管文汇

（湖南科技大学商学院，湖南 湘潭 411201）

摘要：在信息过载的市场环境下，投资者决策行为愈发依赖于专家意见，分析师作为资本市场重要的信息中介，已成为影响企业新质生产力发展的关键外生因素。基于此，本文利用2011-2023年中国A股上市公司的数据，以熵值法构建新质生产力指标，实证考察二者之间的影响机制。结果表明：分析师关注度能够促进企业新质生产力发展。分析师关注度可以通过强化突破性创新、提升数据资产信息披露水平推动企业新质生产力发展。环境不确定性能够正向调节分析师关注度对企业新质生产力的影响。

关键词：分析师关注度；新质生产力；突破性创新；数据资产信息披露；环境不确定性    

一、引言

新一轮科技革命与产业变革深入推进，高质量发展已成为我国核心战略导向，在此背景下，习近平总书记在黑龙江考察时期提出“新质生产力”的重要概念，明确其是推动高质量发展的内在要求和重要着力点。新质生产力本质上是马克思主义生产力理论的延伸与创新。与传统生产力相比，新质生产力以创新为主导，依托关键性颠覆性技术突破而形成^[1]，能够推动我国经济增长模式由“粗放式”向“集约式”的转变，高度契合我国经济转型升级的内在需求。因此如何推动企业培育新质生产力，成为我国探索新发展路径、实现高质量发展必须厘清的关键问题。

随着大数据技术的深度渗透与市场信息披露机制的日益完善，新质生产力的发展日益受到外部市场生态尤其是资本市场信息配置效能的影响。证券分析师作为资本市场中重要的信息中介，在优化信息传导、促进经济高质量发展中的作用愈发凸显。然而，既有研究揭示了分析师关注对企业行为存在两种对立效应。监督效应可提升信息透明度^[2]，缓解融资约束并抑制企业违规行为^[3]。相反，压力效应则可能导致管理者进行短期行为和盈余操纵^[4]，加剧委托代理冲突^[5]。因此，分析师关注究竟如何影响企业新质生产力尚不明确。本文基于上市公司的相关信息，系统检验分析师关注度对新质生产力的影响及内在机制，为企业加快发展新质生产力提供理论支持。

本文边际贡献在于：第一，本文从外部治理机制切入，考察分析师关注度对企业新质生产力的影响，为该领域研究提供了新视角。第二，本文从突破性创新、数据资产信息披露视角揭示了二者的内在机制。第三，本文发现环境不确定性能够强化分析师关注对企业新质生产力的影响。

二、理论分析与研究假设

（一）分析师关注度与新质生产力

在社会信息趋于过载的背景下，投资者决策高度依赖专业意见，分析师作为独立第三方的信息中介，承担着信息挖掘、甄别与分析职能，是联结上市公司与投资者的重要纽带。理论上，其高度关注可能强化管理层的短期业绩导向，引发管理层机会主义行为。但我国上市公司股权结构相对集中，长期持股大股东更注重企业长远价值，可有效削弱管理层对短期业绩波动的过度反应，为分析师监督效应发挥提供基础。据此，本文认为分析师关注对企业新质生产力的影响中监督效应占主导，其一，分析师凭借实地调研与估值建模能力，提供有效信息，帮助投资者甄别研发价值^[6]，能够降低信息不对称，缓解代理冲突^[7]，提升管理层创新意愿。其二，分析师可识别企业异常活动并纳入盈余预测、影响证券评级，通过外部监督震慑管理层，抑制企业盈余操纵^[8]，优化创新资源配置^[9]，推动新质生产力发展。基于此，本文提出研究假设H1：

H1:分析师关注度能够有效促进企业新质生产力发展。

（二）突破性创新的中介作用

突破性创新是企业实现颠覆性技术突破的关键举措，相较于渐进式改良，突破性创新拓展了公司既有的技术能力边界，需要长期资金投入且具有高度不确定性。但外部投资者难以识别其真实价值，这极易引发逆向选择与投资不足问题。在此背景下，分析师通过深度调研与财务解读向外界发布公开研报，能够挖掘并验证企业突破性创新的潜在商业价值，消除利益相关者的顾虑，为企业吸引更多耐心资本，有效拓宽突破性创新的融资渠道^[10]。此外，管理层出于对风险规避的考量，可能倾向于放弃高回报但高风险的创新项目，分析师的持续关注则能够有效约束管理层的短视行为，缓解创新活动资金使用中存在的代理冲突^[11]，从而引导资源要素向高风险特征的突破性创新活动倾斜。新质生产力的核心驱动在于技术突破，突破性创新的提升有助于企业实现关键技术攻关，促使企业技术架构实现根本性变革，进而驱动生产要素重组与产业模式升级，将技术优势转化为生产效能，为企业新质生产力发展注入动力^[12]。基于上述分析，本文提出研究假设H2：

H2：分析师关注度能够提升企业突破性创新，进而促进企业新质生产力发展。

（三）数据资产信息披露的中介作用

数据资产是企业合法控制、可货币计量并能创造未来经济利益的数据资源，其非消耗性、可复制性及规模报酬递增等特征,使其在企业价值创造中发挥着独特作用。然而，受限于数据资产的价值不确定，企业在信息披露实践中往往呈现出披露不足乃至选择性披露的倾向。分析师的跟踪能够有效发挥外部治理效应，其实地调研与信息挖掘有助于优化企业信息环境与治理结构，推动数据资产确认、计量与披露流程的规范化，强化内部数据治理体系，提升数据资产信息披露的整体水平^[13]。就企业内部而言，高质量的数据资产信息披露有助于利益相关者评估数字化转型的实际成效，有效缓解企业融资约束，为持续性研发投入提供充裕资金支持^[14]。就外部市场而言，数据资产信息流动有助于突破行业壁垒、促进跨领域数据共享，推动内外部资源的高效整合，从而加速新质生产力的形成^[15]。基于上述分析，本文提出研究假设H3：

H3：分析师关注度能够提高数据资产信息披露水平，进而促进企业新质生产力发展。

（四）环境不确定性的调节作用

环境不确定性主要体现为政策变动、市场需求波动与技术迭代加速，这会大幅提升企业内外部信息不对称程度。此时市场对可靠信息需求急剧上升，分析师作为重要的信息传递者，拥有广泛的信息获取渠道和专业解读技能，能够有效降低市场信息不对称程度^[16]，为企业持续培育新质生产力提供稳定的市场预期与融资支持。另一方面，环境不确定性会加剧市场竞争与生存压力，企业仅依靠传统生产模式难以维持竞争优势。分析师的外部治理作用将更为突出，通过发布研究报告，分析师能够将原本不确定的信息转化为可确认、可计量的信息，帮助管理层准确把握企业发展方向^[17]。这一过程有助于引导企业优化资源配置，将资金与人力集中于核心技术突破等关键领域，避免资源错配与非效率投资，进而保障新质生产力建设的持续性与稳定性。基于上述分析，本文提出研究假设 H4：

H3：环境不确定性强化了分析师关注度对企业新质生产力的促进作用。

三、研究设计

（一）样本选择与数据来源

本文选取2011—2023年中国A股上市公司作为研究样本，对相关数据进行以下处理：（1）剔除ST和*ST的公司样本；（2）剔除金融行业及房地产行业的公司数据；（3）剔除相关变量数据存在缺失的公司样本。为避免极端值干扰，对相关连续型变量进行上下1%水平缩尾处理，最终得到35121个观测值。

（二）变量说明

被解释变量为新质生产力（Npro），其测度方法主要参考李心茹等（2024）^[18]的研究方法，基于生产力三大构成要素，围绕新质劳动者、新质劳动对象、新质劳动资料三个层面构建新质生产力的综合指标体系。其中，新质劳动者维度聚焦员工与管理层素质。新质劳动对象维度兼顾生态责任与长期发展潜力。新质劳动资料维涵盖科技、数字、绿色三类劳动资料。最后为子因素选取合适指标，采用熵值法计算出各指标权重得出新质生产力的综合指标。

表1 企业新质生产力指标

解释变量为分析师关注度（LnAnaA），采用某年跟踪某企业的分析师团队数量加1后的自然对数来衡量分析师关注度。

中介变量,突破性创新（BI）参考胡山和余泳泽（2022）^[19]的做法，对企业申请发明专利、实用新型专利和外观设计专利的数量分别按0.5、0.3和0.2的权重进行加权求和，以所得分值衡量企业突破性创新能力。数据资产信息披露（DAD）借鉴牛彪等（2024）^[20]的研究方法，利用文本分析方法构建数据资产披露水平指标。

调节变量为环境不确定性（EU）,借鉴申慧慧等（2012）^[21]的度量方法，先计算企业过去五年非销售收入的标准差与同期销售收入均值的比率，再求取同年同行业公司该比率的中位数，两者相除即得经行业调整的环境不确定性，指标值越高表明不确定性越强。

控制变量参考已有研究，选取以下变量：企业规模（Size）,员工总数的自然对数；企业年龄（FirmAge）；资产负债率（Lev）；总资产净利率（ROA）；营业收入增长率（Growth）；董事会规模（Board）；两职合一（Dual）；管理层持股比例（Mshare）；股权集中度（TOP10）；审计意见(Opinion)。

（三）模型构建

为探究分析师关注度与企业新质生产力之间的关系，本文同时控制个体效应和时间效应，并加入个体层面聚类标准误，构建如下回归模型（1）：

Npro_it=α+β×LnAnaA_it+γ×Controls_it+Company_i+Year_t+ε_it             （1）

在模型（1）中，Npro_it为企业新质生产力，LnAnaA_it为分析师关注度，Controls_it是一系列控制变量，Company_i和Year_t分别为个体和时间固定效应，ε_it为随机扰动项。

为了检验研究假说H2和H3，构建模型（2）（3）

MV_it=α+β×LnAnaA_it+γ×Controls_it+Company_i+Year_t+ε_it                     （2）

Npro_it=α+β₀×LnAnaA_it+β₁×MV_it+γ×Controls_it+Company_i+Year_t+ε_it  （3）

在模型（2）（3）中，MV为中介变量，本文分别选取数据资产信息披露和突破性创新作为中介变量。

四、实证分析

（一）基准回归分析

表2报告了分析师关注度对企业新质生产力的基准回归结果，表中列（1）加入个体和时间固定效应但不考虑控制变量，结果显示分析师关注度的系数显著为正，初步支持了其对企业新质生产力的促进作用；第（2）列同时加入了控制变量以及双向固定效应，分析师关注度的系数在5%的水平下显著，证明分析师关注度能显著促进新质生产力的发展，本文假设H1成立。

表2 基准回归

注：*、**、***分别表示在10%、5%、1%水平上显著，括号内为t统计量。下同。

（二）稳健性检验

1.t+1期被解释变量

考虑到分析师关注对企业新质生产力的影响可能具有滞后性，本文将企业新质生产力提前一期后回归，如表4列（1）所示，分析师关注度系数显著为正，表明研究假设H1仍然成立。

2.工具变量法

为缓解双向因果引发的内生性问题，本文借鉴李春涛等（2016）^[22]的方法，以企业是否当选沪深300指数成分股（hs300）作为工具变量。表3列（2）（3）结果显示，第一阶段中工具变量系数在1%的水平上显著，且所选工具变量不存在弱工具变量的情况，满足外生性要求。第二阶段回归中，分析师关注度系数仍显著为正，表明在控制内生性问题后分析师关注对新质生产力的积极影响依然稳健。

3.倾向得分匹配法

分析师的选择可能会由于受到企业的某些其他特征影响而出现偏差，为此本文按照分析师关注度的中位数进行分组处理：将高于中位数的样本作为处理组，低于中位数的作为对照组，以上述控制变量作为协变量，根据1∶1最近邻匹配原则进行检验。表3列（4）显示分析师关注度的系数显著为正，说明在消除选择偏误问题后，研究假设H1仍然成立。

表3 稳健性检验

（三）中介效应分析

1.突破性创新

表4列（2）显示分析师关注度系数显著为正，即分析师关注度可以显著促进企业的突破性创新。列（3）加入解释变量和BI后回归，结果显示分析师关注度与突破性创新的系数均显著为正。表明突破性创新存在部分中介效应，研究假设H2成立。

2.数据资产信息披露

表4列（4）显示分析师关注度系数显著为正，即分析师关注度可以显著促进企业的突破性创新。列（5）加入解释变量和DAD后回归，结果显示分析师关注度与DAD的系数均显著为正。表明数据资产信息披露存在部分中介效应，研究假设H3成立。

（四）调节效应分析

表4列（6）展示了环境不确定性调节效应的回归结果，结果显示交互项（ln_AnaA×EU）在5%的水平下显著为正，说明环境不确定性在分析师关注与企业新质生产力之间具有显著的正向调节作用，研究假设H4成立。

表4 中介效应与调节效应检验

五、结论与政策建议

在我国经济转型与产业升级的关键时期，发展新质生产力是实现经济高质量发展的核心抓手。分析师作为重要的信息中介，对市场信息流动与资源配置具有重要影响。本文基于外部治理视角，以2011—2023年中国A股上市公司为样本，探讨分析师关注度对企业新质生产力的影响机制。研究发现：分析师关注度对企业新质生产力具有促进作用，结论经系列稳健性检验后仍保持不变；分析师关注通过强化突破性创新与数据资产信息披露水平推动新质生产力发展。环境不确定性能够正向调节分析师关注对新质生产力的影响。根据上述研究结论，本文提出以下政策建议：第一，强化分析师队伍建设。培育具备专业素养的分析师群体，提升其信息挖掘与解读能力，缓解资本市场信息不对称，引导资金向高潜力企业集聚；同时激励分析师扩大关注覆盖面，通过强化外部监督抑制管理层盈余管理行为，助力企业新质生产力提升。第二，完善分析师监管体系。政府及相关机构应加大分析师监管力度，严厉惩处利益勾结、虚假信息披露等违规行为，强化分析师职业道德与独立性约束；同时健全分析师信息共享机制，促进同业交流合作，提升市场信息透明度与准确性，保障其信息中介功能高效发挥。

参考文献:

[1]周文,许凌云.论新质生产力：内涵特征与重要着力点[J].改革,2023(10):1-13.

[2]郭建鸾,简晓彤.分析师的外部监督效应——来自企业高管在职消费的证据[J].中央财经大学学报,2021(2):73-88.

[3]袁芳英,朱晴.分析师关注会减少上市公司违规行为吗?——基于信息透明度的中介效应[J].湖南农业大学学报(社会科学版),2022,23(1):80-88.

[4]叶陈刚,刘猛.分析师关注、产权性质与盈余管理路径[J].中南财经政法大学学报,2018(3):33-42+159.

[5]Graham J R, Harvey C R, Rajgopal S. The economic implications of corporate financial reporting[J]. Journal of accounting and economics, 2005, 40(1-3): 3-73.

[6]于博,邓楠.证券分析师关注与企业研发投入[J].金融发展研究,2022(3):29-38.

[7]戴国强,邓文慧.分析师关注度对企业投资决策的影响[J].金融经济学研究,2017,32(3):107-116.

[8]丁方飞,姜永娴,李苏,等.证券分析师关注对真实盈余管理的影响研究[J].会计之友,2019(24):65-71.

[9]秦建文,胡金城.分析师关注能促进企业创新吗?——来自我国上市公司的经验证据[J].重庆理工大学学报(社会科学),2022,36(5):63-78.

[10]米蕊.分析师跟踪、会计信息可比性与融资约束[J].财会月刊,2023,44(9):82-89.

[11]白俊,李云,陈师雯.分析师跟踪网络与企业突破性创新[J].现代财经(天津财经大学学报),2022,42(12):93-109.

[12]刘敏,李文锋,廖仲贤.人工智能如何提升企业新质生产力?——基于突破性创新和供应链稳定性的视角[J].贵州大学学报(社会科学版),2026,44(1):12-29.

[13]张娆,井好.资本市场开放对企业数据资产信息披露的影响研究[J].金融理论与实践,2025(11):109-118.

[14]仝自强,严鑫宇,马佳.数据资产信息披露对企业价值创造的影响机制研究——企业盈余水平与权益资本成本双重视角[J].科技进步与对策,2026,43(6):1-10.

[15]韩君,赵甜甜,尉昊.数据资产信息披露赋能新质生产力了吗[J].贵州财经大学学报,2025(6):32-40.

[16]戈闯.分析师跟踪、环境不确定性与会计信息可比性[J].财会通讯,2018(33):14-19

[17]王双进,常娟.环境不确定性、分析师跟踪与盈余管理[J].统计与决策,2020,36(19):141-145.

[18]李心茹,田增瑞,常焙筌.新质生产力、资源利用与企业组织韧性[J].西部论坛,2024,34(4):35-49.

[19]胡山,余泳泽.数字经济与企业创新：突破性创新还是渐进性创新?[J].财经问题研究,2022(1):42-51.

[20]牛彪,于翔,苑泽明,等.数据资产信息披露与审计师定价策略[J].当代财经,2024(2):154-164.

[21]申慧慧,于鹏,吴联生.国有股权、环境不确定性与投资效率[J].经济研究,2012,47(7):113-126.

[22]李春涛,赵一,徐欣,等.按下葫芦浮起瓢:分析师跟踪与盈余管理途径选择[J].金融研究,2016(4):144-157.