女性高管影响分析师预测准确性吗？
女性高管影响分析师预测准确性吗？女性高管影响分析师预测准确性吗？摘 要： 女性高管在我国上市公司管理层所占比例逐年上升，越来越多的公司拥有女性高管。本文以2010—2016年深市A股上市公司为研究样本，考察上市公司女性高管对分析师预测准确性的影响。研究发现上市公司女性高管的存在显著提高了分析师盈余预测准确性，且上市公司女性高管比例越高，其分析师预测准确性越高。进一步通过中介效应检验对女性高管影响分析师预测准确性的内在机理进行研究发现，女性高管通过提高信息披露质量和降低盈余波动这两个路径来提高分析师预测准确性。本文拓展了女性高管治理的经济后果与分析师预测准确性影响因素的研究，同时也为上市公司高管团队的选拔以及资本市场中分析师预测准确性的提高提供了经验证据。关键词： 女性高管； 分析师预测准确性； 信息披露质量； 盈余波动一、引言国外早有研究表明，女性董事能够通过增加董事会内部交流和减少内部冲突提升董事会的有效性。实践中也有国家通过立法确立了女性作为公司高管的重要地位，如德国联合执政的联盟党和社民党两党同意立法，规定自 2016 年起德国最大100家上市公司董事会成员的女性比例不得低于30%，如果暂时没有合适人选，要预留席位[注]光明日报：2014年/12月/7日/第008版。。近年来，女性高管在我国上市公司管理层中所占比例逐年升高、地位与作用凸显。据深交所年报资料显示，女性高管比例从2010年的17%稳步上升到2016年的20%，拥有女性高管的公司占比从2010年的91.7%上升到2016年的96.6%[注]国泰安深交所上市公司数据库。，说明女性已成为公司经营管理中不可忽视的重要力量。“女性高管崛起”这一现象也吸引了国内学者们的广泛关注。已有文献研究发现，女性高管具有较高的道德水准和较低的风险偏好，因而可显著提高公司的信息披露质量、减少财务重述行为、一定程度上降低企业盈余管理程度、改善投融资决策、降低股价崩盘风险，最终提高企业绩效。由此可见，女性高管对公司的积极作用已得到充分证实，然而女性高管对外部信息使用者——分析师行为的影响却较少受到关注。证券分析师是上市公司财务信息的外部使用者，也是企业管理者与投资者之间信息沟通的媒介。分析师的主要工作之一就是进行盈余预测。分析师盈余预测所依据的信息来自于宏观、行业和公司，而公司层面信息是判断企业未来盈余的最主要来源。上市公司公开披露的公共信息是分析师进行盈余预测的信息来源，更为重要的，分析师与公司管理层沟通获得的私有信息是其进行盈余预测的重要依据。目前关于私有信息获取对分析师盈余预测准确性的研究主要集中在高管特征、分析师与公司高管之间的关系等方面。其中，性别特征是高管特征的重要组成部分，不同性别结构的高管团队其决策风格有较大差异。已有研究显示，女性高管更加注重道德伦理、具有良好的沟通能力和较低的风险偏好，而女性高管这些特质对于提高上市公司信息披露质量、降低盈余波动性具有积极的作用，从而会降低分析师预测难度和偏差、提高其预测准确性。然而现有研究并未对此进行深入探讨。分析师预测准确性是资本市场中投资者决策的重要参考依据，上市公司高管对分析师行为的影响会进一步影响企业的资源配置效率。因此，研究女性高管对分析师预测准确性的影响具有一定的现实意义。鉴于此，本文从理论上探讨女性高管对分析师盈余预测准确性的影响及其内在机理，并以深市上市公司2010—2016年数据为样本，实证分析和检验上市公司女性高管与分析师盈余预测准确性之间的关系。结果表明，上市公司女性高管的存在及比例的提高显著提升了分析师预测准确性，对影响机理的研究表明女性高管主要是通过提高信息披露质量和降低盈余波动这两个路径影响分析师预测准确性。本文的主要贡献体现为：第一，现有研究从上市公司公开信息披露质量和分析师私有信息获取两个角度分别对分析师预测准确性开展研究，而忽视了既影响上市公司公开信息披露质量又影响分析师私有信息获取的高管性别特征这一要素。本文考察女性高管是否会对分析师预测准确性产生影响，丰富了分析师预测准确性影响因素的研究。第二，现有关于高管性别特征的研究主要集中于对企业财务决策行为的影响，而缺乏对外部信息使用者——分析师行为影响的研究，本文研究上市公司女性高管对分析师预测准确性的影响，拓展了女性高管治理效应的研究。第三，本文通过对女性高管影响分析师行为内在机理的研究发现，女性高管通过提高信息披露质量和降低盈余波动这两个路径提高了分析师预测准确性，揭示了女性高管在公司治理和资本市场中的积极作用，该研究结论为我国上市公司高管团队的组建以及资本市场中分析师预测准确性的提高提供了经验证据。二、文献综述(一)女性高管的治理效应目前，高管性别对公司财务决策行为的影响受到广泛的关注。已有研究主要集中在女性高管对企业会计信息质量、投融资决策、社会责任的履行以及企业绩效方面的影响。在会计信息质量方面，主要从盈余质量和信息合规性两个视角展开研究。盈余质量视角的研究发现，董事会中女性比例增加可提高董事会的独立性，减少公司的盈余操纵行为，提高盈余质量，而且女性董事还可以提高董事会讨论的质量以及加强对公司财务报告的监督，促进上市公司对高质量外部审计的需求。然而，如果女性高管比例相对于男性而言微不足道，男性在会计政策选择方面占主导作用，那么女性高管就不能抑制企业盈余管理程度。信息合规性视角的研究表明，女性高管能显著抑制企业信息披露违规行为。尤其是女性CFO所在的企业会计信息具有更高的稳健性。此外，由于女性CFO在财务报告决策上更加谨慎，其显著抑制了上市公司财务舞弊行为。同时，何威风和刘启亮(2010)发现男性在高管团队中的比例越高，企业发生财务重述的概率越高。在投融资决策方面，由于女性高管更倾向于规避风险而显著减少了企业过度投资行为。特别是企业处于金融危机时期，女性董事更倾向于降低投资水平来规避经营风险，而且高风险的企业更倾向于聘任女性CEO以降低经营风险。进一步研究发现，在并购决策中，女性高管会更加谨慎地采取严格的评估程序，降低并购溢价，获取较高的并购收益。同时，在研发决策中，女性参与创新活动的程度低于男性且降低了企业研发投入。然而曾萍和邬绮虹(2012)认为女性高管的存在对于企业技术创新具有显著的促进作用。此外，在融资决策中，Faccio等(2016)认为女性CEO所在的企业资产负债率低、盈余波动小。另外，在社会责任履行方面，女性高管在公司中具有强烈的社会责任导向，尤其在伦理观方面，女性拥有显著区别于男性的价值取向。女性高管比例越高的公司社会责任履行情况越好，主要体现在公司的慈善捐赠增加。也有学者关注女性高管对企业绩效的影响，认为高管团队中女性的存在能够提升企业绩效。(二)分析师预测准确性的影响因素分析师进行盈余预测主要依据上市公司公开披露的信息和私有信息的挖掘。Baginski 和 Hassell(1997)认为上市公司公开披露的信息是分析师进行盈余预测的重要信息来源。当上市公司有操纵盈余信息的动机时，分析师不愿意去跟踪该公司并进行盈余预测。显然，上市公司信息披露质量越高，分析师可以利用的公开信息就越多，盈余预测准确性也就越高。然而，目前中国资本市场还处于发展阶段，内幕交易还不能从根本上杜绝，信息披露制度有待进一步规范，分析师进行盈余预测时，不仅需要上市公司公开披露的信息，而且私有信息的挖掘也对其盈余预测准确性产生影响。目前关于私有信息获取对分析师盈余预测准确性的研究主要集中在管理层特征、分析师与公司管理层之间的关系等方面。在管理层特征方面，Byard等(2006)从董事会的独立性视角，研究发现独立董事比例越高，分析师预测准确性越高。国内学者进一步从高管个体特征角度展开研究。姜付秀等(2016)认为具有财务背景的董秘能够与外部信息使用者进行有效的信息沟通，降低企业与外部信息使用者之间的信息不对称，提高分析师预测的准确性。而具有证券背景的上市公司高管通过其丰富的专业知识也会影响分析师预测准确性。在分析师与管理层关系研究方面，赵良玉等(2013)认为与上市公司高管建立良好的关系是分析师获取公司私有信息的重要方式。Cohen等(2010)发现分析师与上市公司高管具有同学关系可以获取上市公司的私有信息，进而提供高质量的分析报告。分析师与高管之间的这种关系增加了分析师信息获取的优势，提高了其盈余预测准确性。然而，也有学者认为分析师与上市公司高管的关系越密切，公司高管越有动机要求分析师做出有利于上市公司的盈余预测，进而提升股价。而分析师为了维护关系资源，可能发布不真实的研究报告，从而降低其盈余预测准确性。将部署区域T离散化为m×n个目标点集T={T1,T2,T3,…,Tm×n},其中目标点Tl的位置坐标表示为(xTl,yTl)(l=1,2,3,…,m×n)。则目标点Tl与节点Si的欧氏距离为:综上所述，现有研究发现女性高管可以提高上市公司会计信息质量以及采用谨慎的态度进行投融资决策以降低企业的经营风险；另外现有研究表明公开信息披露质量和私有信息获取分别对分析师预测准确性产生影响，然而却忽视了既影响上市公司信息披露质量又影响投融资决策的高管性别特征对分析师预测准确性的影响。因此，本文研究女性高管是否对分析师预测准确性产生影响并进一步探究其影响的具体机理。三、理论分析与假设提出关怀伦理学认为女性具有区别于男性的道德行为特征，相比于男性，女性具有较高的道德水准和良好的沟通能力，因此女性高管的存在降低了上市公司与外部信息使用者之间的信息不对称，提高了上市公司信息披露质量，进而提高分析师预测准确性。此外，女性具有风险规避倾向，女性高管所在的企业盈余波动较小，降低了分析师面临的不确定性，有助于分析师预测准确性的提高。因此，本文从女性高管对信息披露质量和盈余波动的影响两个方面分析女性高管对分析师预测准确性的影响。(一)提高信息披露质量一方面，女性主义关怀伦理学认为性别差异将导致男性和女性在伦理观上的显著差异，女性更加注重道德伦理。因此，女性高管的机会主义行为动机较弱，具体表现为上市公司女性高管比例越高，盈余质量越高。而企业信息披露质量在一定程度上能够决定外部利益相关者获取上市公司信息的成本与难度，如Byard等(2006)指出公司信息披露质量的提高可以降低公司内部与外部之间的信息不对称，因此，分析师的盈余预测行为在一定程度上也会受到上市公司信息披露质量的影响。上市公司信息披露的内容越充分，越有助于减少分析师获取公司信息的成本，提高分析师预测精确度。总之，高质量财务信息能够更加准确地反映公司的财务状况、经营成果和现金流量，尤其是内部控制质量的提高使得分析师能够及时获得更加全面的信息，特别是坏消息，有助于分析师预测精确度的提高。另一方面，相比于男性，女性具有良好的沟通能力，更加注重与企业内、外部利益相关者之间的关系。澳大利亚语言学家亚伦·皮斯认为，女性在语言的流畅性、叙述文的造句、语法、阅读能力方面比男性更为出色，而且一般女性比男性口齿伶俐。在团队合作中，女性高管表现出更强的民主和开放性。这表明女性高管具有沟通的主动性及良好的沟通技能。尤其是女性董秘通过与投资者的有效沟通，改善了上市公司信息披露质量，降低信息不透明程度。同时，女性高管的良好沟通能力也有助于促进公司与外部信息使用者之间的有效交流，增强外部信息使用者——分析师对披露信息的理解程度。基于女性高管良好的沟通能力，Brochet和Srinivasan(2014)认为分析师与企业管理者之间密切的关系有利于分析师获取充足的盈余预测所需信息，促进了分析师预测准确性的提高。因此，女性高管的存在，为上市公司与外部信息使用者的有效沟通搭建了桥梁，促进了分析师信息收集的全面性和准确性，进而提高分析师预测准确性。基于以上两方面，本文提出以下假设。2014年8月中共中央政治局召开的会议审议通过的 《关于深化考试招生制度改革的实施意见》，对分类考试、综合评价、多元录取的考试招生模式进行了深化改革。在面对中西部地区和人口大省的高考录取率问题上，农村学生能否上重点高校的教育公平问题，以及中小学招生时存在的择校难和择校热的现状上，将采取适当对招生计划分配方式进行改进。在教育生态系统中，逐步健全教育公平、选人用人趋于科学、体制机制的实施监督有力，将各级各类教育衔接和沟通，逐步实现对多种学习成果均多元认可且学分转化，搭建终身学习“立交桥”。H1 上市公司女性高管的存在提高了企业信息披露质量，进而提高分析师预测的准确性。(二)降低盈余波动性相比于男性，女性具有较低的风险偏好。在公司投融资决策过程中，女性高管不会投资净现值为负、风险高的投资项目，尤其在并购决策中，女性高管会采取更严格的评估程序降低并购损失，甚至抑制企业并购行为的发生，从而降低企业的战略变革程度。战略差异度越小的企业面临的经营风险越低。较低的经营风险伴随着企业业绩的波动性降低。所以，女性的谨慎性和风险规避倾向降低了企业投资行为偏差带来的业绩波动。然而，盈余波动是影响分析师盈余预测质量的一个重要因素，盈余波动大的企业增加了分析师盈余预测难度，加剧了分析师获取和分析企业其他信息的需求，信息获取成本提高。公司盈余波动越大，意味着未来盈余越不确定，分析师盈余预测难度加大。Lang和Lundholm(1996)研究发现盈余变化越大的公司分析师预测偏差越大。所以分析师更倾向于跟踪盈余波动性较小、风险较低的公司。综上所述，具有低风险偏好的女性采用稳健的财务决策保持企业的业绩稳定，降低了分析师预测面临的不确定性，进而提高分析师预测准确性。据此本文提出以下假设。傍晚，水仙芝回来了，径自回房间去了。她心静如水，默坐窗前，沉浸在夜色中。房门外，父亲说的话，她都听见了。水仙芝并不留念工作，只怕是辞职了，也不是蒋家想要的。H2 上市公司女性高管的存在降低了企业盈余波动，进而提高分析师预测的准确性。四、实证设计(一)变量定义1.被解释变量分析师预测准确性一般采用分析师盈余预测误差的相反数进行度量。在度量分析师盈余预测误差时，主要采用分析师盈余预测值与公司真实盈余水平之差的绝对值，为了消除公司之间的异质性，又将这一绝对值除以公司上期期末股价。因此，本文将分析师盈余预测准确性定义为ACCUt=(-1)∣预测EPSt-真实EPSt∣/PRICEt-1×100(1)若分析师在同一年度对某个公司有多次盈余预测，本文选取该分析师在年报披露日前最后一次发布的盈余预测。由于公司总股本的变动使分析师发布的每股收益(EPS)预测值与按年末总股数计算的实际每股收益缺乏可比性，借鉴何贤杰等(2008)的研究，基于分析师对净利润的预测值，统一使用年末总股数对净利润数据进行了标准化处理。真实EPS等于公司实际净利润除以年末总股数，预测EPS等于分析师预测的公司净利润除以年末总股数(取中位数)，PRICE为年初股价。ACCU的数值越大，分析师盈余预测的准确性越高。2.解释变量女性高管采用两种方法度量：(1)公司高管中是否存在女性，有则变量FMNUM取1，否则取0；(2)公司高管中女性占全部高管人数的比例RFMAN。3.中介变量(1)信息披露质量。已有文献衡量信息披露质量的主要方法是采用权威机构发布的上市公司信息披露质量评级。本文借鉴曾颖和陆正飞(2006)的做法，采用深圳证券交易所信息披露质量评级(GR)作为信息披露质量的测度指标。信息披露质量评级分为四等，由高到低依次为“优秀”“良好”“合格”“不合格”分别取值为4、3、2和1。(2)盈余波动。借鉴李丹和贾宁(2009)的做法，将盈余波动(Surpriz)采用上市公司当期盈余与上一年盈余之间的差额除以上一年盈余，再取绝对值来度量。表1 变量设计及说明http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/00de0255b223ccea8128fb2ebd8fc666.jpg&q=30 变量类型变量名称变量代码变量含义因变量分析师预测准确性ACCUtACCUt=(-1)预测EPSt-真实EPSt/PRICEt-1×100中介变量信息披露质量GR根据深交所信息披露质量评级度量盈余波动Surpriz上市公司当期净利润与上一年净利润之间的差额除以上一年净利润,再取绝对值自变量女性高管FMNUM公司高管中是否存在女性,有则取 1,否则取 0RFMAN公司高管中女性的比例控制变量公司规模ASSET期末总资产的自然对数财务杠杆LEV总负债/总资产总资产报酬率ROA年息税前利润除以期末总资产账面市值比MB资产账面价值/市值有形资产投入PPE固定资产净值除以期末总资产年股票回报率RET年股票回报率排除性约束变量OTHFE同年同行业中其他公司的女性高管比例分析师数量ANAFOL跟踪上市公司的分析师数量每股盈余EPS上市公司每股收益盈余亏损LOSS如果上市公司上一年年末净利润为负则取1,否则取0企业价值TQ(期末股权市值+负债账面价值)/期末总资产账面价值股权结构INS期末机构投资者持股比例TOP1期末第一大股东持股比例年度YEAR年度虚拟变量行业IND行业虚拟变量4.控制变量借鉴以往文献，选择上市公司规模、分析师跟踪数量、每股盈余、机构投资者持股比例、企业价值、股权结构等作为控制变量。(二)样本选择和数据来源目前只有深交所对上市公司年度信息披露考评结果对外公布，因此本文选取深市A股2010-2016年上市公司数据为样本。在选取样本时，采用分析师盈余预测为公司年报披露日之前对当年盈余发布的最后一次预测值。在剔除了金融行业以及控制变量缺失的样本之后，最终得到8 789条观测值，共涉及 18个行业门类。分析师预测数据、上市公司财务数据和女性高管数据均来源于国泰安数据库(CSMAR)。本研究所使用的统计以及数据处理软件为Stata 13.0。(三)模型设计1. 女性高管对分析师预测准确性的影响首先，采用模型(2)检验上市公司女性高管的存在对分析师预测准确性的影响。ACCU=α0+α1FMNUM+∑αkCONTROLVAR+ε1(2)其中，ACCU为分析师预测准确性；FMNUM为公司高管中女性存在与否的虚拟变量；CONTROLVAR代表所有控制变量。变量具体定义见表1。若模型中FMNUM的系数α1显著为正，即上市公司中女性高管的存在提高了分析师预测准确性。进一步，检验上市公司女性高管的比例对分析师预测准确性的影响。由于样本仅包含有女性高管的上市公司，因此可能存在由于样本自选择产生的内生性。为了克服女性高管自选择问题造成的偏差，借鉴李小荣和刘行(2012)的做法，采用了Heckman(1979)两阶段回归模型，具体模型如下Pr(FMNUM=1)=β0+β1*SIZE+β2*ROA+β3*LEV+β4*RET+β5*MB+β6*PPE+β7*OTHFE+YEAR+ε2(3)ACCU=κ0+κ1RFMAN+∑κkCONTROLVAR+κnλ+ε3(4)其中，RFMAN为公司高管中女性的比例。模型(3)为第一阶段回归，根据Francis等(2018)和Srinidhi等(2011)的做法，控制了SIZE、ROA、LEV、RET、MB、PPE和YEAR等影响女性高管选择的变量。另外，Lennox等(2012)指出Heckman(1979)第一阶段模型需要有排除性约束变量，借鉴李小荣和刘行(2012)的做法，在第一阶段加入了同年同行业中其他公司女性高管的比例。λ为第一阶段模型(3)中计算的IMR(Inverse Mills Ration)。模型(4)中，若RFMAN的系数κ1显著为正，即上市公司女性高管比例的增加显著提高了分析师预测准确性。2. 女性高管对分析师预测准确性影响的机理根据假设1和2，女性高管对分析师预测准确性的影响是通过提高信息披露质量和降低盈余波动传导的，因此设计中介效应检验，以证明该假设。根据温忠麟等(2004)对于中介变量的检验程序，第一步，采用模型(2)检验女性高管对分析师盈余预测准确性的影响；第二步，采用模型(5)检验女性高管对上市公司信息披露质量(GR)或盈余波动(Surpriz)的影响；第三步，采用模型(6)来检验信息披露质量(GR)或盈余波动(Surpriz)是否存在中介效应。模型(2)中的系数α1是女性高管对分析师预测准确性的总效应。在系数α1显著的前提下，依次检验系数γ1和β2。如果系数γ1和β2都显著，检验系数β1。若β1显著说明部分中介效应显著，否则说明完全中介效应显著，即女性高管对于分析师预测准确性的影响是部分(完全)通过信息披露质量或盈余波动所传导的。如果系数γ1和β2中至少有一个不显著的话，则做Sobel检验。GR/Surpriz=γ0+γ1 FMNUM/RFMAN+∑γkCONTROLVAR+ε4(5)ACCU=β0+β1 FMNUM/RFMAN+β2 GR/Surpriz+∑βkCONTROLVAR+ε5(6)五、实证结果(一)描述性统计分析表2描述性统计结果所示：分析师预测准确性(ACCU)的平均值为-2.22，中位数为-0.846，表明分析师预测净利润与上市公司的实际净利润之间的差额较小。FMNUM的均值为0.947，表明样本中有94.7%的上市公司存在女性高管。女性高管比例变量RFMAN的均值为0.184，表明上市公司女性高管比例为18.4%。分析师跟踪人数(ANAFOL)平均值为18.8，表明样本公司平均有近19位分析师跟踪。表2 描述性统计http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/6153933ea7e41af3f20263dc70b819d4.jpg&q=30 变量N均值中位数标准差最大值最小值ACCU8 789-2.220-0.8464.550-3.32e-06-131FMNUM8 7890.94710.22310RFMAN8 7890.1840.1670.1140.9290LEV8 7890.3920.3690.28916.5000INS8 7890.2250.1510.2151.9900EPS8 7890.4370.3390.74442.400-3.500LOSS8 7890.06200.24210TQ8 7893.4302.31027.6002 3710.683ANAFOL8 78918.8001416.5001111ASSET8 78921.80021.6001.13027.40013.800TOP18 78934.40032.40014.600903.620
(二)各变量之间相关关系分析表3反映了各主要自变量之间的相关系数。相关系数矩阵中对角线左下方是斯皮尔曼(Spearman)相关检验结果。从表中可以看出所有解释变量之间相关系数均小于0.5，表明不存在明显的多重共线性问题。表3 主要自变量的相关系数矩阵http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/39cf9c68f9a5aa8e2051dacaf2711e07.jpg&q=30 变量FMNUMRFMANLEVINSEPSLOSSTQANAFOLASSETFMNUM1.000 0————————RFMAN0.383 01.000 0———————LEV-0.021 9-0.096 11.000 0——————INS0.033 30.014 80.043 01.000 0—————EPS0.009 70.021 5-0.070 00.061 01.000 0————LOSS-0.017 3-0.043 10.153 00.034 0-0.220 51.000 0———TQ0.007 00.005 40.533 0-0.000 0-0.008 50.057 51.000 0——ANAFOL0.005 10.004 9-0.040 00.139 00.296 1-0.157 4-0.016 21.000 0—ASSET-0.042 6-0.152 80.352 00.225 00.170 10.007 0-0.130 20.331 51.000 0TOP1-0.028 4-0.002 70.038 00.065 00.079 0-0.028 6-0.017 50.009 00.108 4
(三)多元回归分析1.女性高管对分析师预测准确性的影响对模型(2)采用普通最小二乘法并控制异方差的回归结果(表4列1)显示FMNUM的回归系数在5%的水平上显著为正，表明上市公司女性高管的存在显著提高了分析师盈余预测准确性。表4列2列示了Heckman两阶段的第一阶段回归结果。从列2可以看出，ROA的回归系数在10%的水平上显著为正，表明盈利能力好的公司更易聘用女性，排除性约束变量OTHFE在 1%的水平上显著为正，表明同行业其他公司的女性高管比例会影响样本公司高管性别的选择。表4列3显示，λ回归系数显著区别于0，说明模型存在样本自选择偏差，在控制女性高管的自选择偏差后，RFMAN的回归系数在5%的水平上显著为正，表明上市公司女性高管比例越高，分析师预测准确性越高。此外，回归检验中控制变量INS的回归系数在1%的水平上显著为正，表明机构投资者持股比例与分析师预测准确性显著正相关，LOSS的回归系数在1%的水平上为显著为负，对于上年盈余亏损的公司，其经营风险较高，降低了分析师预测准确性。这些结果和现有文献的发现一致。表4 女性高管与分析师预测准确性http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/51f8ef860b857518cb5c9895ba9d4adc.jpg&q=30 变量(1)ACCU(2)FMNUM(3)ACCUFMNUM0.659**(2.24)——RFMAN——1.004**(2.41)ASSET-0.183(-1.09)-0.021(-0.76)0.229(1.06)LEV-3.549***(-2.87)0.134(1.11)-3.595***(-2.77)INS1.365***(6.64)—1.227***(6.11)EPS0.104(0.24)—0.013(0.04)LOSS-2.614***(-5.14)—-2.318***(-5.22)TQ0.017*(1.74)—0.022**(2.01)ANAFOL0.025***(3.86)—0.020***(3.44)Surpriz-0.104***(-5.01)—-0.084***(-4.55)TOP10.006*(1.92)—0.008***(2.70)MB—-0.009(-1.01)—RET—0.030(0.64)—PPE—-5.32e-10***(-5.26)—ROA—0.598*(1.71)—OTHFE—5.004***(5.32)—λ——-21.670***(-4.03)_cons5.237*(1.66)0.958(1.58)-0.880(-0.24)行业控制—控制年度控制控制控制R-sq0.187—0.193adj.R-sq0.184—0.190Log likelihood—-1 753.097—LR chi2(12)—120.250—Prob>chi2—0.000—Pseudo R2—0.033—N8 7898 7898 326
注：(1)列(2)括号内的数值是z统计量，其余两列括号内的数值是经过稳健性标准误计算的t统计量；(2)***、**、*分别表示在0.01、0.05、0.10水平下显著。2.中介效应(1)信息披露质量。因为信息披露质量GR是按照深交所信息披露质量评级由高到低依次赋值为4、3、2和1，所以模型(5)采用排序选择模型进行估计。回归结果见表5中列(1)(2)，在控制了其他因素影响之后，FMNUM的回归系数在10%的水平上显著为正，RFMAN的回归系数在1%的水平上也显著为正，说明上市公司女性高管对信息披露质量有显著的正向影响。模型(6)的回归结果见表5列(3)(4)，加入信息披露质量这个因素后，女性高管与分析师预测准确性的关系依然正显著。FMNUM的回归系数在5%的水平上显著为正，GR的回归系数在1%水平上也显著为正，表明上市公司女性高管通过信息披露质量这一路径提高了分析师预测的准确性。由于模型中系数α1、γ1和β2都显著，同时β1也显著，则说明这是一个部分中介效应，即女性高管对于分析师预测准确性的影响部分通过信息披露质量所传导，假设1得到验证。(2)盈余波动。如前文分析，女性具有风险规避倾向，其所在的上市公司盈余波动性较小，从而降低了分析师预测面临的不确定性，进而影响分析师行为。因此，盈余波动也是上市公司女性高管对分析师盈余预测发挥作用的根本途径。回归结果表5中列(5)(6)FMNUM和RFMAN的回归系数均显著为负，说明上市公司女性高管对其盈余波动性有显著的抑制作用。列(7)(8)，加入盈余波动性这个因素后，上市公司女性高管与分析师预测准确性的关系依然显著。FMNUM的回归系数在5%的水平上显著为正，Surpriz的回归系数在1%的水平上显著为负，表明上市公司女性高管通过降低盈余波动性这一路径提高了分析师预测的准确性。由于依次检验模型中系数a1、γ1和β2都显著，同时β1也是显著的，则说明盈余波动发挥部分中介效应，即上市公司女性高管对于分析师预测准确性的影响部分通过盈余波动所传导，假设2得到验证。此外，对以上结果进行了Sobel检验。Sobel检验的计算公式为http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/3a7f5043d285f3003962d253e45118f6.jpg
如果Z值大于临界值，则中介效应显著，根据温忠麟等(2004)的研究结论，显著性水平0.05对应的临界值为0.97。表6列示了Sobel检验的计算过程，由检验结果得出，基于信息披露质量GR和盈余波动Surpriz中介效应的Z值分别为1.804、3.199、1.693和2.60，均大于临界值0.97，说明女性高管、信息披露质量(盈余波动)和分析师预测准确性之间存在着显著的中介效应，即女性高管通过信息披露质量和盈余波动对分析师预测准确性有显著的正向推动作用。其中Γ是场效应增强系数，F是场强，.ni 是本征载流子浓度。τn和τp分别是电子和空穴的寿命， Ei和ET分别是本征费米能级和复合中心能级。k是玻尔兹曼常数，T是绝对温度，ћ是狄拉克常数，q是单位电子的电荷，mt*是电子的有效隧穿质量。六、稳健性检验(一)内生性问题上市公司是否选择女性高管可能与分析师预测准确性有关，即分析师预测准确性较高的企业可能选择女性高管，这一政策自选择效应会带来内生性。本文采用倾向得分匹配(PSM)的方法，选取公司规模、财务杠杆、总资产报酬率、股票回报率和同年同行业其他公司女性高管的比例为匹配变量，对FMNUM=1的样本进行2∶1有放回的匹配，匹配后样本为1 335个，PSM匹配的平衡性检验表7显示匹配后所有变量的标准化偏差小于10%；而且所有变量t检验的结果表明处理组与控制组无系统性差异；所有变量在匹配前后的标准化偏差均大幅缩小。因此重新利用匹配样本对模型(2)—模型(6)回归的结果(表8、表9、表10)显示，假设1、2依然成立。表5 中介效应检验http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/7b854871a77d1f38be63b50f64fd52db.jpg&q=30 变量信息披露质量路径检验盈余波动路径检验(1)GR(2)GR(3)ACCU(4)ACCU(5)Surpriz(6)Surpriz(7)ACCU(8)ACCUFMNUM0.178*1.80)—0.653**(2.23)—-0.70*(-1.69)—0.659**(2.24)—RFMAN—0.678***(3.21)—0.919**(2.22)—-2.317***(-2.63)—0.937**(2.25)GR——0.679***(6.96)0.670***(8.93)————Surpriz——————-0.104***(-5.01)-0.086***(-16.41)TQ0.001(1.09)0.001(1.24)0.016*(1.65)0.014***(6.80)——0.017*(1.74)0.016***(7.54)TOP10.010**(5.85)0.009***(5.94)0.004(1.32)0.005(1.62)-0.017***(-2.72)-0.019***(-2.95)0.006*(1.92)0.007**(2.19)ASSET0.300***(15.85)0.345***16.50)-0.234(-1.44)-0.212***(-3.78)0.196**(2.06)0.000(0.00)-0.183(-1.09)-0.157***(-2.82)LEV-3.325***(-2.78)-3.057***(-13.81)0.872**(2.03)1.414***(3.23)-3.549***(-2.87)-3.277***(-14.83)INS——1.330***(6.51)1.316***(5.91)0.380(0.86)-0.321(-0.68)1.365***(6.64)1.353***(6.04)EPS——0.068(0.16)-0.069(-1.10)1.399***(10.79)1.576***(12.32)0.104(0.24)-0.034(-0.54)LOSS——-2.432***(-4.93)-2.33***(-12.30)——-2.614***(-5.14)-2.514***(-13.28)ANAFOL——0.019***(3.17)0.021***(6.71)——0.025***(3.86)0.026***(8.38)ROA————-7.739***(-6.00)-4.539***(-3.52)——_cons——4.467(1.43)4.275(1.43)-1.871(-0.93)1.730(0.28)5.237*(1.66)4.947*(1.65)行业控制控制控制控制控制控制控制控制年度控制控制控制控制控制控制控制控制cut17.0308.020——————cut212.08013.010——————cut319.23019.880——————Log likelihood-7 893-7 466——————LR chi2(4)311.420332.660——————Prob>chi20.0000.000——————Pseudo R20.0190.022——————adj. R-sq——0.1910.1790.0210.0260.1840.171N8 7898 3268 7898 3268 7898 3268 7898 326
注：(1)列(1)(2)括号内的数值是z统计量，其余列是经过稳健性标准误计算的t统计量；(2)***、**、*分别表示在0.01、0.05、0.10水平下显著；(3)cut值是临界点。表6 Sobel检验结果表http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/a248f2aff47e5664c1af6edcdc08d159.jpg&q=30 变量a^b^S_aSbSabZGRFMNUM0.1780.6790.0990.0970.0671.804RFMAN0.6780.6700.2110.0750.1423.199SurprizFMNUM-0.700-0.1040.4140.0210.0431.693RFMAN-2.317-0.0860.8820.0050.0772.600
表7 PSM匹配的平衡性检验http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/65f6863d6b488f31474840898e5634b1.jpg&q=30 变量MeanTreatedControl%bias%reduct|bias|t-testtp>|t|ASSETU21.99821.78317.8M21.99822.068-5.867.43.980.000-0.800.421LEVU0.4190.39011.0M0.4190.4122.775.82.050.0400.480.634RETU0.1580.228-11.2M0.1580.159-0.198.9-2.210.027-0.020.983ROAU0.0480.055-8.4M0.0480.052-5.831.6-1.500.134-1.170.240OTHFEU0.1750.185-33.3M0.1750.176-2.094.0-7.870.000-0.270.789
(二)变量的重新度量借鉴杜兴强和冯文滔(2012)在研究高管团队中女性作用时的研究建议，计算高管团队性别多样化构成BLAU 指数。该指数是用来衡量团队构成多样性的重要指标。BLAU=1-RFMAN2-(1-RFMAN)2，其中RFMAN为女性高管人数占高管总人数的比例。根据该公式，BLAU指数的取值介于0到0.5之间，高管团队中男性和女性比例越均衡该值越趋近于0.5，否则趋近于0，该指数可以客观衡量高管团队中的性别多元化水平。此外，采用另一种方法度量分析师预测准确性(ACCU2)。利用式(1)，其中真实EPS等于公司年报中披露的每股收益，预测EPS等于分析师预测的公司每股收益(取中位数)，PRICE为年初股价。采用普通最小二乘法重新估计模型(2)—模型(6)。表11列1的结果显示，ACCU与BLAU指数在 1% 的水平上显著正相关；表11列2的结果显示，ACCU2与RFMAN仍然在10%的水平上显著正相关，基于变量替换的中介效应检验结果(表12、表13)表明假设1和假设2进一步得到经验证据的支持。二是以特定区域或特定社会组织类型人员为调查对象，分析社会组织人才专业化状况。金锦萍（2008）以北京市残疾人康复服务机构为例、Tracy Taylor，Peter McGraw（2006）以体育类社会组织为例、邢博（2011）以上海市基金会为例分别考察社会组织人才现状。罗拾平（2008）以长沙市社会组织为例、尹志刚（2010）以北京市西城区社会组织为例、叶萍（2011）以广东省社会组织为例、罗美侠（2011）以黑龙江省社会组织为例考察社会组织人才现状。以上检验表明，本文的研究结论是较为稳健的。表8 PSM样本回归结果http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/879e1452abef24ac306f360b374fa1da.jpg&q=30 变量ACCUFMNUMACCUFMNUM0.609**(1.97)——RFMAN——1.878*(1.68)ASSET0.546***(2.76)0.088**(1.97)-0.113(-0.91)LEV-9.128***(-4.46)-0.093(-0.42)-1.775***(-2.60)MB-0.472***(-9.85)0.001(0.11)-0.419***(-17.55)RET0.881***(3.04)-0.041(-0.54)0.891***(2.66)OTHFE—0.223(0.18)—PPE—-5.29e-10***(-3.53)—ROA—0.887(1.36)24.900***(11.86)INS1.368**(2.16)—1.830***(3.20)TOP10.005(0.53)—0.002(0.22)λ——-2.492*(-1.84)_cons-10.20***(-2.69)-1.730*(-1.79)0.511(0.18)行业控制—控制年度控制控制控制R-sq0.267—0.418adj.R-sq0.251—0.412Log likelihood—-846.673—LR chi2(12)—30.020—Prob>chi2—0.003—Pseudo R2—0.017—N1 3351 335872
注：***、**、*分别表示在0.01、0.05、0.10水平下显著。表9 基于PSM样本的中介效应检验http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/f00b919ae66d05cfb5b5386a7bcb696a.jpg&q=30 变量信息披露质量路径检验(1)GR(2)GR(3)ACCU(4)ACCU盈余波动路径检验(5)Surpriz(6)Surpriz(7)ACCU(8)ACCUFMNUM0.217*(1.76)—0.574*(1.74)—-1.151*(-1.86)—0.494*(1.66)—RFMAN—1.186*(1.71)—1.597(1.05)—-5.458*(-1.85)—0.989(0.71)GR——1.779***(6.80)0.880***(3.22)————Surpriz——————-0.260***(-18.92)-0.283***(-17.29)λ—-4.864***(-3.94)—-5.064*(-1.95)—0.732(0.15)—-7.464***(-5.20)_cons——-13.190***(-3.34)-2.181(-0.80)7.499(0.83)3.798(0.78)11.020***(4.50)2.050**(2.32)控制变量省略省略省略省略省略省略省略省略行业控制控制控制控制控制控制控制控制年度控制控制控制控制控制控制控制控制N1 3358721 3358721 3358721 335872adj. R-sq——0.1250.2090.0120.0680.2380.287
注：(1)表8列(2)、表9列(1)(2)括号内的数值是z统计量，其余列括号内的数值是经过稳健性标准误计算的t统计量； (2)***、**、*分别表示在0.01、0.05、0.10水平下显著。表10 Sobel检验结果表http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/8f0e8695e04a69d599b575acef569bb8.jpg&q=30 变量a^b^SaSbSabZGRFMNUM0.2171.780.1230.2610.2191.764RFMAN1.1860.880.6920.2730.6491.608SurprizFMNUM-1.151-0.260.6190.0140.1611.859RFMAN-5.458-0.2832.9480.0160.8731.769
表11 变量的另一种度量方法http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/34d6e097b5298c5bec1a10559dad876d.jpg&q=30 变量(1)ACCU(2)ACCU2BLAU1.107 0***(2.86)—RFMAN—0.928 0*(1.77)LEV-3.537 0***(-2.86)-2.777 0***(-2.71)INS1.381 0***(6.71)1.414 0***(5.52)EPS0.102 0(0.23)-2.709 0**(-2.00)LOSS-2.604 0***(-5.14)-7.001 0***(-7.26)TQ0.017 2*(1.75)0.019 5***(2.62)ANAFOL0.024 5***(3.84)0.057 3***(3.88)Surpriz-0.104 0***(-4.99)-0.076 6***(-2.75)ASSET-0.166 0(-1.00)-0.109 0(-0.66)TOP10.005 3*(1.79)0.011 7***(3.00)_cons5.150 0*(1.65)5.365 0(1.50)行业控制控制年度控制控制N8 7898 317R-sq0.1870.289adj. R-sq0.1840.286
注：(1)括号内的数值是经过稳健性标准误计算的t统计量；(2)***、**、*分别表示在0.01、0.05、0.10水平下显著；(3)同一个分析师针对同一家上市公司净利润和每股收益的预测不是同步的导致样本量不同。表12 变量替换的中介效应检验http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/8eb27660d2f81e52295dbb7cd1f22985.jpg&q=30 变量信息披露质量路径检验(1)GR(2)GR(3)ACCU(4)ACCU盈余波动路径检验(5)Surpriz(6)Surpriz(7)ACCU(8)ACCUBLAU0.669 0***(3.88)—1.214 0***(3.03)—-1.279 0*(-1.67)—1.107 0***(2.86)RFMAN—0.788 0***(3.63)—1.020 0**(2.03)—-1.443 0*(-1.66)0.928 0*(1.86)GR——0.774 0***(7.57)0.572 0***(6.31)————Surpriz——————-0.104 0***(-4.99)-0.076 6***(-12.16)TQ0.000 9(1.16)0.001 2(1.60)0.017 3*(1.79)0.019 4***(7.73)-0.017 9***(-3.44)-0.017 1***(-3.93)0.017 2*(1.75)0.019 5***(7.82)TOP10.009 0***(5.82)0.009 5***(5.92)0.005 2*(1.69)0.012 0***(3.24)-0.019 2***(-2.68)-0.023 4***(-3.65)0.005 3*(1.79)0.011 7***(3.20)ASSET0.325 0***(16.18)0.380 0***(16.30)-0.251 0(-1.54)-0.174 0**(-2.57)0.272 0*(1.85)0.249 0**(2.13)-0.166 0(-1.00)-0.109 0(-1.63)LEV——-3.552 0***(-2.95)-2.774 0***(-10.36)2.687 0***(4.27)2.479 0***(5.38)-3.537 0***(-2.86)-2.777 0***(-10.50)INS——1.301 0***(6.27)1.367 0***(5.07)0.406 0(0.65)0.212 0(0.45)1.381 0***(6.71)1.414 0***(5.27)EPS——-0.138 0(-0.27)-2.899 0***(-38.80)1.986 0**(2.16)2.161 0***(16.71)0.102 0(0.23)-2.709 0***(-35.94)LOSS——-2.779 0***(-5.32)-7.162 0***(-31.36)3.798 0***(3.95)4.275 0***(10.87)-2.604 0***(-5.14)-7.001 0***(-30.84)ANAFOL——0.026 2***(3.78)0.058 6***(15.37)-0.076 5***(-6.42)-0.075 4***(-11.60)0.024 5***(3.84)0.057 3***(15.26)_cons——4.930 0(1.55)5.242 0(1.45)-6.452 0*(-1.95)-6.110 0(-0.98)5.150 0*(1.65)5.365(1.50)行业控制控制控制控制控制控制控制控制年度控制控制控制控制控制控制控制控制cut17.544.35——————cut212.616.03——————cut319.758.50——————Log likelihood-7 887.282-7 381.826——————LR chi2(4)323.23482.93——————Prob>chi20.0000.000——————Pseudo R20.0200.032——————adj. R-sq——0.1550.2760.0510.0600.1840.286N8 7898 3178 7898 3178 7898 3178 7898 317
注：(1)列(1)(2)括号内的数值是z统计量，其余列括号内的数值是经过稳健性标准误计算的t统计量；(2)***、**、*分别表示在0.01、0.05、0.10水平下显著。表13 Sobel检验结果表http://rtt.5read.com/pdgpath/format?f=543dfe68928196a850e93e5971906178/bb48faa5c02a5b1652fce31e8ccdd3ee.jpg&q=30 变量a^b^SaSbSabZGRBLAU0.6690.7740.1720.1020.1343.864RFMAN0.7880.5720.2170.0910.1253.606SurprizBLAU-1.279-0.1040.7650.0210.0821.622RFMAN-1.443-0.0770.8690.0060.0671.658
七、研究结论本文从理论上分析了上市公司女性高管对分析师预测准确性的影响，并使用中国A股深市上市公司2010—2016年的数据进行实证检验。研究发现女性高管对分析师预测准确性有显著的正向影响，即上市公司高管团队中女性的加入以及女性高管比例的提高均提高了分析师盈余预测准确性。其次，揭示了女性高管影响分析师预测准确性的内在机理，研究发现女性高管主要是通过提高信息披露质量和降低盈余波动这两个路径影响了分析师预测准确性。采用PSM方法控制内生性影响后，该研究结论仍然成立。本文不但丰富了分析师盈余预测影响因素的相关文献，也拓展了女性高管治理经济后果的研究，更为上市公司高管团队的组建以及资本市场中分析师预测准确性的提高提供了经验证据。本文研究结论具有以下政策启示：首先，从宏观层面来讲，目前上市公司中女性高管的总体比例不高，但女性高管的积极治理作用日益凸显，所以国家应该继续倡导公平就业，为女性员工提供更广阔的晋升空间。其次，从微观层面来讲，上市公司在设计公司治理结构时应该充分考虑高管团队女性占比的重要性。一方面，女性具有良好的沟通能力，促进企业与外部利益相关者更好的交流，降低企业信息不对称；另一方面，女性具有较低的风险偏好，通过实施积极稳健的财务决策使企业实现可持续健康发展。因此，上市公司应充分利用女性良好的沟通能力和风险规避倾向，适当提高女性在高管中的比例，以提高公司内部治理水平以及分析师预测准确性，为投资者提供更好的投资标的和信息环境。最后，本文的研究结论对于投资者更好地理解分析师行为，恰当地使用研究报告，促进社会资源合理配置，增强资本市场的有效性等方面具有一定的启示意义。本文研究也存在一定的不足之处。第一，限于研究主题，本文没有检验女性高管对于分析师盈余预测其他维度的影响，例如乐观性、及时性和预测调整等。第二，本文没有关注女性高管的年龄和受教育水平等个人特质对女性高管与分析师盈余预测准确性关系的影响。这些均可以成为后续进一步研究的主题。参考文献NIELSEN S, HUSE M. The contribution of women on boards of directors:going beyond the surface . Corporate Governance:An International Review,2010,18(2):136-148.王霞,薛跃,于学强.CFO的背景特征与会计信息质量——基于中国财务重述公司的经验证据.财经研究,2011(9):123-133.何威凤,刘启亮.我国上市公司高管背景特征与财务重述行为研究.管理世界,2010(7):80-91.杜兴强, 赖少娟,裴红梅.女性高管总能抑制盈余管理吗?——基于中国资本市场的经验证据.会计研究, 2017(1):83-95.祝继高,叶康涛,严冬.女性董事与企业投资行为:基于金融危机视角.财贸经济,2012(4):45-55.李小荣,刘行, CEO vs CFO:性别与股价崩盘风险.世界经济, 2012(12):102-129.任颋,王峥.女性参与高管团队对企业绩效的影响:基于中国民营企业的实证研究.南开管理评论, 2010(5):81-91.EAGLY A H, JOHNSON B T. Gender and leadership style: a meta-analysis.Psychological Bulletin,1990,108(2):233-256.IBRAHIM N A, ANGELIDIS J, TOMIC I M. Managers’ attitudes toward codes of ethics: are there gender differences?. Journal of Business Ethics，2009，90(3):343-353.NELNODDING. Caring:a feminine approach to ethics and moral education .:University of California Press，1984,47(2):1-27．JOHNSON J E V, POWELL P L. Decision making, risk and gender: are Managers Different? .British Journal of Management,1994,5(2):123-135.SRINIDHI B，GUL F A，TSUI J．Female directors and earnings quality .Contemporary Accounting Research，2011，28(5):1610-1644．GUL F，SRINIDHI B，NG A C．Does board gender diversity improve the information of stock prices. Journal of Accounting and Economics，2011，51(3):314-338．况学文,陈俊.董事会性别多元化、管理者权力与审计需求.南开管理评论,2011(6):91-102.周泽将,修宗峰.女性高管能降低盈余管理程度吗?——基于中国资本市场的经验证据.中南财经政法大学学报, 2014(5):150-160.路军.女性高管抑制上市公司违规了吗?——来自中国资本市场的经验证据.中国经济问题, 2015(5):66-81.FRANCIS B，HASAN I，PARK J C，et al．Gender differences in financial reporting decision making: evidence from accounting conservatism.Contemporary Accounting Research，2015,32(3):1285-1318.周泽将,刘中燕.CEO vs CFO:女性高管能否抑制财务舞弊行为.上海财经大学学报,2016(2):50-62.李世刚.女性高管、过度投资与企业价值——来自中国资本市场的经验证据.经济管理,2013(7):74-84.MARTIN A D，NISHIKAWA T，WILLIAMS M A.CEO gender:effects on valuation and risk.Quarterly Journal of Finance and Accounting,2009,48(3):23-40.LEVI M，LI K，ZHANG F. Director gender and mergers and acquisitions.Journal of Corporate Finance,2014,28(10):185-200.HUANG J，KISGEN D J. Gender and corporate finance .Journal of Financial economics，2012,22(6):102-125.王清,周泽将. 女性高管与R&D投入:中国的经验证据.管理世界, 2015(3):178-179.曾萍,邬绮虹.女性高管参与对企业技术创新的影响——基于创业板企业的实证研究.科学学研究, 2012(5):773-781.FACCIO M，MARCHICA M T，MURA R.CEO gender,corporate risk-taking,and the efficiency of capital allocation. Journal of Corporate Finance,2016,39(8):193-209.GILLGAN C. In a different voice . Cambridge: Harvard University Press，1993：281-290.朱文莉，邓蕾.女性高管真的可以促进企业社会责任履行吗?——基于中国A股上市公司的经验证据.中国经济问题,2017(4):119-135.杜兴强,冯文滔.女性高管、制度环境与慈善捐赠——基于中国资本市场的经验证据.经济管理, 2012(11):53-63.黄志忠, 薛清梅,宿黎.女性董事、CEO变更与公司业绩——来自中国上市公司的证据.经济评论, 2015(6):132-143.BAGINSKI S，JOHN P，HASSELL M. Determinants of management forecast precision.The Accounting Review，1997，72(2):303-312.LANG M，LINS K，MILLER D. ADRs，analysts and accuracy: does cross listing in the United States improve a firm’s information environment and increase market value? .Journal of Accounting Research，2003，41(2):317-345.方军雄.我国上市公司信息披露透明度与证券分析师预测.金融研究,2007(6):136-148.程博,潘飞.语言多样性、信息获取与分析师盈余预测质量.管理科学学报,2017,20(4):50-70.BYARD D，LI Y，WEINTROP J. Corporate governance and the quality of financial analysts’ information .Journal of Accounting and Public Policy, 2006,25(5): 609-625.姜付秀,石贝贝,马云飙.董秘财务经历与盈余信息含量.管理世界,2016(9):161-171.宋乐,张然.上市公司高管证券背景影响分析师预测吗?.金融研究，2010(6): 112-123.赵良玉，李增泉，刘军霞．管理层偏好、投资评级乐观性与私有信息获取.管理世界，2013(4): 33-47.COHEN L，FRAZZINI A，MALLOY C J. Sell side school ties.The Journal of Finance, 2010,65(4):1409-1437.DREBER A，JOHANNESSON M. Gender differences in deception .Economics Letters,2008,99(1):197-199.BUSHMAN R M, SMITH A J. Transparency, financial accounting information, and corporate governance . Economic Policy Review, 2003, 9(1):123-135.LANG M H，LUNDHOLM R J. Corporate disclosure policy and analyst behavior .The Accounting Review, 1996,71(4): 467-492.李丹,贾宁.盈余质量、制度环境与分析师预测.中国会计评论,2009(4):352-369.董望, 陈俊,陈汉文.内部控制质量影响了分析师行为吗?——来自中国证券市场的经验证据.金融研究, 2017(12):191-206.林长泉,毛新述,刘凯璇.董秘性别与信息披露质量——来自沪深 A 股市场的经验证据.金融研究,2016(9)：193-205.BROCHET F，MILLER G S，SRINIVASAN S. Do analysts follow managers who switch companies? An analysis of relationships in the capital markets. The Accounting Review, 2014, 89(2): 451-482.黄旭,徐朝霞,李卫民.中国上市公司高管背景特征对企业并购行为的影响研究.宏观经济研究, 2013(10):73-85.王化成，张修平，侯粲然，等.企业战略差异与权益资本成本——基于经营风险和信息不对称的中介效应研究.中国软科学，2017(9)：99-112.石桂峰,苏力勇,齐伟山.财务分析师盈余预测精确度决定因素的实证分析.财经研究,2007(5)：62-71.JENNINGS J，LEE J，MATSUMOTO D A. The effect of industry co-location on analysts’ information acquisition costs . The Accounting Review, 2017,92(6):103-127.BRICKER R，PREVITS G，ROBINSON T，et al. Financial analyst assessment of company earnings quality .Journal of Accounting, Auditing & Finance,1995,10(3):541-554.LEE S，PANDIT S，WILLIS R. Equity method investments and sell-side analysts’ information environment . Accounting Review, 2013,88(6):2089-2115.何贤杰.信息源、信息搜寻与市场吸收效率——基于证券分析师盈利预测修正的经验证据. 财经研究,2008(5): 63-74.曾颖,陆正飞.信息披露质量与股权融资成本.经济研究,2006(2):69-79.EAMES M，GLOVER S. Earnings predictability and the directing of analysts’ earnings forecast errors . The Accounting Review, 2003,78(3):707-724.LENNOX C S，FRANCIS J R，WANG Z. Selection models in accounting research.The Accounting Review，2012，87(2):589-616．温忠麟,张雷,候杰泰.中介效应检验程序及其应用.心理学报,2004,36(5):614-620.
Do Female Executives Influence Analyst Forecast Accuracy?ZHAI Shu-ping, YUAN Ke-li(School of Accounting, Tianjin University of Finance and Economics, Tianjin 300222, China)Abstract：The existing literature lacks a discussion on the influence of the gender characteristics of executives of listed companies on the accuracy of analyst prediction and its influencing mechanism. Based on Shenzhen’s A shares listed companies during 2010—2016 sample, this paper investigates the influence of female executives of listed companies on the accuracy of analysts’ forecasts. The study found that the existence of female executives in listed companies significantly improved the accuracy of analyst earnings forecast, and the higher the proportion of female executives in listed companies, the higher the accuracy of analyst forecast. Further research on the internal mechanism of female executives’ influence on the accuracy of analyst prediction through the test of intermediary effect found that female executives improved the accuracy of analyst prediction by improving the quality of information disclosure and reducing earnings volatility. This paper expands the research on the economic consequences of female executive governance and the factors influencing the accuracy of analyst forecasts, and at the same time provides empirical evidence for the selection of executive teams of listed companies and the improvement of the accuracy of analyst forecasts in the capital market.Key words：female executives; analysts forecast accuracy; quality of information disclosure; earnings volatility
页:
[1]