会计与财务[2020年第1期] 关系型分析师信息优势的来源 ——来自分析师实地调研的证据.pdf

关系型分析师信息优势的来源 ——来自分析师实地调研的证据 1 王俊杰 ，官 峰 2 1 华东理工大学商学院 讲师 2 上海财经大学会计与财务研究院会计学院 副教授 摘要：基于 2012-2017 年期间深交所上市公司的实地调研数据，本文分别从调研机会、调研时机和调研活 动信息效应三个方面，研究关系型分析师信息优势的来源。研究发现，关系型分析师更可能得到独家实地 调研的机会，尤其是在公司重大事项公告前；与此同时，关系型分析师独家调研的信息效应更高，表现为 更高的盈余预测修正程度，特别在关系型交易程度较高的公司中。进一步研究发现，关系型分析师调研的 信息效应更高，主要源自于其更强的信息解读能力。本文的研究发现丰富了关系型分析师作为嵌入式中介 提高信息传递效应的文献，同时也为当前资本市场信息披露和监管提供了经验证据和政策参考。 关键词：关系型分析师；独家调研；信息效应；嵌入式中 中图分类号：F272.3 文献标识码： A 一、引言 Jensen 和 Meckling（1976）提出的代理理论及后续的实证研究指出，降低信息不对称 能够吸引更多的投资者参与资本市场交易，进而提高资源配置的效率。十九大报告也指出: “要深化金融体制改革，增强金融服务实体经济的能力，提高直接融资比重，促进多层次资 本市场健康发展。”资本市场的健康发展需要信息环境的不断改善。分析师是公司信息传递 的重要渠道，因此，哪些因素影响分析师的信息获取能力，以及分析师获取信息的机制和方 式成为学术和实务界共同关注的焦点。围绕这个问题，众多学者从多个维度展开研究，并形 成了较为丰富的成果，如分析师通过取悦公司管理层、社会关系和地理毗邻等方式和资源从 上市公司获取了信息优势（Bradshaw 等，2016；Cohen 等，2010；Malloy，2005）。与此同 时，已有文献研究发现私有信息渠道是分析师获得信息优势的关键因素（Soltes，2014）， 而与上市公司高管的直接接触是分析师最重要的私有信息来源之一（Green 等，2014）。 自 2006 年开始，深交所强制要求深市上市公司披露投资者调研活动信息，并在 2012 年进一步强化投资者调研活动信息披露的规范性和及时性。实地调研是分析师直接接触上市 公司管理层的重要机会，因此，上述调研信息的披露为我们观察分析师私有信息的获取机制 提供了重要的机会。已有文献也研究证明分析师在实地调研活动中的确实获得了与公司相关 的增量信息（肖斌卿等，2017；Cheng 等，2016；Han 等，2018）。然而，现有文献对分析 师参与调研的目的未作区分，除了信息获取之外，也存在以客户服务为目的的调研活动 （Brown 等，2015；Gu 等，2018）。同时，鲜有文献关注分析师个体特征如何影响其通过调 研获取信息的能力以及相应的信息效应。实地调研作为一项获取公司私有信息的重要渠道和 资源，并非在分析师群体中随机分布的。在我国当前经济转型的发展过程、制度环境社会文 化背景下，无论国有企业，还是民营企业均表现出一定的关系型交易特征（李增泉，2017）， 因此更加依赖关系型分析师作为嵌入式中介，从而实现更好的信息传递作用（Li 等，2020）。 然而，关系型分析师是否通过实地调研获得了更多信息优势，这种优势是否提高了关系型分 析师传递信息的效应，以及其中作用机制，对此我们仍然知之甚少。 基于 2012-2017 年期间深交所上市公司的实地调研数据，本文分别从调研机会、调研时 机和调研活动信息效应三个方面，研究关系型分析师信息优势的来源。研究发现，首先，关 系型分析师更可能得到对上市公司进行独家实地调研的机会，尤其是在公司将要公告重大事 项之前；其次，关系型分析师独家调研的信息效应更高，表现为更高的盈余预测修正程度， 而且通过横截面检验发现上述信息效应差异在关系型交易程度较高的公司中更加显著。另外， 进一步研究发现，关系型分析师调研的信息效应更高，主要源自于其更强的信息解读能力。 最后，本文通过调整解释变量和被解释变量的度量方法，增加公司固定效应等方式对研究问 题进行了稳健性检验，保证论文结论与实证结果的稳健。 本文的研究在理论和实践两个层面都具有一定的贡献。 首先，有助于补充社会关系影响分析师行为方面的文献。已有研究从预测准确性、分析 师报告信息含量等角度关注了社会关系对分析师信息获取效果的影响，并认为关系型分析师 的信息优势是源于其私有信息渠道（Cohen 等，2010；Li 等，2020）。本文借助分析师调研 活动，对社会关系如何影响分析师的私有信息获取活动进行检验，为关系型分析师拥有更多 私有信息渠道这一结论提供直接证据。 其次，有助于补充上市公司调研方面的文献。调研活动是分析师重要的信息获取方式。 自深交所要求深市上市公司强制披露投资者调研活动信息以来，大量研究利用中国监管机构 这一特殊的信息披露要求，研究调研参与人员的信息获取情况（曹新伟等，2015；肖斌卿等， 2017；Bowen 等，2018；Cheng 等，2018；Han 等，2018）。然而，已有研究较少关注调研 活动所处的关系型交易制度背景，以及分析师不同的调研目的。本文以我国关系型交易制度 环境为研究背景，区分了以信息获取为目的的分析师调研活动，关注了社会关系对分析师调 研机会获取、调研时机选择及信息效应的影响。 最后，本文可以为资本市场的信息披露监管提供理论依据和政策参考。我国证监会于 2007 年颁布并实施了《上市公司信息披露管理办法》 ，要求上市公司同时向所有投资者公开 披露信息。本文对社会关系如何影响调研机会、调研时机及调研活动信息效应的考察，是对 公平信息披露原则的直接检验。关系型社会是我国当前制度环境的特征，社会关系的负面经 济后果也是无法回避的监管难题，有利于我们对社会关系经济后果的全面认识。 二、研究假说 券商分析师是调研活动主要的参与者。样本期内共有 29,698 次深市上市公司调研活动， 券商分析师参与了其中 72.98%的调研活动，而 47.54%的调研活动只有一家券商的分析师参 与。分析师对调研活动的青睐源于现行制度下调研活动的“半私密”特征。深交所在 2006 年发布的《投资者关系管理指引》中鼓励深市上市公司接待来自投资者的调研活动。在不要 求强制披露调研相关信息的前提下，调研活动完全成为私人内部会议。为了控制调研过程中 的重大信息泄露问题，深交所在 2009 年开始强制要求上市公司披露调研信息。这个阶段， 调研信息只以表格形式在年报中汇总披露，缺少时效性和规范性，对调研对象和交流内容的 1 记录都比较简略，格式也不统一 。深交所在 2012 年进一步提高了调研信息的规范性和及时 性要求，要求上市公司在调研活动后两天内在指定信息披露平台“互动易”上提交《投资者 关系活动记录表》。 《投资者关系活动记录表》将包含调研日期，调研活动披露日期，内部接 待人员的名字和职位，外部调研人员名字与单位，调研地点，问答形式记录的调研主要内容 等信息。 分析师参与调研的比例 100.00% 90.00% 80.00% 70.00% 74.37% 74.22% 75.37% 75.54% 74.10% 2013 2014 2015 2016 2017 64.27% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 2012 图 1 各年度分析师参与调研比例 数据来源：CSMAR 本文将只有一家券商参与的调研活动定义为分析师独家调研活动。调研活动的私密性与 参与机构数量直接相关。独家调研活动的优势在于，一方面，限制了其他券商机构和人员的 参与，为分析师获取私有信息提供便利。上市公司信息披露行为受到监管机构严密的监管。 证监会在 2005 年发布的《上市公司与投资者关系工作指引》中明确规定了“公司应公平对 待公司的所有股东及潜在投资者，避免进行选择性信息披露” 。上市公司在调研活动中披露 私有信息的法律风险会随着参与机构数量的增加而增加。另一方面，独家调研活动也为分析 师和上市公司提供了充分互动交流的机会。在独家调研活动中，分析师可以与上市公司进行 一对一的问答交流，提问和回答都将更具针对性。 理论上所有投资者可以参与上市公司调研，公司也可以邀请任意调研对象。然而实务中， 调研活动由上市公司进行安排和接待，上市公司可以选择性地接受调研，选择性地安排接待 人员，以及选择性地回答问题。换而言之，调研机会的分布并不是随机的。考虑到调研活动 对调研双方而言均是一项“费时费力”的稀缺资源，上市公司会倾向于向关系较好的分析师 倾斜调研机会的分配。类似地，美国上市公司会给关系较好的分析师更多提问机会（Brown 等，2019）。中国企业也更为依赖关系型分析师，需要借助关系分析师实现信息传递（李增 泉，2017；Li 等，2020）。调研活动也有助于上市公司与关系型分析师维护互惠关系。 综合上述分析，本文提出以下假说： H1：关系型分析师更有可能参与上市公司独家调研。 社会关系加强了分析师与上市公司之间的信任（Jacobs，1979），可以为上市公司披露 私有信息的真伪提供担保。其次，分析师的关系型特征将有效保证上市公司在调研场景下披 露的私有信息被分析师所理解。不同分析师在调研前的信息基础存在差异。关系型特征使得 分析师对上市公司及相关人员更为熟悉和了解，有更多背景知识用于理解新的私有信息，例 如上市公司本次交易发生的关系背景，从而能综合评估调研中披露的单次交易信息对上市公 司的影响。这种熟知和了解也表现为对上市公司管理人员的肢体语言、语气语调等非重要信 息更准确的解读能力。Roberts 等（2006）发现调研人员可以从高管在交流中的肢体语言中 获取公司未来经营业绩的信息。此外，拥有信息优势的关系型分析师也能更有效地在调研活 动中与上市公司相关人员互动。例如 Mayew 等（2013）发现拥有私有信息优势的分析师更有 可能在盈余电话会上提问。 因此，本文提出以下假说： H2：关系型分析师在独家调研后的预测修正程度更大。 三、研究设计 （一）样本与数据 2012-2017 年间共有 29,698 次深市上市公司调研活动，其中 14,118 次（47.54%）为只 2 有一家券商参与的独家调研活动 。本文以分析师独家调研活动为基础构建样本。参照 Cheng 等（2016），本文在独家调研分析师样本的基础上匹配调研活动前 180 天内有发布对应上市 公司盈余预测报告的非独家调研分析师样本作为对照组。在剔除财务数据确实的样本观测后， 得到 18,584 个分析师-上市公司-调研活动样本。 （二）实证模型 假说 H1 模型设定如下： SV=f(Embedded， Control variable) +ε （1） 被解释变量 SV 为哑变量，度量分析师当期是否调研所跟踪的公司，调研取 1，否则为 0。 各变量的具体定义请参见表 1（下同） 。 解释变量 Embedded 度量分析师关系型特征。本文参照 Li 等（2020）的方法，从校友、 地理距离、商业关系三个维度来界定关系型分析师。变量 Embedded 为哑变量，当分析师与 上市公司存在以下三种情况之一时取 1， （1）分析师与公司在任高管存在共同的大学教育背 景， （2）分析师所在券商与上市公司总部在同一个城市， （3）分析师所在券商与上市公司之 间过去 5 年内存在 IPO 或 SEO 的承销关系；否则取 0。本文预计 Embedded 的系数显著为正， 即关系型分析师更有可能参与上市公司独家调研。 控制变量参照 Cheng 等（2016）进行选取：分析师跟踪该公司的经验（Firmexp）、券商 人数规模（Brokerage_size） 、机构持股比例（Inst_holding） 、上市公司董事会独立董事比 例（Indep） 、上市公司账面市值比（BM） 、上市公司规模（Firm_size_lag） 、年度股票收益 率（BHAR_lag）、是否为亏损公司（Loss） 、上市公司成长性（Growth）。此外还控制了行业 （Ind） 、年度（Year）和券商（Broker）固定效应。 假说 H2 模型基于 DID 研究思路设定，具体如下： Accuracy_change=f(Embedded*SV，Embedded，SV，Control variable) +ε （2） Accuracy_change 为被解释变量。 Accuracy_change 度量分析师在调研活动之后的预测 修正， 即用调研后最近一次预测的 Accuracy 减去调研前最近一次预测的 Accuracy。 Accuracy 为 分析 师预测 盈余 与公司 实际 盈余差 异的绝 对值 ，并 用年初 股价作 为分 母标 准化。 Accuracy_change 越小，表示预测修正越大，分析师在事后的盈余预测越准确，分析师在调 研活动中获得的信息越多。本文将 Accuracy_ avg _change 为 Accuracy_change 的稳健性检 验，为调研前后 180 天窗口期内分析师的平均预测修正，即用调研后 180 天内单个分析师 Accuracy 的均值减去调研前 180 天内单个分析师 Accuracy 的均值。 交乘项 Embedded*SV 为模型（2）主要解释变量。解释变量 Embedded 的定义方式同模型 （1）。 Embedded*SV 表示参与调研的关系型分析师，本文预计 Embedded*SV 的系数显著为负， 即关系型分析师在参与独家调研活动之后的预测修正程度更大。 控制变量参照 Cheng 等（2016）进行选取：分析师在调研活动前后两次预测的时间间隔 变 化 （ Horizon_chg ）、 分 析 师 在 调 研 前 后 180 天 内 预 测 的 平 均 时 间 间 隔 变 化 （Horizon_avg_chg） 、分析师跟踪该公司的经验 （Firmexp） 、券商人数规模（Brokerage_size） 、 机构持股比例（Inst_holding） 、上市公司董事会独立董事比例（Indep） 、上市公司账面市 值比（BM） 、上市公司规模（Firm_size_lag）、年度股票收益率（BHAR_lag） 、是否为亏损公 司（Loss） 、 上市公司成长性 （Growth） 。此外还控制了行业（Ind） 、年度（Year） 和券商（Broker） 固定效应。 表 1 主要变量定义 变量类型 变量名 符号 变量定义 分析师调研 SV 分析师参与本次调研取1，否则取0 Accuracy_changes 盈余预测修正 第i次调研前后最近两次分析师预测误差的变 化，调研后预测误差-调研前预测误差 第i次调研前后180天内分析师平均预测误差的 Accuracy_avg_changes 变化，调研后平均预测误差-调研前平均预测误 差 被解释变 第i次调研前后最近两次分析师报告的信息含量 量 变化，调研后分析师报告的CAR-调研前分析师 CAR_changes 报告的CAR，CAR为分析师报告（-1，+1）窗 分析师报告信 口期的累计超额收益绝对值，用事件日前180 息含量变化 估算Beta 第i次调研前后180天内分析师报告平均信息含 CAR_avg_changes 量的变化，调研后分析师报告CAR的均值-调研 前分析师报告的CAR的均值 t期分析师的关系型特征，参照Li等（2020）由 解释变量 关系型特征 Embedded 校友、地理位置、商业合作三个维度构成，存 在上述关系时取1，否则取0 调研窗口公告 Rnum 数量 调研活动（-15，-1）或（+1，+15）窗口期内 的公司数量占所在行业公告数量的比例 t期上市公司存在关联交易取1，否则取0。上市 公司关联交易用两类指标界定，（i）关联方或 分组变量 关系型交易 Related 者前五大客户（供应商）占企业收入（成本） 30%以上时界定，（ii）关联方借款（贷款）占 总资产30%以上 控制变量 工作经验 Firmexp t期分析师已跟踪某上市时间的自然对数 券商规模 Brokerage_size t期分析师所在券商的分析师数量的自然对数 机构持股比例 Inst_holding t期机构持股比例 公司规模 Firm_size_lag t-1期末公司市值的自然对数 账面市值比 BM t期上市公司总资产/总市值 亏损 Loss t期上市公司净利润小于0取1，否则取0 公司治理 Indep t期独立董事人数占董事会比例 成长性 Growth t期上市公司总收入/t-1期上市公司收入 股票收益 BHAR t期上市公司全年BHAR 第i次调研前后最近两次分析师预测的时间间隔 变化，调研前分析师报告预测间隔-调研后分析 Horizon_chg 预测时间间隔 师报告的时间间隔 的变化 第i次调研前后180天分析师预测的时间间隔平 Horizon_chg_avg 均变化，调研前180天分析师报告平均时间间隔 -调研后180天分析师报告的平均时间间隔 四、实证结果 （一）描述性统计结果 表 2 列示了本文主要的变量的描述性统计结果。表中包含深市上市公司-分析师-调研样 本观测值 18,584 个。为消除极端值影响，本文对所有连续变量进行了首尾各 1%的 Winsorize 处理。SV 的均值为 0.151，表明样本中调研分析师观测值占 15.1%。变量 Embedded 的均值 为 0.093，表示有 9.3%的分析师存在关系型特征。Accuracy_changes 的均值和标准差分别 为-0.001 和 0.003，表明分析师在调研前后的预测修正差异较大，且总体而言，调研后的盈 余预测误差更小。 表 2 描述性统计 Variable Obs Mean Std.Dev. Min Max SV 18,584 0.151 0.358 0.000 1.000 Accuracy_changes 18,584 -0.001 0.003 -0.022 0.007 Accuracy_avg_changes 18,584 -0.000 0.005 -0.025 0.019 Embedded 18,584 0.093 0.290 0.000 1.000 Horizon_chg 18,584 0.993 1.718 0.000 5.142 Horizon_chg_avg 18,584 0.825 1.767 0.000 5.269 Firmexp 18,584 0.203 0.441 0.000 1.792 Brokerage_size 18,584 4.055 0.581 2.197 5.136 Firm_size_lag 18,584 15.721 0.944 14.013 18.456 Inst_holding 18,584 3.434 0.896 0.463 4.451 Indep 18,584 0.317 0.039 0.288 0.452 BM 18,584 0.427 0.143 0.121 0.727 Growth 18,584 0.786 0.187 0.186 1.652 Loss_lag 18,584 0.027 0.134 0.000 0.693 BHAR 18,584 0.713 0.163 0.408 1.206 Analystfollow 18,584 3.245 0.809 0.000 4.820 （二）假说 H1 实证结果 表 3 为假说 H1 的回归检验结果， 假说 H1 的被解释变量为分析师是否调研虚拟变量 （SV） 。 在控制了分析师个人、券商、上市公司等层面的变量，及加入年份（Year） 、行业（Ind） 、 券商（Broker）固定效应后，分析师的关系型特征变量（Embedded）的回归系数均在 1%水 平下显著为正。表示关系型特征会增加分析师参与独家调研的可能性。 基于已有文献，调研活动也可能是分析师为机构投资者提供的一项客户服务（Brown 等， 2015；Gu 等，2018）。在以客户服务为目的的调研活动中，分析师主要向机构客户推介信 息而非获取信息。本文通过调研活动的时机选择来区分以信息获取为目标的调研活动和以客 户服务为目标的调研活动，以信息获取为目标的调研活动更有可能发生在公司重大事项公告 以前。同时，鉴于违规信息披露的违法成本，关系型分析师更有可能获得公告前的调研机会。 为了检验上述结论，本文在模型（1）中添加调研活动（-15，-1）和（+1，+15）窗口期内 的企业公告数量（Rnum） ，其中 Rnum 由对应上市公司在窗口期内的公告数量经公司所在行业 公告数量标准化后计算得到。结果列示在表 3（2）-（3）列中。 表 3 第（2）列结果显示，Rnum 的系数显著为正（5%水平下） ，表示分析师参与独家调 研的可能性与上市公司将要发布的公告数量正相关。交乘项 Rnum*Embedded 的系数显著为正 （5%水平下） ，意味着上市公司在调研活动后发布的公告数量会进一步提升关系型分析师参 与独家调研的可能性。第（3）列结果显示，交乘项 Rnum*Embedded 的系数显著为负（1%水 平下） ，表示上市公司在调研活动前发布的公告数量会显著降低关系型分析师参与调研的可 能性。由此可见，分析师参与独家调研活动主要是为了获取信息，而关系型分析师更有可能 获得独家调研机会。 表 3 关系型分析师特征与独家调研 VARIABLES (1) (2) (3) SV SV SV Logit Logit Logit 调研活动（+1，+15） 调研活动（-15，-1） Embedded 1.2200*** 1.0163*** 0.8466*** [0.000] [0.000] [0.000] 0.0561** -0.0461*** [0.037] [0.006] 0.0161** 0.0133 [0.028] [0.110] 1.1616*** 1.1857*** 1.1860*** [0.000] [0.000] [0.000] -0.1954*** -0.1901*** -0.1922*** [0.000] [0.000] [0.000] -0.1247*** -0.1195*** -0.1192*** [0.001] [0.001] [0.001] 0.0413 0.0395*** 0.0400*** [0.150] [0.004] [0.002] 0.8239 0.8863 0.8793 [0.162] [0.320] [0.326] 0.1166 0.1368 0.1386 [0.571] [0.223] [0.220] -0.0119 -0.0312 -0.0369 [0.927] [0.751] [0.706] 0.0142 -0.0210 -0.0243 [0.935] [0.881] [0.863] -0.2786* -0.2561*** -0.2653*** [0.064] [0.002] [0.001] 0.2782*** 0.2973*** 0.2969*** [0.000] [0.000] [0.000] -1.2142 -1.4813* -1.4287* [0.209] [0.072] [0.087] Observations 18,584 18,584 18,584 Ind FE YES YES YES Rnum*Embedded Rnum Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Constant Year FE YES YES YES Broker FE YES YES YES Pseudo R-squared 0.126 0.114 0.114 注：***、**和*分别代表 1%、5%、10%的显著性水平。系数显著性水平均经过异方差修正。括号中为 系数对应的 P 值。下表同。 为了进一步验证分析师关系型特征与调研时机选择之间的关系，本文选取了三类重大信 息披露事项构建 DID 研究设计。以信息获取为目的的分析师调研活动更有可能发生在公司重 大事项公告以前，本文具体选取了澄清公告、重大合同公告、股权质押公告三类重大事项公 告以检验关系型分析师调研的可能性。研究设计思路为，第一步，确定上市公司重大事项公 告日； 第二步，匹配窗口期内的联合调研记录， 为了排除来自其他公告的影响，本文选择（-5， +5）短窗口。当调研活动发生在重大事项公告后，Post 取 1，否则取 0。Embedded*Post 为 主要解释变量，用于检验重大事项后关系型分析师调研的可能性。 表 4 第（1）-（3）列的实证结果显示，Embedded 的系数显著为正（均为 1%水平下）， 而 Embedded*Post 的系数显著为负，表示关系型分析师更有可能在重大事项公告前参与独家 调研，进一步验证了关系型分析师的调研时机选择方式。 表 4 重大事项公告与分析师独家调研 VARIABLES Embedded Embedded*Post Post Firmexp Brokerage_size (1) (2) (3) SV SV SV Logit Logit Logit 澄清公告（-5，+5） 重大合同（-5，+5） 股权质押（-5，+5） 1.4211*** 1.1784*** 1.8896*** [0.000] [0.000] [0.000] -0.8076*** -1.1912** -0.9809* [0.003] [0.017] [0.055] 0.0564 0.2391 0.0366 [0.635] [0.346] [0.707] 1.2821*** 1.5927*** 1.1518*** [0.000] [0.000] [0.000] 0.0421 0.6570** -0.0792 [0.550] [0.027] [0.804] Firm_size_lag -0.2703*** -0.4522 0.0566 [0.001] [0.111] [0.727] 0.0989* 0.4581*** -0.0553 [0.098] [0.000] [0.665] 0.0418 4.9246 -2.2148 [0.977] [0.112] [0.442] -0.3451 0.2747 0.4688 [0.446] [0.815] [0.785] 0.5242* 1.3219* -0.1271 [0.089] [0.097] [0.704] -0.2948 0.6738 -0.1002 [0.545] [0.343] [0.935] 0.2730 -1.8342 -1.9020*** [0.422] [0.152] [0.001] 0.0026 0.0089* 0.3031 [0.393] [0.063] [0.113] 0.1010 -13.3549*** -15.8001*** [0.946] [0.000] [0.000] Observations 3,999 538 1,587 Ind FE YES YES YES Year FE YES YES YES Broker FE YES YES YES Pseudo R-squared 0.147 0.219 0.188 Inst_holding Indep BM Growth Loss BHAR Analystfollow Constant （三）假说 H2 实证结果 本文利用分析师在每一次调研活动事件前后的盈余预测修正检验假说 2。Embedded*SV 为主要解释变量，用于检验参与独家调研的关系型分析师的预测修正程度。表 5 第（1）（2）结果显示，在控制了分析师个人、券商、上市公司等层面的变量，及加入年份（Year） 、 行业（Ind） 、券商（Broker）固定效应后，Embedded*SV 的系数在 5%水平下显著为负，表示 关系型特征将显著提高分析师参与独家调研活动之后的盈余预测修正程度。上述结果表明， 关系型分析师更有可能在独家调研活动中获得增量信息。 表 5 分析师独家调研与预测修正 VARIABLES Embedded*SV SV Embedded Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow (1) (2) Accuracy_change Accuracy_ avg _change Ols Ols -0.0004** -0.0012*** [0.038] [0.006] 0.0002** 0.0009*** [0.012] [0.000] 0.0003 0.0013*** [0.165] [0.000] 0.0000 0.0005*** [0.737] [0.002] 0.0001* 0.0001*** [0.055] [0.006] -0.0001* -0.0002*** [0.073] [0.000] 0.0001 0.0002*** [0.118] [0.000] -0.0006 -0.0010 [0.620] [0.309] -0.0008* -0.0006** [0.082] [0.045] 0.0005*** 0.0010*** [0.005] [0.000] -0.0006** -0.0019*** [0.043] [0.000] -0.0000 -0.0004 [0.958] [0.115] 0.0000 0.0002*** [0.713] Horizon_chg [0.001] -0.0007*** [0.000] Horizon_avg_chg -0.0012*** [0.000] Constant 0.0011 0.0016 [0.490] [0.107] Observations 18,584 18,584 Ind FE YES YES Year FE YES YES Broker FE YES YES Adj R-squared 0.115 0.157 社会关系对分析师信息获取行为的影响与关系型交易制度背景密不可分。具有关系型交 易特征的企业面临较高的公开信息披露成本，并表现出较差的信息环境和较高的分析师信息 获取门槛（官峰等，2018）。结合调研活动私密特征（Bowen 等，2018），关系型分析师会 在关系型交易企业的独家调研活动中获得更多增量信息。为此，本文基于企业的关系型交易 特征进行分组检验。参照 Li 等（2020）的方法，本文拟从以下两个角度界定关系型交易信 息更难公开传递的企业： （1）关联方或者前五大客户（供应商）占企业收入（成本）30%以 上时界定， （2）关联方借款（贷款）占总资产 30%以上。表 6 是基于上市公司关系型交易特 征的截面检验结果。交乘项 Embedded*SV 在关系型交易特征组（Related=1）中显著为正（5% 水平下） ，而在 Related=0 组中不显著。上述结果表明，关系型分析师在独家调研场景下的 信息优势主要存在于关系型交易特征企业。 表 6 按照公司关系型交易特征分组 (1) VARIABLES (2) Accuracy_change Accuracy_ avg (3) (4) Accuracy_change Accuracy_ avg _change Related=1 Embedded*SV _change Related=0 Ols Ols Ols Ols -0.0011** -0.0013*** 0.0002 -0.0009 [0.044] [0.004] [0.637] [0.119] SV Embedded Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Horizon_chg 0.0003* 0.0010** 0.0001 0.0008* [0.072] [0.021] [0.496] [0.050] 0.0003 0.0010** 0.0003 0.0017*** [0.140] [0.040] [0.243] [0.001] 0.0001 0.0005* 0.0000 0.0004 [0.722] [0.052] [0.909] [0.278] 0.0001 0.0001 0.0001 0.0001 [0.201] [0.152] [0.370] [0.229] 0.0000 -0.0001 -0.0002** -0.0004** [0.813] [0.280] [0.013] [0.011] 0.0000 0.0001 0.0001 0.0003** [0.469] [0.244] [0.280] [0.011] 0.0004 -0.0005 -0.0016 -0.0020 [0.455] [0.730] [0.456] [0.489] -0.0006 -0.0004 -0.0010 -0.0008 [0.282] [0.584] [0.113] [0.432] 0.0005* 0.0009 0.0005 0.0008** [0.052] [0.175] [0.151] [0.020] -0.0008** -0.0019** -0.0002 -0.0017** [0.026] [0.012] [0.716] [0.036] 0.0003 0.0003 -0.0003 -0.0011* [0.328] [0.602] [0.400] [0.063] -0.0000 0.0001 0.0001* 0.0001* [0.595] [0.207] [0.058] [0.068] -0.0006*** -0.0007*** [0.000] [0.000] Horizon_avg_chg Constant -0.0012*** -0.0012*** [0.000] [0.000] -0.0018 -0.0019 0.0039** 0.0061* [0.417] [0.170] [0.036] [0.065] Observations 6,819 6,819 11,765 11,765 Ind FE YES YES YES YES Year FE YES YES YES YES Broker FE YES YES YES YES Adj R-squared 0.113 0.158 0.122 0.161 （四）拓展分析 表 5 的实证结果发现关系型分析师可以通过独家调研活动取得增量信息。上述结果存在 两条作用渠道，一方面，结合关系型分析师选择的调研时机，上市公司更有可能在关系型分 析师参与的调研活动中发布重大信息；另一方面，限于信息披露监管要求，上市公司在调研 活动中披露的重大信息口径一致，只是关系型分析师有更强的信息解读能力。为了检验上述 渠道，本文从以下三个角度补充检验：第一，在研究设计中添加调研活动窗口期的超额累计 回报，以控制调研活动信息含量，以检验关系型分析师的信息解读能力；第二，将调研活动 信息含量直接作为被解释变量，以检验是否是关系型分析师调研对上市公司披露信息多寡的 影响；第三，检验关系型分析师特征对调研活动问答互动的影响，以直接检验上市公司是否 在关系型分析师参与的独家调研活动中更详尽地披露信息。 按照有效市场假说，资本市场将充分吸收影响股价的相关信息，因而可以借助控制调研 活动（0，+2）窗口期超额累计回报 Reportdate_CAR 控制公司在调研活动中披露的信息量大 小。表 7（1）-（2）列的实证结果显示，在控制 Reportdate_CAR 之后， Embedded*SV 的系 数依然在 5%水平下显著为负，说明关系型分析师具有过人的信息解读能力。 为了检验关系型分析师对上市公司在调研活动中披露信息多寡的影响，首先，本文将 Reportdate_CAR 作为被解释变量，并在调研分析师子样本中进行检验，结果列示在表 7 第 （3）列中。结果显示，Embedded 的系数并不显著（p=0.694） 。 表 7 控制调研活动信息含量 VARIABLES Embedded*SV SV (1) (2) (3) Accuracy_change Accuracy_ avg _change Reportdate_CAR Ols Ols Ols -0.0004** -0.0012*** [0.041] [0.006] 0.0002** 0.0009*** [0.012] [0.000] Embedded Reportdate_CAR Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Horizon_chg 0.0003 0.0013*** -0.0006 [0.177] [0.000] [0.694] -0.0021* -0.0044*** [0.061] [0.000] 0.0000 0.0005*** -0.0009 [0.772] [0.003] [0.442] 0.0001* 0.0001*** 0.0116* [0.053] [0.006] [0.053] -0.0001* -0.0002*** -0.0020 [0.059] [0.000] [0.190] 0.0001 0.0002*** -0.0013 [0.117] [0.000] [0.284] -0.0006 -0.0009 0.0329 [0.639] [0.356] [0.267] -0.0008* -0.0007** -0.0167** [0.078] [0.028] [0.041] 0.0005*** 0.0010*** 0.0036 [0.005] [0.000] [0.261] -0.0006** -0.0019*** 0.0181 [0.047] [0.000] [0.124] 0.0000 -0.0003 0.0188** [0.863] [0.241] [0.015] 0.0000 0.0001*** 0.0002 [0.709] [0.001] [0.839] -0.0007*** [0.000] Horizon_avg_chg -0.0012*** [0.000] Constant 0.0012 0.0019* -0.0024 [0.444] [0.069] [0.932] Observations 18,584 18,584 2,804 Ind FE YES YES YES Year FE YES YES YES Broker FE YES YES YES Adj R-squared 0.115 0.158 0.0863 其次，本文基于《投资者关系活动记录表》中以问答形式记录的信息交流纪要构建相关 指标检验分析师关系型特征对调研问答环节互动充分程度的影响。具体而言，我们将单次独 家调研活动中提问的总字段长度（Question_len_sum）以及总回复长度（Answer_len_sum） ， 平均每个提问的字段长度（Question_len_avg）以及回复长度（Answer_len_avg）四个变量 作为被解释变量，结果列示在表 8 中。 结果显示， 在控制了调研机构数量（Institution_num） 等变量后，解释变量 Embedded 的系数在（1）-（4）列中为负且不显著。上述结果综合表明， 关系型分析师在独家调研活动之后更好预测修正主要来自于关系型分析师更强的信息解读 能力，而非上市公司在关系型分析师调研活动中更多的信息披露。 表 8 关系型分析师与调研问答 VARIABLES Embedded Institution_num Firm_size_lag Inst_holding Indep BM (1) (2) (3) (4) Answer_len_sum Question_len_sum Answer_len_avg Question_len_avg Ols Ols Ols Ols -26.2949 -11.6924 -0.9314 -0.6388 [0.653] [0.123] [0.898] [0.168] 49.3346*** 10.8638*** -0.1390 0.2892*** [0.000] [0.000] [0.872] [0.000] -59.4662*** -27.0428*** 10.9630*** -0.1622 [0.009] [0.000] [0.004] [0.470] 1.5013 2.1450 -5.4129** -0.2254 [0.928] [0.402] [0.047] [0.322] 1,099.7959** 97.8857 232.4583*** 15.9667*** [0.011] [0.183] [0.000] [0.004] -151.1125 -129.3532*** 67.9303*** -4.3031*** [0.319] [0.000] [0.001] [0.007] Growth 197.3833** 18.3108 39.4470*** 2.6339** [0.013] [0.231] [0.000] [0.015] -105.2188 3.1824 -11.8279 0.8272 [0.174] [0.824] [0.400] [0.578] -438.0427*** -52.6820*** -38.6679** -2.4635* [0.000] [0.001] [0.025] [0.071] 18.4940 -3.8656 -5.8056* -1.6553*** [0.368] [0.279] [0.089] [0.000] -26.2949 -11.6924 -0.9314 -0.6388 [0.653] [0.123] [0.898] [0.168] Observations 18,584 18,584 18,584 18,584 Ind FE YES YES YES YES Year FE YES YES YES YES Broker FE YES YES YES YES Adj R-squared 0.0898 0.0874 0.0991 0.0515 Loss BHAR Analystfollow Constant （五）稳健性检验 本文通过以下方式对主结果进行稳健性检验：第一，改变解释变量度量方式；第二，改 变被解释变量度量方式；第三，使用固定效应模型。 文章的主要解释变量 Embedded 由校友、地理距离、商业关系三个维度度量。同城便于 分析师与上市公司建立关系，同时也方便分析师用更低的成本参与调研，因而能发现表 3 的实证结果。为了排除替代性解释，我们将关系型特征变量拆分为单一维度进行稳健性检验。 其中 Embedded_school、Embedded_ib、Embedded_city 分别为分析师与上市公司的校友关系、 投资银行关系、同城关系。表 9 列示了关系型特征细分维度与分析师调研的实证结果。表 10 列示了关系型细分维度与分析师预测修正的实证结果。表 9 和表 10 实证结果显示，文章 的基本结论不变。 表 9 拆分关系型特征度量维度与分析师调研 VARIABLES Embedded_school (1) (2) (3) SV SV SV Logit Logit Logit 1.1883*** [0.000] Embedded_ib 0.9135*** [0.000] Embedded_city 1.2328*** [0.000] Firmexp 1.2586*** 1.4675*** 1.3740*** [0.000] [0.000] [0.000] -0.1859** -0.1667** -0.1690* [0.016] [0.046] [0.054] -0.1311*** -0.1737*** -0.1432*** [0.000] [0.000] [0.000] 0.0452 0.0283 0.0309 [0.238] [0.475] [0.383] 0.7140* 1.1258** 0.8509* [0.085] [0.023] [0.058] 0.0822 0.2086 0.0473 [0.442] [0.414] [0.845] -0.0040 0.0710 0.0490 [0.985] [0.755] [0.826] -0.0117 -0.1644 -0.1107 [0.941] [0.306] [0.483] -0.2715*** -0.4121*** -0.4248*** [0.007] [0.001] [0.000] 0.3037*** 0.3472*** 0.3281*** [0.000] [0.000] [0.000] -1.2549* -0.8653 -1.1028 [0.079] [0.323] [0.130] Observations 17,814 16,951 17,322 Ind FE YES YES YES Year FE YES YES YES Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Constant Broker FE YES YES YES Pseudo R-squared 0.123 0.117 0.122 表 10 拆分关系型特征度量维度与预测修正 (1) (2) (3) Accuracy_ VARIABLES Accuracy_chang avg Accuracy_ avg _change (6) Accuracy_chang e Ols (5) Accuracy_ Accuracy_chang e Ols (4) avg e _change Ols Ols -0.0011* -0.0025** [0.058] [0.023] 0.0007** 0.0019*** [0.023] [0.003] _change Ols Ols -0.0003 -0.0035** Embedded_schoo l -0.0004* -0.0016** * *SV Embedded_schoo l [0.067] [0.001] 0.0003 0.0014*** [0.122] [0.000] Embedded_ib *SV Embedded_ib Embedded_city *SV * Embedded_city SV Firmexp [0.652] [0.001] 0.0002 0.0009*** [0.562] [0.000] 0.0002** 0.0009*** 0.0002** 0.0009*** 0.0002** 0.0023*** [0.011] [0.000] [0.019] [0.000] [0.021] [0.002] 0.0000 0.0005*** 0.0001 0.0006*** 0.0000 0.0007*** Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Horizon_chg [0.752] [0.001] [0.568] [0.000] [0.760] [0.000] 0.0001 0.0001*** 0.0001 0.0001*** 0.0001* 0.0001** [0.105] [0.004] [0.130] [0.003] [0.078] [0.032] -0.0001 * -0.0001 -0.0002** * -0.0001 -0.0002** * [0.132] [0.001] [0.326] [0.004] [0.191] [0.005] 0.0001 0.0002*** 0.0000 0.0002*** 0.0000 0.0002*** [0.139] [0.000] [0.223] [0.000] [0.320] [0.000] -0.0006 -0.0007 -0.0006 -0.0003 -0.0008 -0.0003 [0.647] [0.498] [0.657] [0.771] [0.529] [0.715] -0.0008* -0.0007** -0.0008** -0.0004 -0.0007* -0.0001 [0.058] [0.019] [0.035] [0.163] [0.074] [0.814] 0.0005** 0.0009*** 0.0004** 0.0008*** 0.0005*** 0.0008*** [0.015] [0.000] [0.016] [0.000] [0.007] [0.000] -0.0006* -0.0020** * -0.0005 -0.0018** * -0.0005 -0.0018** * [0.053] [0.000] [0.134] [0.000] [0.124] [0.000] -0.0000 -0.0004* -0.0001 -0.0005** -0.0001 -0.0004* [0.790] [0.062] [0.484] [0.033] [0.596] [0.078] 0.0000 0.0001*** 0.0000 0.0001*** 0.0000 0.0001** [0.804] [0.010] [0.958] [0.006] [0.832] [0.034] -0.0007*** -0.0007*** -0.0007*** [0.000] [0.000] [0.000] Horizon_avg_chg Constant -0.0002** -0.0012** -0.0012** -0.0012** * * * [0.000] [0.000] [0.000] 0.0010 0.0012 0.0005 0.0007 0.0006 0.0003 [0.531] [0.244] [0.729] [0.516] [0.649] [0.834] Observations 17,814 17,814 16,951 16,951 17,322 17,322 Ind FE YES YES YES YES YES YES Year FE YES YES YES YES YES YES Broker FE YES YES YES YES YES YES Adj R-squared 0.0873 0.172 0.0880 0.174 0.0905 0.160 改变分析师预测修正的度量。为了进一步排除调研外因素对分析师预测修正的影响，本 文在原有 Accuracy_change（Accuracy_ avg _change）基础上减去同一考察期间内、同一 标准下非调研分析师预测误差变化的均值，得到新的被解释变量 Accuracy_change1 和 Accuracy_ avg _change1，结果已列示在表 11 中。变量 Embedded 在第（1）-（2）列显著 为负，结论与表 5 一致。 表 11 调整被解释变量度量 VARIABLES Embedded*SV SV Embedded Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM (1) (2) Accuracy_change1 Accuracy_ avg _change1 Ols Ols -0.0002** -0.0003* [0.048] [0.079] -0.0000 0.0002 [0.226] [0.349] 0.0001* 0.0004*** [0.051] [0.002] 0.0000 0.0001 [0.962] [0.165] 0.0000 -0.0000 [0.523] [0.963] 0.0000 0.0000 [0.103] [0.460] 0.0000 -0.0000 [0.766] [0.980] -0.0001 -0.0007** [0.823] [0.044] -0.0000 -0.0002 Growth Loss BHAR Analystfollow Horizon_chg [0.548] [0.306] -0.0000 0.0001 [0.985] [0.479] 0.0001 0.0002 [0.250] [0.556] -0.0000 0.0001 [0.723] [0.410] 0.0000 0.0001 [0.108] [0.260] -0.0002*** [0.000] Horizon_avg_chg -0.0004*** [0.001] Constant -0.0009 -0.0012 [0.157] [0.157] Observations 18,584 18,584 Ind FE YES YES Year FE YES YES Broker FE YES YES Adj R-squared 0.0692 0.0652 本文用分析师报告的信息含量变化作为分析师预测修正的稳健性检验。分析师报告的信 息含量由用调研后的分析师报告 CAR 减去调研前的分析师报告 CAR 得到，其中 CAR_changes 为分析师独家调研前后最近两次分析师报告的 CAR 的差额，CAR_avg_changes 为分析师独家 调研后 180 天内 CAR 均值与调研前 180 天内 CAR 均值的差额。CAR_changes （CAR_avg_changes） 数值越大，表示分析师在调研后分析师报告中披露的增量信息越多。表 12 中的结果显示， 系数 Embedded*SV 在第（1）-（2）列均显著为正（5%水平下），进一步验证了假说 2 的结论。 表 12 调整被解释变量度量 VARIABLES (1) (2) CAR_changes CAR_avg_changes Ols Ols Embedded*SV SV Embedded Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow Horizon_chg 0.0027** 0.0016** [0.023] [0.036] 0.0006 -0.0003 [0.306] [0.333] -0.0018** -0.0014*** [0.018] [0.006] -0.0008* 0.0002 [0.070] [0.527] -0.0002 -0.0001 [0.520] [0.764] 0.0004 0.0004** [0.161] [0.018] 0.0001 0.0001 [0.470] [0.419] -0.0057 0.0006 [0.181] [0.830] -0.0007 -0.0005 [0.641] [0.598] 0.0001 -0.0019*** [0.946] [0.001] 0.0031** 0.0029*** [0.012] [0.000] 0.0031*** 0.0043*** [0.005] [0.000] -0.0001 -0.0000 [0.635] [0.762] -0.0004*** [0.002] Horizon_avg_chg -0.0006*** [0.000] Constant -0.0022 -0.0070 [0.781] [0.165] Observations 18,584 18,584 Ind FE YES YES Year FE YES YES Broker FE YES YES Adj R-squared 0.00514 0.0178 为了进一步控制控制公司个体特征对主结果的影响，本文在检验模型中加入公司固定效 应。表 13 结果显示，在添加公司固定效应之后，第（1）列 Embedded 的系数在 1%水平下显 著为正， （2）-（3）列中 Embedded*SV 的系数在 5%水平下显著为负，主要结论不变。 表 13 固定效应模型 VARIABLES (1) (1) (2) SV Accuracy_change Accuracy_ avg _change Logit Logit Logit -0.0004** -0.0014*** [0.035] [0.001] 0.0002** 0.0010*** [0.011] [0.000] 1.5023*** 0.0002 0.0012*** [0.000] [0.177] [0.000] 1.2094*** 0.0000 0.0005*** [0.000] [0.728] [0.001] -0.2522*** 0.0001* 0.0001*** [0.000] [0.051] [0.003] 0.1274 -0.0001 -0.0002*** [0.319] [0.122] [0.003] 0.0062 0.0001 0.0002*** Embedded*SV SV Embedded Firmexp Brokerage_size Firm_size_lag Inst_holding Indep BM Growth Loss BHAR Analystfollow [0.919] [0.112] [0.000] -1.0223 -0.0006 -0.0011 [0.496] [0.596] [0.252] 0.3443 -0.0007* -0.0005 [0.518] [0.085] [0.147] -0.0024 0.0005*** 0.0009*** [0.989] [0.005] [0.000] -0.0382 -0.0006** -0.0019*** [0.869] [0.048] [0.000] 0.0465 0.0000 -0.0002 [0.859] [0.894] [0.321] 0.3579*** 0.0000 0.0001*** [0.000] [0.776] [0.003] Horizon_chg -0.0007*** [0.000] Horizon_avg_chg -0.0012*** [0.000] Constant -5.0931* 0.0009 0.0009 [0.051] [0.594] [0.398] Observations 18,584 18,584 18,584 Ind FE YES YES YES Year FE YES YES YES Broker FE YES YES YES Firm FE YES YES YES Adj R-squared 0.162 0.115 0.157 五、研究结论 社会关系对于关系型交易制度背景下分析师的信息获取方式具有重要影响。本文以上市 公司调研活动作为研究对象，从调研时机选择和信息效应两个角度研究社会关系对分析师信 息获取行为的影响。研究发现：首先，关系型分析师会更多地参与上市公司独家调研，且关 系型分析师的独家调研活动更可能发生在上市公司重大事项公告前；其次，通过盈余预测修 正程度的比较，发现关系型分析师能从独家调研活动中取得增量信息；然后，本文从上市公 司关系型交易特征角度，提供了关系型交易程度影响分析师信息效应的直接证据；最后，从 调研问答的详细程度和调研活动信息量角度排除替代性解释，进一步明确了关系型分析师信 息优势的来源。本文的实证结果为社会关系会如何影响分析师私有信息获取渠道及信息获取 效果提供直接证据。 注释 1 以上市公司万科为例，据万科 2009 年年报“8.投资者互动情况”部分显示，所有调研活动时间均统 一为“报告期内” ，所有调研活动的内容均统一为“公司日常经营情况；公司发展战略，提供定期报告等公 开资料” 。 2 本文所定义的券商独家调研活动指只有一家券商的分析师参与的调研活动。 参考文献 [1]曹新伟, 洪剑峭, 贾琬娇. 分析师实地调研与资本市场信息效率——基于股价同步性的研究[J]. 经济 管理, 2015,(08): 141-150. [2]官峰, 王俊杰, 章贵桥. 政商关系, 分析师预测与股价同步性——基于腐败官员落马的准自然实验[J]. 财经研究, 2018,(7): 114-125. [3]李增泉. 关系型交易的会计治理——关于中国会计研究国际化的范式探析[J]. 财经研究, 2017,(02): 4-33. [4]肖斌卿, 彭毅, 方立兵, 胡辰. 上市公司调研对投资决策有用吗——基于分析师调研报告的实证研究 [J]. 南开管理评论, 2017,(01): 119-131. [5]Bowen R M, Dutta S, Tang S, Zhu P. Inside the “Black Box” of Private In-House Meetings[J]. Review of Accounting Studies, 2018, 23(2): 487-527. [6]Bradshaw M, Ertimur Y, O'Brien P. Financial Analysts and their Contribution to Well-Functioning Capital Markets[J]. Foundations and Trends® in Accounting, 2016, 11(3): 119-191. [7]Brown L D, Call A C, Clement M B, Sharp N Y. Inside the “Black Box” of Sell‐Side Financial Analysts[J]. Journal of Accounting Research, 2015, 53(1): 1-47. [8]Brown L D, Call A C, Clement M B, Sharp N Y. Managing the Narrative: Investor Relations Officers and Corporate Disclosure[J]. Journal of Accounting and Economics, 2019, 67(1): 58-79. [9]Cheng Q, Du F, Wang X, Wang Y. Seeing is Believing: Analysts’ Corporate Site Visits[J]. Review of Accounting Studies, 2016, 21(4): 1245-1286. [10]Cheng Q, Du F, Wang B Y, Wang X. Do Corporate Site Visits Impact Stock Prices?[J]. Contemporary Accounting Research, 2018. [11]Cohen L, Frazzini A, Malloy C. Sell-Side School Ties[J]. The Journal of Finance, 2010, 65(4): 1409-1437. [12]Green T C, Jame R, Markov S, Subasi M. Access to Management and the Informativeness of Analyst Research[J]. Journal of Financial Economics, 2014, 114(2): 239-255. [13]Gu Z, Li Z, Yang Y G, Li G. Friends in Need are Friends Indeed: An Analysis of Social Ties between Financial Analysts and Mutual Fund Managers[J]. The Accounting Review, 2018, 94(1): 153-181. [14]Han B, Kong D, Liu S. Do Analysts Gain an Informational Advantage by Visiting Listed Companies?[J]. Contemporary Accounting Research, 2018, 35(4): 1843-1867. [15]Jacobs J B. A Preliminary Model of Particularistic Ties in Chinese Political Alliances: Kan-Ch'ing and Kuan-hsi in a Rural Taiwanese Township[J]. The China Quarterly, 1979, 78(237-273. [16]Jensen M C, Meckling W H. Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure[J]. Journal of Financial Economics, 1976, 3(4): 305-360. [17]Li Z, Wong T J, Yu G. Information Dissemination through Embedded Financial Analysts: Evidence From China[J]. The Accounting Review, 2020, 95(2): 257-281. [18]Malloy C J. The Geography of Equity Analysis[J]. The Journal of Finance, 2005, 60(2): 719-755. [19]Mayew W J, Sharp N Y, Venkatachalam M. Using Earnings Conference Calls to Identify Analysts with Superior Private Information[J]. Review of Accounting Studies, 2013, 18(2): 386-413. [20]Roberts J, Sanderson P, Barker R, Hendry J. In the Mirror of the Market: The Disciplinary Effects of Company/Fund Manager Meetings[J]. Accounting, Organizations and Society, 2006, 31(3): 277-294. [21]Soltes E. Private Interaction Between Firm Management and Sell-Side Analysts[J]. Journal of Accounting Research, 2014, 52(1): 245-272.