yù)測(cè)分歧度。然而，可識(shí)別信息總量較難度量，為驗(yàn)證前述推論，本文采用年報(bào)“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(duì)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(jī)制檢驗(yàn)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(cè)質(zhì)量之間發(fā)揮了中介作用。

2.信息質(zhì)量的機(jī)制檢驗(yàn)

數(shù)字化轉(zhuǎn)型對(duì)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(tái)的應(yīng)用降低了企業(yè)生產(chǎn)經(jīng)營(yíng)過(guò)程中的人工參與程度，使得企業(yè)信息披露更為客觀真實(shí)；同時(shí)，分析師、媒體、機(jī)構(gòu)投資者等信息中介的強(qiáng)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(yíng)管理過(guò)程提高了管理層自利行為被發(fā)現(xiàn)的概率，進(jìn)而降低管理層盈余操縱的動(dòng)機(jī)，形成對(duì)管理層機(jī)會(huì)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(jì)、預(yù)測(cè)方向。為驗(yàn)證上述推斷，采用基于修正瓊斯模型計(jì)算的應(yīng)計(jì)盈余管理絕對(duì)值（AD_abs）表征信息質(zhì)量，數(shù)值越大，盈余管理行為越強(qiáng)烈，信息質(zhì)量越低?！靶畔①|(zhì)量”的機(jī)制檢驗(yàn)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(huì)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(cè)質(zhì)量之間發(fā)揮了中介作用。

表9 機(jī)制檢驗(yàn)

(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(jī)制

企業(yè)數(shù)字化轉(zhuǎn)型也可能通過(guò)降低經(jīng)營(yíng)風(fēng)險(xiǎn)，進(jìn)而提升分析師預(yù)測(cè)質(zhì)量。首先，數(shù)字技術(shù)的嵌入加速了生產(chǎn)自動(dòng)化進(jìn)程，程序化的生產(chǎn)過(guò)程降低了錯(cuò)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(fèi)用經(jīng)濟(jì)學(xué)和不完全契約理論指出，數(shù)字技術(shù)能夠通過(guò)緩解非有效市場(chǎng)中信息不對(duì)稱程度加速信息的擴(kuò)散與傳播，有效降低信息搜集成本及合約成本，實(shí)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(guò)數(shù)字信息技術(shù)準(zhǔn)確預(yù)測(cè)市場(chǎng)需求變動(dòng)（Bajari等，2019），協(xié)調(diào)倉(cāng)儲(chǔ)信息、生產(chǎn)產(chǎn)量、市場(chǎng)偏好，實(shí)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(yíng)提供穩(wěn)定基礎(chǔ)?；谝陨戏治?，從經(jīng)營(yíng)成本與收益視角，企業(yè)數(shù)字化轉(zhuǎn)型實(shí)現(xiàn)了降成本、增效益，降低經(jīng)營(yíng)風(fēng)險(xiǎn)。有研究指出，較高的經(jīng)營(yíng)風(fēng)險(xiǎn)會(huì)增加分析師預(yù)測(cè)過(guò)程中的不確定性，分析師無(wú)法依據(jù)慣性決策預(yù)測(cè)企業(yè)未來(lái)盈余，預(yù)測(cè)質(zhì)量降低（何熙瓊和尹長(zhǎng)萍，2018；Jennings等，2017）。因此，隨著數(shù)字化轉(zhuǎn)型對(duì)于經(jīng)營(yíng)風(fēng)險(xiǎn)的抑制，分析師預(yù)測(cè)質(zhì)量也將隨之提高。為了檢驗(yàn)這一機(jī)制，本文以Risk為經(jīng)營(yíng)風(fēng)險(xiǎn)，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(dòng)水平衡量。延續(xù)前文機(jī)制檢驗(yàn)思路進(jìn)行回歸分析，回歸結(jié)果如表10所示，據(jù)此無(wú)法判斷具體的作用機(jī)制；進(jìn)一步地，Sobel檢驗(yàn)結(jié)果并不顯著（分別為-0.79和-0.78），故排除經(jīng)營(yíng)風(fēng)險(xiǎn)的作用機(jī)制。

表10 經(jīng)營(yíng)風(fēng)險(xiǎn)機(jī)制檢驗(yàn)

(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(jì)后果檢驗(yàn)：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?jiǎng)右颍ü杖锖忘S俊，2021）。反之，企業(yè)與投資者之間的信息不對(duì)稱程度越高，權(quán)益資本成本也越高，即投資者對(duì)企業(yè)未來(lái)風(fēng)險(xiǎn)估值存在不確定性預(yù)期，并要求更高的風(fēng)險(xiǎn)溢價(jià)，以此彌補(bǔ)投資失敗的風(fēng)險(xiǎn)。因此，本文以權(quán)益資本成本為切入點(diǎn)探究企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量影響的經(jīng)濟(jì)后果，借鑒溫忠麟等（2004）的因果識(shí)別方法，結(jié)合主回歸模型（3），同時(shí)構(gòu)建模型（8）和模型（9）。

其中，COC為權(quán)益資本成本。目前測(cè)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(duì)于中國(guó)資本市場(chǎng)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(cè)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(cè)質(zhì)量；列（3）、（5）結(jié)果顯示分析師預(yù)測(cè)準(zhǔn)確度（Ferror）和分析師預(yù)測(cè)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(cè)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(jì)后果檢驗(yàn)：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(guó)民經(jīng)濟(jì)發(fā)展的重要驅(qū)動(dòng)，企業(yè)數(shù)字化轉(zhuǎn)型也是經(jīng)濟(jì)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(yàn)證據(jù)探究企業(yè)數(shù)字化轉(zhuǎn)型對(duì)分析師預(yù)測(cè)質(zhì)量的影響，并沿襲“基準(zhǔn)回歸-異質(zhì)性分析-機(jī)制檢驗(yàn)-經(jīng)濟(jì)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(cè)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(yàn)結(jié)果表明，這種效應(yīng)主要表現(xiàn)在國(guó)有企業(yè)、行業(yè)競(jìng)爭(zhēng)強(qiáng)烈、地區(qū)市場(chǎng)化進(jìn)程較低的企業(yè)中。第三，機(jī)制檢驗(yàn)結(jié)果表明，企業(yè)數(shù)字化轉(zhuǎn)型對(duì)于分析師預(yù)測(cè)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(shí)，本文進(jìn)一步排除了基于經(jīng)營(yíng)風(fēng)險(xiǎn)降低的作用機(jī)制。最后，經(jīng)濟(jì)后果檢驗(yàn)表明，企業(yè)數(shù)字化轉(zhuǎn)型引起分析師預(yù)測(cè)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(cè)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(cè)的前因后果。與此同時(shí)，本研究還具有重要的啟示。

第一，企業(yè)應(yīng)強(qiáng)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(yùn)營(yíng)等戰(zhàn)略目標(biāo)，貫穿企業(yè)各業(yè)務(wù)流程，滲透到各個(gè)組織層級(jí)，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(shí)現(xiàn)價(jià)值共創(chuàng)。

第二，政府應(yīng)積極引導(dǎo)國(guó)有企業(yè)、競(jìng)爭(zhēng)較為激烈的行業(yè)以及市場(chǎng)化程度比較低的地區(qū)進(jìn)行數(shù)字化轉(zhuǎn)型。政策也應(yīng)積極引導(dǎo)國(guó)民經(jīng)濟(jì)、市場(chǎng)資源向利于企業(yè)數(shù)字化轉(zhuǎn)型過(guò)程轉(zhuǎn)移，尤其對(duì)于國(guó)有企業(yè)、競(jìng)爭(zhēng)較為激烈的行業(yè)以及市場(chǎng)化程度比較低的地區(qū)，以彌補(bǔ)其信息披露不足，實(shí)現(xiàn)數(shù)字化協(xié)同發(fā)展。

第三，資本市場(chǎng)資源配置過(guò)程是市場(chǎng)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(chǎng)信息中介的作用。利用數(shù)字化發(fā)展契機(jī)，進(jìn)一步提升預(yù)測(cè)質(zhì)量，推動(dòng)公司治理改善和資本市場(chǎng)資源高效配置。