Can Analyst Tracking Enhance Corporate Real Innovation Output? Concurrently Discussing the Text Interpretation of Research Reports
-
摘要: 在中国资本市场情境下，分析师追踪能否通过挖掘基本面信息缓解信息不对称及代理问题，进而提升企业真实创新产出水平，还需要进行科学论证与检验。利用专利数据，从知识宽度、专利引用等维度测算企业真实创新产出水平，探讨分析师追踪对企业真实创新产出的影响，并进一步解读分析师报告文本，识别分析师挖掘的哪些基本面信息更有助于提升企业创新绩效。研究发现：分析师追踪有助于提升企业真实创新产出水平，实现企业创新数量与创新质量的双提升。信息机制在分析师追踪影响企业真实创新产出过程中占据主导地位，分析师追踪有助于缓解企业面临的信息不对称及代理问题，从而降低企业融资约束，增强管理层研发创新的动机。分析师研报文本解读发现，研报信息方面，分析师研报信息含量越高，对企业创新的提升效果越强，并且分析师研报中财务信息占比越高，对企业创新的提升效果越强；研报主题方面，分析师研报中有关创新主题、业绩与市场表现主题的报告越多，对企业创新的提升效果越强，并且创新主题报告的创新激励作用高于业绩与市场表现主题。Abstract: In the context of China's capital market, can analyst tracking alleviate information asymmetry and agency problems by mining fundamental information, and thereby improve the level of real innovation output of enterprises? This question still needs to be scientifically demonstrated and tested. Measuring the real innovation output level of enterprises from the dimensions of knowledge breadth and patent citations based on patent data, this paper aims to analyze the impact of analyst tracking on the real innovation output of enterprises, and further interpret the text of the analyst report to identify the fundamental information mined by the analyst, which helps to improve the innovation performance of enterprises. It is found that analyst tracking can improve the real innovation output level of enterprises, and realize the double improvement of innovation quantity and innovation quality of enterprises; information mechanism plays a dominant role in the process of analyst tracking affecting the real innovation output of enterprises; analyst tracking can help alleviate the information asymmetry and agency problems faced by enterprises, thereby reducing corporate financing constraints and enhancing management's motivation for R&D innovation. The interpretation of the analyst research report text indicted that in terms of research report information, the higher the information content of the analyst research report, the stronger the improvement effect on enterprise innovation, and the higher the proportion of financial information in the analyst research report, the stronger the improvement effect on enterprise innovation. In terms of research report themes, the more reports on innovation topics, performance and market performance topics in analysts' research reports, the stronger the improvement effect on corporate innovation, and the innovation incentive effect of innovation topic reports is higher than that of performance and market performance topics.
-
Key words:
- analyst tracking /
- corporate innovation /
- patent quality /
- research report information /
- text analysis /
- analyst /
- innovative quality
-
一、 引言
习近平总书记在党的十九大报告中指出，创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。近年来我国专利申请量出现“井喷式”增长，根据国家知识产权局年报，2018年我国发明专利申请量为154.2万件，同比增长11.6%，实现了“十三五”规划以来的最快增速。事实上，早在2012年我国专利申请总量就已经跃居世界第一。然而，中国自主创新能力、高科技领域创新质量等是否在专利数量爆发的同时得到同步提升，仍需进行科学的考量与评判。不可回避的是，我国正面临全球价值链重构、“逆全球化”趋势演进以及全球创新源美国技术封锁等全新局面，迫切需要提升本国企业的创新水平，强化国家战略科技力量。作为金融市场的特殊中介，分析师追踪能否通过挖掘基本面信息缓解信息不对称及代理问题，进而提升企业真实创新产出水平，已经成为社会各界广泛关注的焦点问题，亟待进一步研究。本文从创新数量与创新质量维度，探讨分析师追踪对企业真实创新产出的影响，并进一步解读分析师报告文本，识别分析师挖掘的哪些基本面信息更有助于提升企业创新绩效。
学者们对于分析师追踪与企业创新之间的关系进行了大量的论证，但是并未达成共识，他们主要关注企业创新数量与机制的识别，却忽略了对创新质量以及研报文本的解读。徐欣和唐清泉(2010)[1]、陈钦源等(2017)[2]、余明桂等(2017)[3]等学者认为，信息机制在分析师追踪影响企业创新过程中占据主导作用，分析师追踪能够提升资本市场对创新活动的价值认同，吸引更多的资源流向创新活动，从而提升企业创新绩效，表现为专利数量的增加。不同的是，部分学者认为施压机制是分析师追踪影响企业创新的主要机制。如谢震和艾春荣(2014)[4]以我国创业板公司为研究对象，发现分析师关注给经理层带来了过大压力，从而可能引致企业经理层“重短期业绩而轻研发创新”的短视行为。韩美妮等(2021)[5]认为，分析师追踪影响企业创新的过程中信息机制与施压机制并存，当分析师数量超过一定的门槛时，施压机制将逐步凸显。此外，也有学者探讨分析师追踪对企业创新质量的影响，如He和Tian(2013)[6]利用美国上市公司数据的实证研究发现，分析师追踪阻碍了公司对长期创新项目的投资，抑制了企业创新数量与创新质量的提高。但与美国不同的是，中国资本市场股权相对集中，同时基础制度还不够健全(余明桂等，2017)[3]，因此，在中国资本市场情境下，分析师追踪如何影响企业创新质量仍然需要进行科学的论证与检验。
基于此，与现有研究相比，本文的边际贡献可能体现在如下方面：第一，在中国资本市场情境下，与分析师追踪相关的研究大都聚焦在盈余管理、市场反应、预测准确性以及企业创新数量等方面(余明桂等，2017；徐飞，2021；伊志宏等，2019；张宗新和杨万成，2016)[3, 7-9]，缺乏对企业创新质量的探讨。事实上，单独采用专利数量或者单独采用专利质量作为企业创新的代理变量，均不能客观地表征企业真实的创新产出水平。本文利用丰富的专利数据，从知识宽度、专利引用等多个维度构建了企业真实创新产出指标，探索性地检验了分析师追踪对企业真实创新产出的影响，不仅契合当下高质量发展导向的时代背景，而且有助于更全面地评估分析师追踪的创新激励效应。第二，本文对分析师报告进行了文本分析，识别分析师挖掘的哪些基本面信息更有助于促进企业创新，从而进一步拓展了分析师追踪与企业创新的研究方向，有助于更加深入理解分析师追踪影响企业创新的过程与原因。第三，科学评估了分析师追踪对中国企业真实创新产出的影响，厘清了分析师追踪影响企业创新绩效的微观机理，有助于更好发挥分析师等金融市场中介在激励本土企业创新、深度融入经济高质量发展方面的积极作用，为推动创新驱动发展战略与企业提质增效提供新的见解。
二、 理论分析与研究假说
信息机制与施压机制是分析师追踪影响企业真实创新产出的两种理论机制，科学识别出何种机制在企业真实创新产出变化中占据主导作用，有助于增进我们对分析师追踪影响企业创新的理解，为进一步规范信息中介机构的建设、推动企业高质量发展提供理论与经验支撑。
（一） 信息机制
企业面临的信息不对称主要包含两种形式：
一是股东与经理人之间的信息不对称，即委托代理问题。Beble和Means(1932)[10]开创性地揭示了所有权和控制权分离可能存在的潜在缺陷。在大公司中，股东将决策权委托给经理，经理有能力为自己的利益管理资源(Manso，2011)[11]。一方面，由于创新活动存在专业性、复杂性、不确定性等特征(Holmstrom，1989)[12]，股东难以对创新活动进行有效监督，同时也难以评估经理人在创新活动中的努力程度。模糊的权责关系可能会增强经理人攫取私利的动机，不利于企业更好地研发创新(陈钦源等，2017)[2]。另一方面，创新活动的复杂性与不确定性在增加公司股东监督成本的同时，也导致经理人难以向股东传递创新研发活动的价值信息，从而造成股东对企业价值的低估(Bhattacharya和Ritter，1983)[13]。股东对企业价值的低估可能对经理人研发创新活动产生负向激励作用，导致企业研发创新动机不足。外在监督机制与信息机制有利于缓解股东与企业经理人之间的委托代理问题，而分析师追踪恰好能够扮演这一角色。财务分析师从各种来源收集信息，评估他们所关注公司的当前表现，并对其未来前景做出预测，向当前和潜在投资者提供购买、持有或出售建议。如果分析师能够准确地将公司创新活动的价值信息传达给股东，将有助于增强管理层研发创新的动机(He和Tian，2013)[6]。
二是企业与外部投资者之间的信息不对称。企业与外部投资者之间的信息不对称决定了外部投资者的投资意愿，同时对企业融资约束也有较大影响，特别是对于科创企业而言，企业与投资者之间的信息不对称程度更为严重(杨洋等，2015)[14]。如果投资人不能获取企业当前的经营信息并预测其未来前景，则缺乏对该企业的投资动机。此外，企业研发创新活动具有周期长、资金量大等特征，需要长期的持续性的资金投入，尤其是一些核心技术的开发更加需要投入大量资金。然而，尽管企业融资问题已经引起政府的高度重视，但在现行的金融体制下，大量企业仍然面临融资难、融资贵的问题，难以从银行等正规金融机构获取信贷支持。创新活动的复杂性与高风险性特征使得外部投资者难以预测投资可能带来的未来利益，从而缺乏足够的动机支持企业进行研发创新。此时，分析师这一金融市场中介发挥了重要作用。分析师如果能够准确地将公司创新活动信息以及企业经营等信息传达给其他金融市场参与者，并帮助他们了解这些长期投资的实际价值，将有助于缓解企业与外部投资者之间的信息不对称程度，使外部投资者有更强的动机投资于前景良好的企业，通过降低企业融资约束的方式鼓励其进行研发创新。
（二） 施压机制
与信息机制相对应，分析师追踪也有可能会阻碍企业研发创新质量的提升，在此过程中施压机制占据主导地位(He和Tian，2013)[6]。与大众媒体关注或者媒体舆论类似，分析师追踪会给企业经营管理者带来外在市场压力。有学者从盈余管理角度对分析师追踪的施压机制进行了系统阐述。如于忠泊等(2011)[15]研究发现媒体关注通过资本市场发挥着公司治理的功能，一些重要媒体的负面报道可能引致股票价格以及收益率的大幅波动，给企业经理人造成巨大的短期业绩压力与市场压力，特别是在中国证券市场不成熟以及投资者专业化程度较低的情况下，股票价格以及收益率的大幅波动容易左右外部投资者的投资决策；一些有失偏颇的报道在社会舆论中可能被逐步放大，形成“意识形态偏差”与“轰动效应”(杨道广等，2017)[16]，最终影响投资人与经理人的投资决策。因而，基于风险规避与自身利益的考虑，企业经理人有足够的动机去迎合资本市场预期，确保股票价格与收益率维持在可控的区间内波动，避免出现媒体报道引导投资的“羊群效应”。
为最大化企业价值及股东财富，企业应该选择所有预期净现值(NPV)为正的投资项目(李文贵和余明桂，2012)[17]。然而，投资收益往往与投资风险成正比，企业经理人在进行风险投资决策时，不仅需要综合权衡投资收益与投资成本，同时还要兼顾投资失败对企业造成的影响以及如何应对危机的产生(邱洋冬，2020)[18]。对于创新投资而言，研发投入、研发产出以及产业化的各个环节都可能面临较强的不确定性，特别是在知识产权较为薄弱的地区，创新投资的风险性更大，企业投资收益的不确定性相对更高。因此，在分析师追踪引致的巨大资本市场压力下，容易引发企业经理层“重短期业绩而轻研发创新”的短视行为(谢震和艾春荣，2014)[4]。一方面，企业经理人为了迎合短期资本市场预期，势必减少部分长期资本投入项目，即便其预期净现值NPV为正，具有“高投入、高风险”特征的创新项目也会成为经理人首选的牺牲品，从而导致企业创新活动受阻；另一方面，对于失败的容忍是有效激励和培育创新的必要条件(Manso，2011)[11]。分析师追踪的施压机制可能通过降低企业经理人的失败容忍度，进而影响企业的创新投资行为，较低的失败容忍度可能使得企业投资过于保守，从而倾向于减少企业研发这一风险性投资。
简言之，分析师追踪影响企业创新存在信息机制与施压机制两种作用机制，且两种机制对企业真实创新产出水平的作用效果截然相反。信息机制主要解决信息不对称及代理问题，进而可提高企业真实创新产出水平；而施压机制则可能会引致企业经理人的短视行为，减少企业的创新投资，从而降低企业的真实创新产出水平。因此，本文提出以下竞争性研究假设：
假设1：基于信息机制，分析师追踪促进了企业真实创新产出水平的提升；
假设2：基于施压机制，分析师追踪抑制了企业真实创新产出水平的提升。
三、 研究设计
（一） 计量模型的设定
参照He和Tian(2013)[6]、陈钦源等(2017)[2]的研究，构建以下模型以检验分析师追踪对企业真实创新产出的影响：
$$ { Innovation }_{i t}=\alpha_{0}+\alpha_{1} { Analyst }_{i t}+\varphi X_{i t}+\gamma_{i}+\eta_{t}+\varepsilon_{i t} $$ (1) 其中，下标i表示企业、t代表年度，被解释变量Innovation为企业真实创新产出，以专利质量加权的发明专利数量来衡量，具体测算方法见下文。分析师追踪Analyst为主解释变量，参考徐欣和唐清泉(2010)[1]、朱红军等(2007)[19]、张纯和吕伟(2009)[20]的做法，采用追踪该公司的分析师数量来衡量分析师关注程度。一般来说，一家企业在某一年份可能同时受到多家券商机构的分析师追踪，且同一家券商机构一般不会临时更换追踪某一企业的分析师。因此，追踪企业的分析师数量越多，说明企业受分析师关注的程度越高。在稳健性检验中，采用券商数量以及分析师发布的研究报告数量来衡量分析师的关注程度。控制变量主要包括企业规模size、企业年龄firm_age、财务杠杆leverage、盈利能力ROA以及两职合一dual，具体测算方法如表 1所示。此外，模型中还加入了企业和时间双向固定效应，以缓解潜在的企业特征与宏观经济因素对估计结果的扰动。
表 1 变量定义变量符号 变量名称 定义 Knowledge 真实创新产出 Ln(1+知识宽度加权的发明专利数量) Knowledgemean 知识宽度 专利知识宽度均值 patent 专利总数 Ln(1+企业当年申请的所有类型专利总量) invent 发明专利数量 Ln(1+企业当年申请发明专利数量) utility 实用新型专利数量 Ln(1+企业当年申请实用新型专利数量) Analyst 分析师追踪 Ln(1+分析师数量) size 企业规模 员工人数的自然对数 firm_age 企业年龄 企业年龄的自然对数 leverage 财务杠杆 总负债与总资产的比值 ROA 盈利能力 净利润与总资产的比值 dual 两职合一 董事长与总经理是否为同一个体 （二） 真实创新产出水平的定义与测算
国内学者大都采用专利数量来衡量企业创新水平(黎文靖和郑曼妮，2016；寇宗来和刘学悦，2020)[21-22]，却忽略了专利质量这一重要维度。事实上，单纯采用专利数量或专利质量均无法较好地衡量企业真实的创新水平(邱洋冬，2020)[23]。为改进这一点，本文借鉴Trajtenberg(1990)[24]的思想，以专利质量加权的发明专利数量来表征企业真实创新产出水平，其中专利质量的测算参考Akcigit等(2016)[25]、Aghion等(2019)[26]的方法，以专利知识宽度来衡量。专利知识宽度测算主要基于赫芬达尔指数的逻辑思路，利用专利的分类号信息，从专利IPC分类号大组层面①计算出每个专利的专利质量。具体测算方法如下：$ { Quality }_{n}=1-\sum a_{j}^{2}$，其中aj为专利分类号中大组j所占的比重。可以看出，每个专利大组层面的分类号差异越大，专利涉及的知识范围越广，专利质量越高。此外，稳健性检验部分借鉴邱洋冬和陶锋(2021)[27]、Harhoff等(2003)[28]、Lerner(1994)[29]以及Lanjouw等(1998)[30]的方法，从专利引用、专利族以及专利范围三个维度来考察专利质量，研究结论保持稳健。
① 国际分类体系中采用“部-大类-小类-大组-小组”格式对专利进行分类，例如A61K31/576，其中第一个字母代表部，总共有A-H八个部；第二三位数字表示大类，第四位字母表示小类，小类后面是大组，大组与小组之间用“/”分割开。
（三） 内生性问题的讨论与解决方式
现有研究发现，研发投入越多、专利产出越大的企业，可能越容易受到财务分析师的关注(徐欣和唐清泉，2010；谢震和艾春荣，2014)[1, 4]，因此专利申请数量与分析师追踪之间可能天然存在反向因果关系，即可能存在内生性问题。然而本文研究的主题是分析师追踪对企业真实创新产出的影响，财务分析师更多是负责分析公司的财务状况，结合当前的经济金融环境对公司的所有投融资项目做出评估与分析，并向当前和潜在投资者提供购买、持有或出售建议(He和Tian，2013)[6]。而创新质量的识别是一个复杂的过程，“创新质量越高的企业越有可能受到财务分析师的关注”这一命题可能不成立，为了排除这种担忧，我们仍然借鉴Yu(2008)[31]的做法，对内生性问题做进一步处理。首先对分析师追踪变量进行如下回归：
$$ { Analyst }_{i t+1}=\alpha_{0}+\alpha_{1} { Size }_{i t}+\alpha_{2} { Roa }_{i t}+\alpha_{3} { Tobing }_{i t}+\alpha_{4} { Patent }_{i t}+\eta_{t}+\gamma_{i}+\varepsilon_{i t} $$ (2) 回归得到的残差能够较好地反映分析师追踪中无法被公司规模、经营业绩、创新产出等所解释的因素，进一步将回归残差替代模型式(1)中的分析师追踪变量，以此缓解基准模型的内生性问题。
（四） 数据来源与描述性统计
考虑到专利从申请到公布存在一定的时间间隔，2018年及以后的企业专利申请可能尚未公布，因此本文将样本区间设定为2004—2017年。具体选取2004—2017年中国沪深两市A股上市公司的财务数据作为基础样本，并遵循研究惯例进行如下处理：剔除ST、PT样本；剔除金融、保险类公司样本；剔除主要变量缺失的样本；为克服极端值对估计结果的影响，对连续变量进行1%和99%分位的极端缩尾处理。文中分析师追踪数据来源于中国研究数据服务平台(CNRDS)，财务数据来源于CSMAR与Wind统计数据库，专利数据来源于Patentics专利智能检索分析平台。上市公司财务数据与专利数据的匹配主要参考He等(2018)[32]的做法。变量定义与描述性统计结果分别见表 1、表 2所示。
表 2 主要变量的描述性统计变量 N mean sd min max Knowledge 19 002 1.254 1.250 0.000 8.220 Knowledgemean 19 002 0.283 0.217 0.000 0.668 patent 19 002 2.306 1.680 0.000 9.547 invent 19 002 1.701 1.487 0.000 8.843 utility 19 002 1.686 1.592 0.000 8.864 Analyst 19 002 2.135 1.461 0.000 5.684 size 19 002 7.641 1.160 5.170 10.930 firm_age 19 002 2.596 0.421 1.099 3.367 leverage 19 002 0.411 0.205 0.049 0.894 ROA 19 002 0.044 0.055 -0.199 0.199 dual 19 002 0.252 0.434 0.000 1.000 四、 实证结果与分析
（一） 分析师追踪对企业真实创新产出的影响
信息机制与施压机制是分析师追踪影响企业创新的两种作用效果相反的机制，在中国资本市场情境下，究竟何种机制在企业真实创新产出变化过程中占据主导作用？表 3报告了分析师追踪对企业真实创新产出的影响结果。为保证结果的稳健性，采用逐步加入控制变量的方式依次加入企业特征变量。其中列(1)(2)为控制行业与年份固定效应的估计结果，列(3)为控制行业、省份与年份固定效应的估计结果，列(4)为控制企业与年份固定效应的估计结果。整体来看，在不同的控制变量集下，主解释变量Analyst的系数估计值均显著为正，说明分析师追踪有助于提升企业真实的创新产出水平，从而支持假设1，即信息机制占据主导地位。不失一般性，以列(4)的估计结果为基准展开讨论，Analyst的系数估计值为0.080 6，且在1%的水平下显著，说明分析师追踪对提升企业真实创新产出水平具有重要的激励作用，给定其他条件不变，分析师追踪每增加1%，企业知识宽度加权发明专利数量平均提升0.080 6%。
表 3 分析师追踪对企业真实创新产出的影响变量 (1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 0.283 2***(0.006 0) 0.184 5***(0.005 9) 0.175 6***(0.005 9) 0.080 6***(0.006 3) size 0.399 3***(0.009 0) 0.406 6***(0.009 0) 0.314 8***(0.014 6) firm_age 0.030 9(0.019 9) 0.029 3(0.019 9) 0.202 7***(0.064 0) leverage 0.193 3***(0.045 1) 0.232 8***(0.045 0) -0.027 9(0.056 5) ROA 0.031 4(0.148 0) -0.066 2(0.147 9) -0.444 0***(0.135 9) dual 0.033 5*(0.017 3) 0.013 5(0.017 3) 0.028 9(0.020 9) Constant 0.649 0***(0.013 0) -2.360 5***(0.077 9) -2.400 9***(0.078 0) -1.831 4***(0.184 4) 行业固定 YES YES YES NO 省份固定 NO NO YES NO 年份固定 YES YES YES YES 企业固定 NO NO NO YES Observations 19 002 19 002 19 002 18 739 R-squared 0.276 0.391 0.408 0.734 注：***、**与*分别表示通过1%、5%和10%水平的显著性，括号内数值为标准误。下表同。 （二） 分析师追踪对企业专利数量与专利质量的影响
基准回归结果显示，分析师追踪有助于提升企业真实的创新产出水平。然而对于企业来说，在分析师追踪过程中，其专利申请数量与专利质量之间可能存在一种最优选择，下面进一步从专利数量与专利质量两个维度探讨分析师追踪影响企业真实创新产出的内在机理。从表 4第(1)至(3)列的估计结果可以看出，在专利数量方面，分析师追踪变量Analyst的系数估计值均至少在1%的水平下显著为正，说明分析师追踪不仅有助于提升企业实用新型专利数量，还有助于提升企业发明专利数量。从第(4)列估计结果可以看出，在专利质量方面，Analyst的系数估计值为0.009 9，并通过1%的显著性检验，说明分析师追踪有助于提升企业发明专利质量。综上，分析师追踪有助于提升企业发明专利申请数量及质量。该结论从创新数量与创新质量两个方面较好地印证了分析师追踪过程中信息机制的存在，企业并没有在分析师追踪中扭曲创新动机，相反更加注重提升真实创新产出水平。
表 4 分析师追踪对企业专利数量与专利质量的影响变量 (1)
patent(2)
invent(3)
utility(4)
KnowledgemeanAnalyst 0.128 9***(0.008 6) 0.104 0***(0.007 5) 0.103 5***(0.008 0) 0.009 9***(0.001 6) size 0.405 8***(0.019 0) 0.376 4***(0.017 2) 0.354 0***(0.017 5) 0.017 5***(0.003 3) firm_age 0.298 5***(0.080 2) 0.280 8***(0.073 2) 0.130 5*(0.076 4) 0.049 4***(0.015 3) leverage -0.186 6**(0.077 0) -0.028 1(0.067 0) -0.143 5**(0.071 2) -0.052 4***(0.014 5) ROA -0.885 3***(0.191 4) -0.587 8***(0.163 6) -0.585 0***(0.175 1) -0.129 0***(0.037 4) dual -0.003 3(0.027 0) 0.018 3(0.024 4) -0.016 4(0.025 6) 0.003 0(0.005 4) Constant -1.738 9***(0.234 8) -2.099 1***(0.213 0) -1.499 3***(0.223 3) 0.025 0(0.044 2) 年份固定 YES YES YES YES 企业固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.756 0.743 0.754 0.402 （三） 稳健性检验
1. 更换分析师追踪变量测度方法
解释变量的测度方法可能会影响本文基本结论的可靠性，此处借鉴余明桂等(2017)[3]、谢震和艾春荣(2014)[4]的做法，采用追踪该公司的券商数量Analyst 2以及分析师发布的研究报告数量Analyst 3来衡量分析师的关注程度，并对模型(1)进行了重新估计，结果如表 5所示。由列(1)(2)的估计结果可知，与基准回归类似，无论是否添加控制变量，主解释变量Analyst 2的系数估计值均至少在1%水平下显著为正，说明分析师追踪有助于提升企业真实创新产出水平，基准结论稳健；由列(3)(4)的估计结果可知，无论是否添加控制变量，主解释变量Analyst 3的系数估计值均至少在1%的水平下显著为正。综上说明，在更换解释变量的测度方法后，分析师追踪有助于提升企业真实创新产出水平的结论仍然成立。
表 5 更换解释变量测度方法变量 (1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 2 0.134 0***(0.008 6) 0.1072***(0.008 7) Analyst 3 0.083 3***(0.005 0) 0.064 2***(0.005 1) 控制变量 NO YES NO YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.722 0.734 0.722 0.734 2. 更换真实创新产出变量测度方法
基准回归中，本文从知识宽度维度测算企业真实创新水平，除此之外，专利引用、专利族以及专利范围也是衡量企业真实创新水平的重要维度(邱洋冬和陶锋2021；Harhoff等，2003；Lerner，1994；Lanjouw等，1998)[27-30]。基于稳健性考虑，从以上三个维度对企业真实创新产出水平重新进行测度，并对基准模型进行重新估计，结果如表 6所示。由列(1)的估计结果可知，当采用前向索引加权发明专利数量(Citation)衡量企业真实创新产出水平时①，分析师追踪Analyst的系数估计值在1%的水平下显著为正，给定其他条件不变，Analyst每增加1%，企业前向索引加权发明专利数量平均提升0.127 3%；列(2)的估计结果说明，当采用专利族加权发明专利数量(Family)衡量企业真实创新产出水平时，Analyst的系数估计值在1%的水平下显著为正，给定其他条件不变，分析师追踪每增加1%，企业专利族加权发明专利数量平均提升0.084 7%；由列(3)可知，当采用专利范围加权发明专利数量(IPCNumber)衡量企业真实创新产出水平时，Analyst的系数估计值在1%的水平下显著为正，给定其他条件不变，分析师追踪每增加1%，企业专利范围加权发明专利数量平均提升0.112 7%。
表 6 更换被解释变量测度方法变量 (1)
Citation(2)
Family(3)
IPCNumberAnalyst 0.127 3***(0.015 6) 0.084 7***(0.007 2) 0.112 7***(0.008 6) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 10 770 18 739 18 739 R-squared 0.699 0.710 0.722 ① 考虑到专利引用存在递减效应与累积效应(Hall等，2005)[33]，本文以每项专利在未来六年的被引数量作为专利质量的衡量指标，并以专利质量加权发明专利数量衡量企业真实创新产出水平。因此，当采用前向索引加权发明专利数量(Citation)衡量企业真实创新产出水平时，样本区间设置为2004—2013年。
3. 基于内生性处理的稳健性检验
为缓解内生性的干扰，首先对式(2)进行估计并提取残差结果，然后替代原来的分析师追踪变量对模型(1)进行再估计，结果如表 7所示。其中Analyst_adj为式(2)的估计残差，主要关注其系数的大小与方向。从表 7的估计结果可知，无论是采用知识宽度加权发明专利数量(Knowledge)衡量企业真实创新产出水平，还是采用前向索引加权的发明专利数量(Citation)、专利族加权的发明专利数量(Family)以及专利范围加权发明专利数量(IPCNumber)衡量企业真实创新产出水平，主解释变量Analyst_adj的系数估计值均至少在5%的水平下显著为正，说明企业真实创新产出水平受分析师追踪的正面影响较大。由此表明，在尽可能排除内生性的情况下，分析师追踪仍然显著提升了企业的真实创新产出水平，结论未发生实质性变化，从而假设1得证。
表 7 内生性处理结果变量 (1)
Knowledge(2)
Citation(3)
Family(4)
IPCNumberAnalyst_adj 0.026 4***(0.007 1) 0.039 9**(0.019 0) 0.028 3***(0.008 2) 0.033 5***(0.009 6) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 15 639 8 726 15 639 15 639 R-squared 0.754 0.729 0.735 0.741 4. 遗漏变量的处理
影响企业真实创新产出水平的因素较为繁杂，可能面临遗漏不可观测因素导致的内生性问题。一方面，考虑到省级层面经济发展程度、知识产权保护、对外开放度、财政税收和可能存在差异的地方专利政策、地方申请补贴政策等因素都可能影响企业专利行为与创新绩效，本文在基准模型中加入省份-年份固定效应，以控制省份层面因素对结果的干扰，检验结果如表 8 Panel A所示。在知识宽度、前向索引、专利族以及专利范围四个维度上，主解释变量Analyst的系数估计值均至少在1%的水平下显著为正，说明在控制随时间变化的省份因素后结论仍然稳健，进一步支持假设1。另一方面，考虑到行业市场化进程、产业政策、行业规制等因素都可能会影响企业的创新绩效，因此在基准模型中加入行业-年份固定效应，以控制行业层面因素对结果的干扰，检验结果如表 8 Panel B所示。在知识宽度、前向索引、专利族以及专利范围四个维度上，主解释变量Analyst的系数估计值均至少在1%的水平下显著为正，说明在控制随时间变化的行业因素后结论仍然稳健，从而进一步支持了假设1。
表 8 遗漏变量处理的结果Panel A (1)
Knowledge(2)
Citation(3)
Family(4)
IPCNumberAnalyst 0.078 8***(0.006 3) 0.123 5***(0.015 9) 0.082 4***(0.007 3) 0.110 2***(0.008 7) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES 省份×年份 YES YES YES YES Observations 18 739 10 770 18 739 18 739 R-squared 0.744 0.712 0.720 0.733 Panel B (5)
Knowledge(6)
Citation(7)
Family(8)
IPCNumberAnalyst 0.083 5***(0.006 2) 0.128 5***(0.015 6) 0.087 6***(0.007 2) 0.117 0***(0.008 5) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES 行业×年份 YES YES YES YES Observations 18 739 10 770 18 739 18 739 R-squared 0.737 0.701 0.712 0.725 5. 其他稳健性检验结果
首先，考虑不同聚类层级的稳健性检验。不同层级聚类所隐含的对扰动项方差协方差结构的假设不同，聚类层级越高，隐含的假设越弱，标准误估计越稳健，估计系数的显著性也越低。为了检验不同聚类层级下的模型估计结果是否稳健，将基准回归的聚类层级依次设定为省份、省份-年份、行业-年份以及省份-行业，检验结果如表 9所示。在更换不同聚类标准误形式时，分析师追踪变量Analyst的系数估计值保持不变，唯一变化的是系数估计值的显著性，然而如表 9 Panel A所示，无论采用何种聚类形式，Analyst系数估计值均在较高的水平上保持显著，说明分析师追踪有助于提升企业真实创新产出水平的基准结论稳健。
表 9 其他稳健性检验结果Panel A：
不同聚类层级(1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 0.080 6***(0.007 4) 0.080 6***(0.010 9) 0.080 6***(0.011 9) 0.080 6***(0.007 8) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.734 0.734 0.734 0.734 聚类层级 省份 省份、年份 行业、年份 省份、行业 Panel B：
剔除直辖市企业样本(5)
Knowledge(6)
Citation(7)
Family(8)
IPCNumberAnalyst 0.080 5***(0.006 8) 0.131 4***(0.016 9) 0.083 2***(0.007 8) 0.113 4***(0.009 4) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 15 351 8 846 15 351 15 351 R-squared 0.723 0.684 0.697 0.711 其次，考虑到直辖市与其他地区在资源禀赋、金融发展水平等方面可能存在较大差异，在剔除直辖市这一特殊样本后对模型进行再估计，结果如表 9 Panel B所示。在知识宽度、前向索引、专利族以及专利范围四个维度上，主解释变量Analyst的系数估计值仍然均至少在1%的水平下显著为正，表明在剔除直辖市样本后基准结论仍然稳健，从而进一步支持了假设1。
（四） 作用机制检验
上述实证研究结论支持假设1，即分析师追踪有助于提升企业真实创新产出水平，由此我们推测在作用过程中信息机制占据主导地位。为了验证这一猜想，下面对分析师追踪影响企业创新绩效的信息机制进行识别检验。一方面，采用研发投入(RD)与研发人员投入(RDPerson)来反映企业管理层研发创新的动机与努力程度。如果分析师追踪能够有效降低股东与经理人之间的信息不对称，那么将有助于增强管理层研发创新的动机，从而提升企业研发创新投资。另一方面，借鉴鞠晓生等(2013)[34]的做法构建SA指数，其绝对值越大说明企业的融资约束越严重。如果分析师追踪有助于降低企业与外部投资者之间的信息不对称，则外部投资者有更强的动机投资具有更好前景的企业，那么将有助于降低企业融资约束，提升企业真实创新水平。表 10报告了分析师追踪影响企业创新绩效的信息机制检验结果，可以看出，当被解释变量为融资约束(SA)时，Analyst的系数估计值在1%的水平下显著为负，说明分析师追踪有助于降低企业与外部投资者之间的信息不对称，进而能提升企业的融资可得性；当被解释变量为研发投入(RD)和研发人员(RDPerson)时，Analyst的系数估计值均在1%的水平下显著为正，说明分析师追踪能够有效降低股东与经理人之间的信息不对称，增强管理层研发创新的动机，研发经费投入与研发人员投入将增加。
表 10 作用机制检验结果变量 (1)
融资约束
SA(2)
研发投入
RD(3)
研发人员
RDPersonAnalyst -0.049 0***(0.002 9) 0.071 3***(0.018 9) 0.036 0***(0.008 7) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 18 739 18 739 18 739 R-squared 0.764 0.746 0.874 （五） 分析师声誉与企业创新绩效
分析师声誉是市场作为第三方对分析师能力的认可，一般而言，声誉较好的分析师其追踪报道可能更具权威性与影响力(余明桂等，2017)[3]。因此，股东与外部投资者可能更加关注具有一定声誉的分析师追踪报告。与一般分析师相比，明星分析师更加关注企业的特质信息(伊志宏和江轩宇，2013)[35]，不仅对企业本身特质以及发展前景有着更好地了解与把握，其对市场的预测也相对更为准确(Clarke等，2007)[36]。那么，分析师声誉如何影响企业创新？明星分析师的参与能否提升分析师追踪的创新激励作用？本文进一步对此进行实证检验，结果如表 11所示。其中第(1)列为基准回归结果，第(2)列将分析师追踪细分为明星分析师追踪(Star)与非明星分析师追踪(Nostar)，可以发现这两种类型的分析师追踪对企业真实创新产出均具有显著的促进作用。第(3)列在基准模型的基础上加入是否含有明星分析师的哑变量(Stardum)以及分析师追踪与是否含有明星分析师的交互项(Analyst×Stardum)，结果显示，交互项的系数估计值在1%的水平下显著为正，说明明星分析师的参与对于提升分析师追踪的创新激励作用具有重要的积极意义。
表 11 分析师声誉与企业创新绩效变量 (1)
Knowledge(2)
Knowledge(3)
KnowledgeAnalyst 0.080 6***(0.006 3) 0.072 2***(0.008 9) Star 0.015 9*(0.008 3) Nostar 0.078 3***(0.007 2) Analyst×Stardum 0.041 8***(0.012 8) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 18 739 18 739 18 739 R-squared 0.734 0.735 0.735 五、 扩展性研究：分析师报告文本解读
上文的实证研究检验了分析师追踪对企业真实创新产出的影响，发现分析师追踪在创新数量及创新质量上均有助于提升企业真实创新产出水平。下面将深度解读分析师报告文本，探讨分析师报告信息含量以及分析师报告的主题范围对企业真实创新产出的影响，识别分析师挖掘的哪些基本面信息更有助于提升企业创新绩效，以期丰富分析师追踪影响企业创新的相关研究。
（一） 分析师报告信息含量与企业创新
首先，对分析师研报进行文本分析，计算出每份研报的句子总数以及每一公司年度内分析师研报句子总数(Sent)，以刻画研报的信息含量，检验结果如表 12 Panel A所示。在知识宽度、专利族和专利范围三个企业真实创新产出维度上①，主解释变量Sent的系数估计值均至少在1%的水平下显著为正，说明分析师研报信息含量越高，对企业创新的提升效果越强。其次，对分析师研报中包含财务信息的句子进行识别，计算出财务信息句子总数，以检验研报财务信息含量对企业创新的影响，结果如表 12 Panel B所示。在三个企业真实创新产出维度上，主解释变量Finsent的系数估计值均至少在1%的水平下显著为正，说明分析师研报财务信息含量越高，对企业创新的提升效果越强。再次，计算研报中财务信息所占比重(Finrate)，以检验分析师研报中财务信息的重要性，检验结果如表 12 Panel C所示。在三个企业真实创新产出维度上，主解释变量Finrate的系数估计值均至少在1%的水平下显著为正，说明分析师研报中财务信息占比越高，对企业创新的提升效果越强。结论符合现实逻辑，分析师追踪主要通过信息机制影响企业创新，因此，分析师追踪降低企业与外部投资者的信息不对称，缓解企业融资约束是促进企业创新的重要原因，而企业的财务状况往往是外部投资者较为关注的信息。
表 12 分析师报告信息含量与企业创新Panel A (1)
Knowledge(2)
Family(3)
IPCNumberSent 0.027 9***(0.002 9) 0.031 5***(0.003 4) 0.042 4***(0.004 0) Observations 14 975 14 975 14 975 R-squared 0.774 0.751 0.755 Panel B (4)
Knowledge(5)
Family(6)
IPCNumberFinsent 0.033 7***(0.003 6) 0.038 6***(0.004 2) 0.051 5***(0.005 0) Observations 14 975 14 975 14 975 R-squared 0.774 0.751 0.755 Panel C (7)
Knowledge(8)
Family(9)
IPCNumberFinrate 0.327 3***(0.051 1) 0.386 1***(0.059 5) 0.493 7***(0.071 9) Observations 14 975 14 975 14 975 R-squared 0.773 0.750 0.754 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES ① 本文分析师研报文本分析的起始时间为2009年，如果采用前向索引加权发明专利数量衡量企业真实创新产出数量，将牺牲大量样本。因此，在扩展研究部分本文采用其他三种维度刻画企业真实创新产出水平。当然，采用前向索引加权发明专利数量衡量企业真实创新产出，其结论仍然稳健。
（二） 分析师研报主题范围与企业创新
一份分析师报告可能存在多个主题，如产品类型、具体业务、公司业绩、生产经营等等，分析师研报主题范围越广，对企业的描述越全面与综合。首先，计算每一公司年度内分析师研报主题数量之和(Topic)，以此反映当年追踪该企业的分析师研报主题范围。表 13 Panel A报告了分析师研报主题范围影响企业真实创新产出的检验结果，在知识宽度、专利族和专利范围三个企业真实创新产出维度上，主解释变量Topic的系数估计值均至少在1%的水平下显著为正，说明分析师研报主题范围越广，对企业创新的提升效果越强。其次，将研报主题细分为创新主题、业绩与市场表现主题以及其他主题，探讨不同研报主题对企业创新绩效的影响。观察表 13 Panel B的估计结果，发现创新主题(Innov)、业绩与市场表现主题(Perform)的系数估计值均至少在1%的水平下显著为正，但创新主题的系数估计值明显大于业绩与市场表现主题，说明分析师研报中有关创新主题、业绩与市场表现主题的报告越多，对企业创新的提升效果越强，并且创新主题报告的创新激励作用明显高于业绩与市场表现主题。表 13 Panel C的估计结果进一步支持了这一观点，创新主题占比(Innovrate)的系数估计值均至少在1%的水平下显著为正，说明分析师研报中创新主题占比越高，对企业创新的提升效果越强。原因可能在于，分析师研报中创新主题占比越高，越有助于提升资本市场对创新活动的价值认同，并吸引更多的资源流向创新活动，从而提升企业真实创新产出水平。
表 13 分析师研报主题范围与企业创新Panel A (1)
Knowledge(2)
Family(3)
IPCNumberTopic 0.070 2***(0.007 4) 0.080 1***(0.008 6) 0.105 1***(0.010 4) R-squared 0.774 0.751 0.755 Panel B (4)
Knowledge(5)
Family(6)
IPCNumberInnov 0.181 4***(0.042 1) 0.336 9***(0.053 6) 0.213 6***(0.057 2) Perform 0.141 6***(0.026 4) 0.117 5***(0.031 3) 0.137 4***(0.035 0) Other -0.002 6(0.015 5) 0.015 5(0.018 2) 0.037 3*(0.020 8) R-squared 0.774 0.753 0.755 Panel C (7)
Knowledge(8)
Family(9)
IPCNumberInnovrate 1.646 8***(0.321 9) 2.730 0***(0.395 1) 2.097 8***(0.450 0) R-squared 0.772 0.751 0.753 Observations 14 975 14 975 14 975 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES 六、 主要结论与对策
在中国资本市场情境下，学者们对于分析师追踪影响企业创新的相关研究大都聚焦在创新数量方面，对于企业创新质量的考察以及分析师报告文本的深度分析则较为匮乏。基于此，本文一方面从专利数量与专利质量两个维度，探讨分析师追踪影响企业真实创新产出的作用效果与微观机制；另一方面，通过深度解读分析师报告文本，探讨分析师报告信息含量以及分析师报告的主题范围对企业真实创新产出的影响，以识别分析师挖掘的哪些基本面信息更有助于提升企业创新绩效。研究发现：一是分析师追踪有助于提升企业真实创新产出水平，该结论在经过一系列稳健性检验后依然成立；二是信息机制在分析师追踪影响企业真实创新产出过程中占据主导地位，分析师追踪有助于缓解企业面临的信息不对称及代理问题，降低企业融资约束，增强管理层研发创新的动机；三是在区别创新数量与创新质量的情况下，分析师追踪既有助于提升企业专利数量，也有助于提升企业专利质量；四是明星分析师的参与对于提升分析师追踪的创新激励作用具有重要的积极意义；五是分析师研报信息含量越高，对企业创新的提升效果越强，并且分析师研报中财务信息占比越高，对企业创新的提升效果越强；六是分析师研报中有关创新主题、业绩与市场表现主题的报告越多，对企业创新的提升效果越强，并且创新主题报告的创新激励作用明显高于业绩与市场表现主题。
上述研究结论从分析师追踪视角为推动企业创新发展指出了方向，同时具有重要的政策启示作用。首先，在当前双循环新发展格局背景下，面对全球创新源美国的技术封锁，如何激励本土企业创新并深度融入经济高质量发展，是当前以及未来一段时间经济政策改革的重点以及难点。本文发现分析师追踪有助于缓解企业面临的信息不对称及代理问题，有利于降低企业融资约束，进而提升企业真实创新产出水平，因此，在大力推行创新政策的同时，政府应充分认识到分析师这一特殊中介队伍对企业创新发展的重要作用，积极完善证券分析师制度，加强分析师队伍建设，以更好发挥分析师在信息收集与信息传播方面的中介作用，进而更好地服务于企业创新与经济高质量发展。其次，分析师研报中有关创新主题、业绩与市场表现主题的报告越多，对企业创新的提升效果越强，且创新主题报告的创新激励作用明显高于业绩与市场表现主题。鉴于目前有关企业创新主题的分析师报告占比仍然处于较低水平，建议政府积极引导证券分析师关注企业创新情况，提升资本市场对创新活动的价值认同，吸引更多的资源流向创新活动；企业在财务报告或年度报告中适当披露研发情况，而这可能是降低信息不对称、提升企业创新的重要途径之一。
-
表 1 变量定义
变量符号 变量名称 定义 Knowledge 真实创新产出 Ln(1+知识宽度加权的发明专利数量) Knowledgemean 知识宽度 专利知识宽度均值 patent 专利总数 Ln(1+企业当年申请的所有类型专利总量) invent 发明专利数量 Ln(1+企业当年申请发明专利数量) utility 实用新型专利数量 Ln(1+企业当年申请实用新型专利数量) Analyst 分析师追踪 Ln(1+分析师数量) size 企业规模 员工人数的自然对数 firm_age 企业年龄 企业年龄的自然对数 leverage 财务杠杆 总负债与总资产的比值 ROA 盈利能力 净利润与总资产的比值 dual 两职合一 董事长与总经理是否为同一个体 
下载: 导出CSV
表 2 主要变量的描述性统计
变量 N mean sd min max Knowledge 19 002 1.254 1.250 0.000 8.220 Knowledgemean 19 002 0.283 0.217 0.000 0.668 patent 19 002 2.306 1.680 0.000 9.547 invent 19 002 1.701 1.487 0.000 8.843 utility 19 002 1.686 1.592 0.000 8.864 Analyst 19 002 2.135 1.461 0.000 5.684 size 19 002 7.641 1.160 5.170 10.930 firm_age 19 002 2.596 0.421 1.099 3.367 leverage 19 002 0.411 0.205 0.049 0.894 ROA 19 002 0.044 0.055 -0.199 0.199 dual 19 002 0.252 0.434 0.000 1.000
下载: 导出CSV
表 3 分析师追踪对企业真实创新产出的影响
变量 (1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 0.283 2***(0.006 0) 0.184 5***(0.005 9) 0.175 6***(0.005 9) 0.080 6***(0.006 3) size 0.399 3***(0.009 0) 0.406 6***(0.009 0) 0.314 8***(0.014 6) firm_age 0.030 9(0.019 9) 0.029 3(0.019 9) 0.202 7***(0.064 0) leverage 0.193 3***(0.045 1) 0.232 8***(0.045 0) -0.027 9(0.056 5) ROA 0.031 4(0.148 0) -0.066 2(0.147 9) -0.444 0***(0.135 9) dual 0.033 5*(0.017 3) 0.013 5(0.017 3) 0.028 9(0.020 9) Constant 0.649 0***(0.013 0) -2.360 5***(0.077 9) -2.400 9***(0.078 0) -1.831 4***(0.184 4) 行业固定 YES YES YES NO 省份固定 NO NO YES NO 年份固定 YES YES YES YES 企业固定 NO NO NO YES Observations 19 002 19 002 19 002 18 739 R-squared 0.276 0.391 0.408 0.734 注：***、**与*分别表示通过1%、5%和10%水平的显著性，括号内数值为标准误。下表同。
下载: 导出CSV
表 4 分析师追踪对企业专利数量与专利质量的影响
变量 (1)
patent(2)
invent(3)
utility(4)
KnowledgemeanAnalyst 0.128 9***(0.008 6) 0.104 0***(0.007 5) 0.103 5***(0.008 0) 0.009 9***(0.001 6) size 0.405 8***(0.019 0) 0.376 4***(0.017 2) 0.354 0***(0.017 5) 0.017 5***(0.003 3) firm_age 0.298 5***(0.080 2) 0.280 8***(0.073 2) 0.130 5*(0.076 4) 0.049 4***(0.015 3) leverage -0.186 6**(0.077 0) -0.028 1(0.067 0) -0.143 5**(0.071 2) -0.052 4***(0.014 5) ROA -0.885 3***(0.191 4) -0.587 8***(0.163 6) -0.585 0***(0.175 1) -0.129 0***(0.037 4) dual -0.003 3(0.027 0) 0.018 3(0.024 4) -0.016 4(0.025 6) 0.003 0(0.005 4) Constant -1.738 9***(0.234 8) -2.099 1***(0.213 0) -1.499 3***(0.223 3) 0.025 0(0.044 2) 年份固定 YES YES YES YES 企业固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.756 0.743 0.754 0.402
下载: 导出CSV
表 5 更换解释变量测度方法
变量 (1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 2 0.134 0***(0.008 6) 0.1072***(0.008 7) Analyst 3 0.083 3***(0.005 0) 0.064 2***(0.005 1) 控制变量 NO YES NO YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.722 0.734 0.722 0.734
下载: 导出CSV
表 6 更换被解释变量测度方法
变量 (1)
Citation(2)
Family(3)
IPCNumberAnalyst 0.127 3***(0.015 6) 0.084 7***(0.007 2) 0.112 7***(0.008 6) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 10 770 18 739 18 739 R-squared 0.699 0.710 0.722
下载: 导出CSV
表 7 内生性处理结果
变量 (1)
Knowledge(2)
Citation(3)
Family(4)
IPCNumberAnalyst_adj 0.026 4***(0.007 1) 0.039 9**(0.019 0) 0.028 3***(0.008 2) 0.033 5***(0.009 6) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 15 639 8 726 15 639 15 639 R-squared 0.754 0.729 0.735 0.741
下载: 导出CSV
表 8 遗漏变量处理的结果
Panel A (1)
Knowledge(2)
Citation(3)
Family(4)
IPCNumberAnalyst 0.078 8***(0.006 3) 0.123 5***(0.015 9) 0.082 4***(0.007 3) 0.110 2***(0.008 7) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES 省份×年份 YES YES YES YES Observations 18 739 10 770 18 739 18 739 R-squared 0.744 0.712 0.720 0.733 Panel B (5)
Knowledge(6)
Citation(7)
Family(8)
IPCNumberAnalyst 0.083 5***(0.006 2) 0.128 5***(0.015 6) 0.087 6***(0.007 2) 0.117 0***(0.008 5) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES 行业×年份 YES YES YES YES Observations 18 739 10 770 18 739 18 739 R-squared 0.737 0.701 0.712 0.725
下载: 导出CSV
表 9 其他稳健性检验结果
Panel A：
不同聚类层级(1)
Knowledge(2)
Knowledge(3)
Knowledge(4)
KnowledgeAnalyst 0.080 6***(0.007 4) 0.080 6***(0.010 9) 0.080 6***(0.011 9) 0.080 6***(0.007 8) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 18 739 18 739 18 739 18 739 R-squared 0.734 0.734 0.734 0.734 聚类层级 省份 省份、年份 行业、年份 省份、行业 Panel B：
剔除直辖市企业样本(5)
Knowledge(6)
Citation(7)
Family(8)
IPCNumberAnalyst 0.080 5***(0.006 8) 0.131 4***(0.016 9) 0.083 2***(0.007 8) 0.113 4***(0.009 4) 控制变量 YES YES YES YES 企业固定 YES YES YES YES 年份固定 YES YES YES YES Observations 15 351 8 846 15 351 15 351 R-squared 0.723 0.684 0.697 0.711
下载: 导出CSV
表 10 作用机制检验结果
变量 (1)
融资约束
SA(2)
研发投入
RD(3)
研发人员
RDPersonAnalyst -0.049 0***(0.002 9) 0.071 3***(0.018 9) 0.036 0***(0.008 7) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 18 739 18 739 18 739 R-squared 0.764 0.746 0.874
下载: 导出CSV
表 11 分析师声誉与企业创新绩效
变量 (1)
Knowledge(2)
Knowledge(3)
KnowledgeAnalyst 0.080 6***(0.006 3) 0.072 2***(0.008 9) Star 0.015 9*(0.008 3) Nostar 0.078 3***(0.007 2) Analyst×Stardum 0.041 8***(0.012 8) 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES Observations 18 739 18 739 18 739 R-squared 0.734 0.735 0.735
下载: 导出CSV
表 12 分析师报告信息含量与企业创新
Panel A (1)
Knowledge(2)
Family(3)
IPCNumberSent 0.027 9***(0.002 9) 0.031 5***(0.003 4) 0.042 4***(0.004 0) Observations 14 975 14 975 14 975 R-squared 0.774 0.751 0.755 Panel B (4)
Knowledge(5)
Family(6)
IPCNumberFinsent 0.033 7***(0.003 6) 0.038 6***(0.004 2) 0.051 5***(0.005 0) Observations 14 975 14 975 14 975 R-squared 0.774 0.751 0.755 Panel C (7)
Knowledge(8)
Family(9)
IPCNumberFinrate 0.327 3***(0.051 1) 0.386 1***(0.059 5) 0.493 7***(0.071 9) Observations 14 975 14 975 14 975 R-squared 0.773 0.750 0.754 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES
下载: 导出CSV
表 13 分析师研报主题范围与企业创新
Panel A (1)
Knowledge(2)
Family(3)
IPCNumberTopic 0.070 2***(0.007 4) 0.080 1***(0.008 6) 0.105 1***(0.010 4) R-squared 0.774 0.751 0.755 Panel B (4)
Knowledge(5)
Family(6)
IPCNumberInnov 0.181 4***(0.042 1) 0.336 9***(0.053 6) 0.213 6***(0.057 2) Perform 0.141 6***(0.026 4) 0.117 5***(0.031 3) 0.137 4***(0.035 0) Other -0.002 6(0.015 5) 0.015 5(0.018 2) 0.037 3*(0.020 8) R-squared 0.774 0.753 0.755 Panel C (7)
Knowledge(8)
Family(9)
IPCNumberInnovrate 1.646 8***(0.321 9) 2.730 0***(0.395 1) 2.097 8***(0.450 0) R-squared 0.772 0.751 0.753 Observations 14 975 14 975 14 975 控制变量 YES YES YES 企业固定 YES YES YES 年份固定 YES YES YES
下载: 导出CSV
-
[1] 徐欣, 唐清泉. 财务分析师跟踪与企业R&D活动——来自中国证券市场的研究[J]. 金融研究, 2010(12): 173-189. [2] 陈钦源, 马黎珺, 伊志宏. 分析师跟踪与企业创新绩效——中国的逻辑[J]. 南开管理评论, 2017(3): 15-27. doi: 10.3969/j.issn.1008-3448.2017.03.003 [3] 余明桂, 钟慧洁, 范蕊. 分析师关注与企业创新——来自中国资本市场的经验证据[J]. 经济管理, 2017(3): 175-192. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201703013.htm [4] 谢震, 艾春荣. 分析师关注与公司研发投入: 基于中国创业板公司的分析[J]. 财经研究, 2014(2): 108-119. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201402010.htm [5] 韩美妮, 王福胜, 林翰. 分析师跟踪会促进企业技术创新吗?——以中小板企业为例[J]. 审计与经济研究, 2021(4): 90-97. doi: 10.3969/j.issn.1004-4833.2021.04.009 [6] HE J J, TIAN X. The dark side of analyst coverage: the case of innovation[J]. Journal of Financial Economics, 2013, 109(3): 856-878. doi: 10.1016/j.jfineco.2013.04.001 [7] 徐飞. 放松卖空管制、分析师评级与股价崩盘风险——基于机构持股与溢价并购的机制检验[J]. 安徽师范大学学报: 人文社会科学版, 2021(4): 106-121. https://www.cnki.com.cn/Article/CJFDTOTAL-AHSD202104013.htm [8] 伊志宏, 杨圣之, 陈钦源. 分析师能降低股价同步性吗——基于研究报告文本分析的实证研究[J]. 中国工业经济, 2019(1): 156-173. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201901012.htm [9] 张宗新, 杨万成. 声誉模式抑或信息模式: 中国证券分析师如何影响市场?[J]. 经济研究, 2016(9): 104-117. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201609009.htm [10] BERLE A, GARDINER M. The modern corporation and private property [M]. London: Macmillan, 1932. [11] MANSO G. Motivating innovation[J]. The Journal of Finance, 2011, 66(5): 1823-1860. doi: 10.1111/j.1540-6261.2011.01688.x [12] HOLMSTROM B. Agency costs and innovation[J]. Journal of Economic Behavior & Organization, 1989, 12(3): 305-327. [13] BHATTACHARYA S, RITTER J R. Innovation and communication: signalling with partial disclosure[J]. The Review of Economic Studies, 1983, 50(2): 331-346. doi: 10.2307/2297419 [14] 杨洋, 魏江, 罗来军. 谁在利用政府补贴进行创新?——所有制和要素市场扭曲的联合调节效应[J]. 管理世界, 2015(1): 75-86. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201501010.htm [15] 于忠泊, 田高良, 齐保垒, 等. 媒体关注的公司治理机制——基于盈余管理视角的考察[J]. 管理世界, 2011(9): 127-140. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201109014.htm [16] 杨道广, 陈汉文, 刘启亮. 媒体压力与企业创新[J]. 经济研究, 2017(8): 125-139. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201708010.htm [17] 李文贵, 余明桂. 所有权性质、市场化进程与企业风险承担[J]. 中国工业经济, 2012(12): 115-127. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201212012.htm [18] 邱洋冬. 选择性产业政策如何影响企业绩效——来自高新技术企业资质认定的经验证据[J]. 广东财经大学学报, 2020(3): 84-97. https://xb.gdufe.edu.cn/article/id/552ad33d-1e9e-425b-9fd0-554aaa9ffaee [19] 朱红军, 何贤杰, 陶林. 中国的证券分析师能够提高资本市场的效率吗——基于股价同步性和股价信息含量的经验证据[J]. 金融研究, 2007(2): 110-121. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ200702010.htm [20] 张纯, 吕伟. 信息披露、信息中介与企业过度投资[J]. 会计研究, 2009(1): 60-65, 97. https://www.cnki.com.cn/Article/CJFDTOTAL-KJYJ200901012.htm [21] 黎文靖, 郑曼妮. 实质性创新还是策略性创新?——宏观产业政策对微观企业创新的影响[J]. 经济研究, 2016(4): 60-73. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201604005.htm [22] 寇宗来, 刘学悦. 中国企业的专利行为: 特征事实以及来自创新政策的影响[J]. 经济研究, 2020(3): 83-99. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202003009.htm [23] 邱洋冬. 开发区设立、区域偏向与企业创新提质[J]. 产业经济研究, 2020(4): 61-73. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202004005.htm [24] TRAJTENBERG M. A penny for your quotes: patent citations and the value of innovations[J]. The Rand Journal of Economics, 1990, 21(1): 172-187. [25] AKCIGIT U, BASLANDZE S, STANTCHEVA S. Taxation and the international mobility of inventors[J]. American Economic Review, 2016, 106(10): 2930-2981. [26] AGHION P, AKCIGIT U, BERGEAUD A, et al. Innovation and top income inequality[J]. The Review of Economic Studies, 2019, 86(1): 1-45. [27] 邱洋冬, 陶锋. 高新技术企业资质认定政策的有效性评估[J]. 经济学动态, 2021(2): 16-31. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXD202102002.htm [28] HARHOFF D, SCHERER F M, VOPEL K. Citations, family size, opposition and the value of patent rights[J]. Research policy, 2003, 32(8): 1343-1363. [29] LERNER J. The importance of patent scope: an empirical analysis[J]. The RAND Journal of Economics, 1994, 25(2): 319-333. [30] LANJOUW J O, PAKES A, PUTNAM J. How to count patents and value intellectual property: the uses of patent renewal and application data[J]. The Journal of Industrial Economics, 1998, 46(4): 405-432. [31] YU F F. Analyst coverage and earnings management[J]. Journal of Financial Economics, 2008, 88(2): 245-271. [32] HE Z L, TONG T W, ZHANG Y, et al. Constructing a Chinese patent database of listed firms in China: descriptions, lessons, and insights[J]. Journal of Economics & Management Strategy, 2018, 27(3): 579-606. [33] HALL B H, JAFFE A, TRAJTENBERG M. Market value and patent citations[J]. The RAND Journal of Economics, 2005, 1: 16-38. [34] 鞠晓生, 卢荻, 虞义华. 融资约束、营运资本管理与企业创新可持续性[J]. 经济研究, 2013(1): 4-16. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201301003.htm [35] 伊志宏, 江轩宇. 明星VS非明星: 分析师评级调整与信息属性[J]. 经济理论与经济管理, 2013(10): 93-108. https://www.cnki.com.cn/Article/CJFDTOTAL-JJLL201310010.htm [36] CLARKE J, KHORANA A, PATEL A, et al. The impact of all-star analyst job changes on their coverage choices and investment banking deal flow[J]. Journal of Financial Economics, 2007, 84(3): 713-737. 期刊类型引用(10)
1. 许鸿，温兴琦. 经济政策不确定性对创业公司创新效率的影响. 财会通讯. 2025(04): 37-41 . 
百度学术2. 罗拥华，刘思源. 分析师关注对企业避税的影响研究——一个有调节的中介效应模型. 北京联合大学学报(人文社会科学版). 2024(02): 48-59 . 百度学术3. 李国兰，刘田甜，陈静. 绿色金融对企业绿色创新的政策效应研究——基于分析师关注的中介效应. 重庆理工大学学报(社会科学). 2024(10): 88-102 . 百度学术4. 任莉莉，姜伟雪，刘若飘. 产业政策与企业数字化转型. 北方经贸. 2024(12): 53-60 . 百度学术5. 梁金华，余弦，刘旭凤，厉飞芹. 分析师跟踪会影响企业“脱实向虚”吗？. 现代管理科学. 2023(04): 118-126 . 百度学术6. 罗拥华，刘思源. 分析师关注对企业避税行为的影响——基于ESG表现的调节作用分析. 湖南税务高等专科学校学报. 2023(06): 15-23+34 . 百度学术7. 张杨勋，周浩. 战略性新兴产业政策对企业合作创新影响的实证检验. 统计与决策. 2023(24): 58-63 . 百度学术8. 肖谷，周佩. 创新信息披露、融资约束与企业创新. 西华大学学报(哲学社会科学版). 2022(04): 79-95 . 百度学术9. 张震，丁伟，袁嘉浩，傅毅. 管理层“答非所问”、市场主体关注与股价同步性. 金融经济学研究. 2022(05): 78-92 . 百度学术10. 于培友，戴辉，宋翔宇. 员工持股计划与企业创新效率——基于分析师关注的中介效应. 审计与经济研究. 2022(06): 70-78 . 百度学术其他类型引用(28)
-
下载:
![](data:image/svg+xml,<svg xmlns='http://www.w3.org/2000/svg' width='210' height='179'><foreignObject width='2000' height='100%'><div xmlns='http://www.w3.org/1999/xhtml' style='font-size:16px;font-family:Helvetica'><table>
<thead>
<tr>
<td align="center" class="table_top_border">变量符号</td>
<td align="center" class="table_top_border">变量名称</td>
<td align="center" class="table_top_border">定义</td>
</tr>
</thead>
<tbody>
<tr>
<td class="table_top_border2" align="left">
<i>Knowledge</i></td>
<td class="table_top_border2" align="left">真实创新产出</td>
<td class="table_top_border2" align="left"><i>Ln</i>(1+知识宽度加权的发明专利数量)</td>
</tr>
<tr>
<td align="left"><i>Knowledgemean</i></td>
<td align="left">知识宽度</td>
<td align="left">专利知识宽度均值</td>
</tr>
<tr>
<td align="left"><i>patent</i></td>
<td align="left">专利总数</td>
<td align="left"><i>Ln</i>(1+企业当年申请的所有类型专利总量)</td>
</tr>
<tr>
<td align="left"><i>invent</i></td>
<td align="left">发明专利数量</td>
<td align="left"><i>Ln</i>(1+企业当年申请发明专利数量)</td>
</tr>
<tr>
<td align="left"><i>utility</i></td>
<td align="left">实用新型专利数量</td>
<td align="left"><i>Ln</i>(1+企业当年申请实用新型专利数量)</td>
</tr>
<tr>
<td align="left"><i>Analyst</i></td>
<td align="left">分析师追踪</td>
<td align="left"><i>Ln</i>(1+分析师数量)</td>
</tr>
<tr>
<td align="left"><i>size</i></td>
<td align="left">企业规模</td>
<td align="left">员工人数的自然对数</td>
</tr>
<tr>
<td align="left"><i>firm</i>_<i>age</i></td>
<td align="left">企业年龄</td>
<td align="left">企业年龄的自然对数</td>
</tr>
<tr>
<td align="left"><i>leverage</i></td>
<td align="left">财务杠杆</td>
<td align="left">总负债与总资产的比值</td>
</tr>
<tr>
<td align="left"><i>ROA</i></td>
<td align="left">盈利能力</td>
<td align="left">净利润与总资产的比值</td>
</tr>
<tr>
<td class="table_bottom_border" align="left"><i>dual</i></td>
<td class="table_bottom_border" align="left">两职合一</td>
<td class="table_bottom_border" align="left">董事长与总经理是否为同一个体</td>
</tr>
</tbody>
</table></div></foreignObject></svg>)