网络平台互动质量对分析师盈余预测准确性的影响研究

The Influence of Online Platform Interaction Quality on the Accuracy of Analyst Earnings Forecasts

摘要: 交易所网络平台为投资者与上市公司提供了便捷的沟通渠道，这种互动式的信息披露同时也会影响分析师的盈余预测结果。基于此，本文以2010~2023年A股上市公司为样本，实证检验网络平台互动质量对分析师盈余预测准确性的影响。研究发现：网络平台互动质量显著提高分析师盈余预测准确性，经由稳健性检验后结论依旧成立。进一步研究发现：作用机制检验得出，网络平台互动质量通过提高信息透明度和内部控制质量进而提高分析师盈余预测准确性；异质性分析表明，当企业的盈利波动性越高、业务复杂度越高时，网络平台互动质量对分析师盈余预测准确性的正面影响进一步增强。研究结论识别了网络平台互动质量对分析师盈余预测的作用路径，实证网络平台互动质量的信息价值，为监管机构规范网络平台互动提供经验证据。

Abstract: Exchange online platform interaction provide investors and listed companies with convenient communication channels. This interactive disclosure of information also influences analysts’ earnings forecasts. Based on this, this paper empirically examines the impact of online platform interaction quality on the accuracy of analysts’ earnings forecasts using A-share listed companies from 2010 to 2023 as the sample. The findings reveal that the quality of online platform interactions significantly enhances the accuracy of analysts’ earnings forecasts, with this conclusion remaining robust after stability tests. Further research indicates that the mechanism of action is as follows: the quality of online platform interactions improves analysts’ earnings forecast accuracy by enhancing information transparency and internal control quality. Heterogeneity analysis shows that when a company’s earnings volatility is higher and its business complexity is greater, the positive impact of online platform interaction quality on the accuracy of analysts’ earnings forecasts is further amplified. These findings identify the causal pathways through which online platform interaction quality influences analyst earnings forecasts, empirically demonstrate the informational value of such interactions, and provide empirical evidence for regulators to standardize online platform interactions.

1. 引言

信息是投资者进行交易决策的重要依据，是提高资本市场运行效率的核心要素之一[1]。为了进一步推进国家治理体系和治理能力的现代化，增加资本市场中的信息数量并提高信息质量，深交所于2010年推出了互动交流平台“互动易”，构建了散户投资者与上市公司之间直接高效的新型沟通桥梁。在深交所实践的基础上，上交所也在2013年正式推出了“上证e互动”以对标“互动易”。在深证“互动易”和“上证e互动”(下文简称网络互动平台)上，投资者可以向上市公司自由进行提问，包括但不限于经营状况、已披露信息和传言等，而上市公司需对投资者的问题进行针对性回复。但是在互动过程中，上市公司的回复质量参差不齐，存在“答非所问”的情况[2]。与低质量互动相比，高质量的互动信息具有更高的信息含量，可以向资本市场传递上市公司的有效信息[3]。

分析师盈余预测是指由专业的证券分析师在整合并分析相关信息后对一家上市公司在未来特定时期(通常是下一个季度或财年)的盈利水平所做出的预测。盈余预测结果不仅会成为投资者的决策依据，还是形成市场预期的基准，其准确性对资本市场的健康发展具有重要意义。由于网络平台互动不仅由双方可见，证交所会将互动信息在平台上完整公开[4]，而我国分析师的主要决策依据是公司的公开披露信息而非私有信息，因此网络平台互动信息是分析师进行盈余预测的决策依据[5]。目前，尚未有研究聚焦于网络平台互动质量对分析师行为的影响，其影响路径也尚不清晰。因此，本文以2010年~2023年沪深A股上市公司为样本，研究网络平台互动质量和分析师盈余预测准确性的关系。研究表明，网络平台互动质量提高分析师盈余预测准确性，其中信息透明度和内部控制质量发挥了中介作用；最后，本文从企业的盈利波动性角度和业务复杂度角度探讨网络平台互动质量对分析师盈余预测准确性的异质性作用。

2. 文献回顾与假设提出

2.1. 文献回顾

2.1.1. 网络平台互动的经济后果

目前学者对于网络平台互动经济后果的研究结论尚不统一。部分学者认为，网络平台互动会带来积极的影响。管考磊等[4]认为网络平台互动增加了信息供给，使得投资者的股票交易决策更具信息含量，进而降低资产错误定价水平和股价崩盘风险；卞世博等[6]研究发现高质量的网络平台互动加强了投资者信息获取的准确性促使投资者进行知情交易，进而降低股价同步性；朱红兵等[3]认为高质量的网络平台互动可以减少噪声信息的传播从而向投资者传递更多的公司特质信息，提高股价信息含量。但也有学者认为网络平台互动会带来负面的影响。丁亚楠等[7]研究发现，网络平台互动会增大管理者的压力感知与迎合性行为倾向，促使其采取更多的盈余管理行为从而降低会计信息质量；徐寿福等[8]从上市公司回复方式出发，证明上市公司在网络平台上的策略性回复会释放无关信息，从而放大投资者的意见分歧并最终加剧股票错误定价水平；李文贵等[9]认为改变沟通方式并不能阻止管理层对中小股东利益的剥夺，反之，高管很可能通过操纵网络平台的互动信息以寻求个人私利并最终加剧股价崩盘风险。

2.1.2. 分析师盈余预测准确性的影响因素

现有研究将影响分析师盈余预测准确性的因素分为公司内部、公司外部和分析师特征三个层面。从公司内部层面来看，Lang和Lundholm [10]研究发现拥有更多信息披露政策的公司会扩大分析师可获得的信息集，从而提高分析师盈余预测准确性；王迪等[11]和董望等[12]认为高质量的内部控制可以帮助分析师了解公司的经营情况和业务活动，减少其获取信息的误差，最终提高分析师盈余预测准确性；李丹蒙[13]认为当公司的信息透明度较高时，分析师可获得的相关信息越多，对于未来盈利情况的不确定性越小，进而盈余预测准确度也越高。从公司外部环境层面来看，Chahine等[14]认为，经济政策不确定性的提高会降低其现金流的可预测性，进而降低分析师盈余预测的准确性；Lin等[15]研究发现在社会信任水平较高的地区，公司的信息透明度和财务报告质量较高，而这些高质量的公开信息会提高分析师盈余预测的准确度；张家慧和赵玲[16]研究发现证交所发布分行业信息披露指引后，分析师对行业层面信息的掌握程度得到提高，从而提高盈余预测质量。从分析师特征层面来看，官峰等[17]研究发现具有海外留学经历的分析师对国内社会文化和制度背景的了解较少，其盈余预测准确性较低；杨楠和洪剑峭[18]基于我国分析师发展状况发现，与个人分析师相比分析师团队的专业化程度更高，因此盈余预测准确性更高；吕兆德和曾雪寒[19]认为，与男性分析师相比，女性分析师的盈余预测偏差更小。

最后，目前直接研究网络平台互动与分析师预测的文献较少，杨凡和张玉明[5]及孙汉[20]等实证得出，网络平台互动的频次和内容长度会降低分析师盈余预测准确性。并且目前尚未有学者从网络平台互动质量角度出发研究其对分析师盈余预测的影响。从前文的梳理中可以发现，分析师进行决策的主要信息来源是上市公司的公开信息，且信息质量在其中发挥了重要的作用，因此研究网络平台互动质量对分析师盈余预测准确性可以有效补充该方面的研究空白。

2.2. 假设提出

首先，高质量的网络平台互动降低了信息不对称。虽然网络互动平台的主要使用者是资本市场中的散户投资者，但是由于网络平台具有公开性，互动信息会经由互联网传播至整个资本市场中[21]，进而降低上市公司的信息不对称程度。我国分析师在进行盈余预测决策的过程中，主要使用的是公开信息而非私有信息，因此网络平台互动信息会成为分析师进行盈余预测的依据[5]。与低质量的互动信息相比，高质量的网络平台互动包含更多的公司特质信息[3]，更能加强分析师对公司状况的了解程度，降低盈余预测难度，随之盈余预测准确性会上升。

其次，网络平台互动具有一定的治理功能。高质量的网络平台互动可以提高投资者获取信息的准确性，这有利于投资者积极发挥外部治理和监督作用[22]，提高了投资者的监管地位。除了投资者，高质量的网络平台使得证交所更容易发现上市公司存在的问题，有效降低了证交所的监管难度并增加了上市公司被证交所监管审查的可能性。在投资者和证交所的监管压力下，管理层会主动完善公司的信息披露机制并提高内部治理水平以应对监管压力[23]。在此情况下，分析师可获得的信息集以及信息质量得到进一步扩大，盈余预测难度降低从而提高盈余预测准确性。基于此，本文提出如下假设H1：

网络平台互动质量越高，分析师盈余预测准确性越高。

3. 研究设计

3.1. 样本选择与数据来源

本文取沪深A股上市公司2010年~2023年的数据为样本，对样本进行如下处理：(1) 剔除处于ST、PT等状态的样本；(2) 剔除已经退市的上市公司样本；(3) 剔除金融保险业的上市公司样本；(4) 剔除缺失值样本，进行上下1%缩尾处理后，最终获得20,727个观测值。其中，网络平台互动内容取自CNRDS数据库、内部控制数据取自DIB数据库，其他数据取自CSMAR数据库。

3.2. 模型设定与变量定义

为检验H1构建如下模型(1)：

${\text{FERROR}}_{i,t}={\beta }_0+{\beta }_1\text{QUA}+{\beta }_2{\text{Controls}}_{i,t}+\text{YEAR}+\text{IND}+\epsilon$ (1)

其中，下标i、t分别表示第i个公司与第t个年度。若系数${\beta }_1$ 显著小于0，证明假设成立。

3.2.1. 被解释变量

参考欧阳才越等[24]的研究，将分析师盈余预测偏差指标作为分析师盈余预测准确性的代理变量，具体计算方式如模型(2)：

${\text{FERROR}}_{i,t}=\text{Abs}\left[\text{Mean}\left({\text{FEPS}}_{i,t}\right)-{\text{MEPS}}_{i,t}\right]/\text{Abs}\left({\text{MEPS}}_{i,t}\right)$ (2)

其中，$\text{Mean}\left({\text{FEPS}}_{i,t}\right)$ 为研究企业的全体分析师于t年、对公司i进行每股盈余预测的均值，${\text{MEPS}}_{i,t}$ 为企业i第t年的实际每股盈余。该值越大，分析师预测与实际偏差越大，准确性降低，因此${\text{FERROR}}_{i,t}$ 为分析师盈余预测准确性的反向指标。

3.2.2. 解释变量

在网络互动平台上，互动信息是否具备决策价值取决于上市公司能否对投资者的提问做出清晰有效的回应。然而在实践中，投资者通过网络互动平台所提出的问题往往带有一定的随机性，且内容常涉及上市公司的负面信息。出于回避负面信息披露的动机，上市公司通常倾向于采取答非所问的方式以应付投资者。在这种情境下，互动式信息披露供需匹配质量的识别显得尤为重要。因此，本文参考卞世博等[2]的做法，使用投资者提问和上市公司回复之间的软余弦相似比衡量网络平台互动质量。

利用Word2Vec模型将2010~2023年度文本中所有的词语向量化，计算各个词语之间的相关程度，得到词语相关性矩阵R，R中的元素$r_{ij}$ 为：

$r_{ij}=\max {\left(0,\text{cosinesimilarity}\left(m_i,m_j\right)\right)}^2$ (3)

其中，$m_i$ 为词语$w_i$ 经过Word2Vec模型转换成的300维词向量。结合词语相关性矩阵R，进一步对传统余弦相似度的公式进行修正，可得到如下软余弦相似度：

$\text{Softcosinesimilarity}=\frac{Q^{\text{T}}RA}{\sqrt{Q^{\text{T}}RQ}\times \sqrt{A^{\text{T}}RA}}=\frac{{\displaystyle \sum _{i=1}^n{\displaystyle \sum _{j=1}^n{q}_i{r}_{ij}{a}_j}}}{\sqrt{{\displaystyle \sum _{i=1}^n{\displaystyle \sum _{j=1}^n{q}_i{r}_{ij}{q}_j}}}\times \sqrt{{\displaystyle \sum _{i=1}^n{\displaystyle \sum _{j=1}^n{a}_i{r}_{ij}{a}_j}}}}$ (4)

其中，$Q=\left(q_1,q_2,\cdots ,q_n\right)$ 表示投资者提问的向量，$A=\left(a_1,a_2,\cdots ,a_n\right)$ 表示上市公司回复的向量， $\text{Softcosinesimilarity}\in \left[0,1\right]$ 。当$\text{Softcosinesimilarity}$ 的值越大时，网络平台互动质量越高。

为验证网络平台互动质量测算的合理性，本文将列举部分问答实例的测算结果。由表1实例1~3可见，管理层在面对投资者提问时采用刻意规避、敷衍了事的态度进行回复，投资者难以从管理层的回复中获得所需信息，互动质量较低；针对实例4~6，管理层的回复具有针对性，投资者能够从管理层回复的内容中提取到所需要的信息，互动质量较高。该结果表明，本研究计算互动质量的算法是有效的。

Table 1. Examples of interaction quality

表1. 问答实例

例	投资者提问	管理层回复	互动质量
1	贵公司行长任职核准怎么这么长时间了还没有核准吗？	谢谢您的关注！	0.025
2	俄乌冲突后，欧美、日本化妆品公司退出俄罗斯市场。面对市场变化，公司是否有进入俄罗斯市场的打算？	感谢您的关注。	0.039
3	请问公司高管及控股股东对公司未来的发展是否还有信心？如有，是否有增持公司的股票的计划？	您好！感谢您的关注和建议！	0.097
4	公司在人民币跨境支付以及多边央行数字货币桥方面已经有业务收入吗？后续是否会有持续性收入？	感谢您的关注！公司在人民币跨境支付以及多边央行数字货币桥方面已经有业务收入。后续会有持续性收入。	0.956
5	董秘好！请问公司是否参与中国石化石油化工科学研究院的PEM电解水制氢试验平台项目，并为该项目提供PEM电解水试验台撬装设备，谢谢！	您好，我公司参与了中国石化石油化工科学研究院的PEM电解水制氢试验平台项目，并为该项目提供PEM电解水试验台撬装设备。谢谢关注。	0.961
6	公司有大米储备吗？	公司没有大米储备。	0.999

3.2.3. 控制变量

借鉴以往对分析师预测准确性的研究，本文选取企业层面可能会影响分析师预测的一系列常规因素，具体包括：企业规模(SIZE)、月均超额换手率(DTURN)、独立董事比例(INDEP)、资产负债率(LEV)、盈利能力(ROA)、企业性质(SOE)、上市年限(AGE)、企业当年是否亏损(LOSS)、账面市值比(BM)、固定资产占比(FIXED)、成长能力(GROWTH)、是否四大审计(BIG4)。变量定义如表2所示。

Table 2. Definition of variables

表2. 变量定义

变量类型	变量名称	变量符号	变量定义
被解释变量	分析师盈余预测偏差	FERROR	分析师预测的每股盈余均值与当年实际每股盈余 之差的绝对值，与预测当年实际每股盈余绝对值的商
解释变量	网络平台互动质量	QUA	问答软余弦相似度
控制变量	企业规模	SIZE	Ln(年末总资产)
	月均超额换手率	DTURN	当年股票月均换手率 − 上年股票月均换手率
	独立董事比例	INDEP	独立董事人数/董事会人数
	资产负债率	LEV	年末总负债/年末总资产
	盈利能力	ROA	净利润/总资产平均余额
	企业性质	SOE	国有控股企业取值为1，其他为0
	上市年限	AGE	Ln(当年年份 − 上市年份 + 1)
	企业当年是否亏损	LOSS	当年净利润小于0取1，否则取0
	账面市值比	BM	企业账面价值/总市值
	固定资产占比	FIXED	固定资产净额/年末总资产
	成长能力	GROWTH	本年营业收入/上年营业收入−1
	是否四大审计	BIG4	公司经由四大审计为1，否则为0
	行业固定效应	IND	行业虚拟变量，以2012年证监会分类为准， 制造业取两位代码，其他行业用大类
	年份固定效应	Year	年份虚拟变量

4. 实证分析

4.1. 描述性统计

表3汇报了主要变量的描述性统计结果。其中，FERROR的最小值为0.006，最大值为32.196；QUA的最小值为0，最大值为0.608，说明企业的网络平台互动质量存在较大差异。控制变量中，SOE均值为0.395，意味着样本企业中有39.5%的企业为国有企业；LOSS均值为0.91，表明91%的企业在当年的净利润为正，处于盈利状态。其余控制变量的描述性统计与现有研究趋于一致。

Table 3. Descriptive statistics of the main variables

表3. 主要变量描述统计

变量	样本数	均值	标准差	最小值	中位数	最大值
FERROR	20,727	2.188	4.698	0.006	0.651	32.196
QUA	20,727	0.364	0.118	0	0.385	0.608
SIZE	20,727	22.72	1.331	20.343	22.535	26.695
DTURN	20,727	−0.11	0.441	−1.993	−0.034	0.899
INDEP	20,727	0.375	0.054	0.333	0.357	0.571
LEV	20,727	0.448	0.194	0.07	0.445	0.88
ROA	20,727	0.046	0.058	−0.164	0.041	0.226
SOE	20,727	0.395	0.489	0	0	1
AGE	20,727	2.312	0.75	0.693	2.485	3.526
LOSS	20,727	0.91	0.287	0	1	1
BM	20,727	1.243	1.403	0.114	0.777	8.758
FIXED	20,727	0.225	0.162	0.003	0.194	0.697
GROWTH	20,727	0.157	0.348	−0.49	0.102	2.089
BIG4	20,727	0.084	0.277	0	0	1

4.2. 相关性分析

表4报告了主要变量的Pearson相关系数，其中FERROR与QUA的相关系数在1%水平显著为负，说明当企业的网络平台互动质量越高时，分析师盈余预测偏差也越小，初步支持了研究假设。

Table 4. Pearson correlation coefficient for major variables

表4. 主要变量Pearson相关系数

变量	FERROR	QUA
FERROR	1
QUA	−0.039^***	1

4.3. 基准回归

表5展示了本文主假设的基准回归结果。FERROR与QUA的相关系数在1%水平上显著为负，网络平台互动质量显著降低分析师盈余预测偏差，研究假设H1得到支持。

Table 5. Baseline regression

表5. 基准回归

变量	(1)
	FERROR
QUA	−1.392^***
	(−4.95)
SIZE	−0.270^***
	(−7.00)
DTURN	0.243^***
	(3.00)
INDEP	1.390^**
	(2.44)
LEV	−0.509^**
	(−2.04)
ROA	−25.416^***
	(−27.93)
SOE	−0.372^***
	(−4.97)
AGE	−0.048
	(−0.90)
LOSS	1.280^***
	(5.82)
BM	0.176^***
	(4.78)
FIXED	0.562^**
	(2.36)
GROWTH	−0.795^***
	(−7.38)
BIG4	−0.231^**
	(−2.09)
Constant	10.023^***
	(10.69)
Year	Yes
IND	Yes
N	20,727
Adj.R2	0.108

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

4.4. 稳健性检验

4.4.1. 工具变量法

由于网络平台互动质量与分析师盈余预测行为可能存在互为因果的情况，为缓解因反向因果导致的内生性问题，本文参考孙汉等[20]的研究，使用滞后一期的解释变量作为工具变量，使用两阶段最小二乘法进行内生性检验。表6第1列汇报了第二阶段的回归结果，研究结论依旧稳健。

4.4.2. Heckman两阶段模型

考虑到网络平台互动质量对分析师盈余预测准确性之间的关系可能存在样品选择偏差的内生性问题，为缓解样品选择偏差问题，本文参考杨凡和张玉明[5]的研究，使用Heckman两阶段模型进行检验。在第一阶段，本文以解释变量的中位数构造哑变量。随后以构造的哑变量为解释变量，加入所有控制变量进行Probit回归以计算逆米尔斯比率(IMR)。最后在第二阶段中加入IMR作为控制变量进行回归。表6第2列汇报了第二阶段的回归结果，研究结果依旧稳健。

Table 6. Robustness test

表6. 稳健性检验

变量	工具变量法	Heckman两阶段模型
	(1)	(2)
	FERROR	FERROR
QUA	−1.616^***	−1.4075^***
	(−3.32)	(−5.0002)
IMR		−4.6169^**
		(−2.1808)
Constant	11.784^***	5.6632^**
	(10.94)	(2.5732)
Controls	Yes	Yes
Year	Yes	Yes
IND	Yes	Yes
N	17,414	20,727
Adj.R2	0.109	0.108

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

4.4.3. 更换解释与被解释变量

为避免关键变量度量误差产生的偏差影响研究结果，在解释变量上，本文借鉴刘潋等[25]的研究，采用BERT模型计算问答相似度以衡量网络平台互动质量(QUA2)。在被解释变量上，本文借鉴陆旭冉[26]等的研究，将分析师盈余预测偏差的计算方式定义为企业全体分析师的每股盈余预测均值与企业当年实际每股盈余之差的绝对值除以企业当年的每股总资产(FERROR2)。回归结果如表7所示，QUA的系数在1%水平显著为正，QUA2的系数在1%水平显著，表明替换解释与被解释变量后，本文研究结果与主假设一致。

Table 7. Replace the primary variable

表7. 更换解释与被解释变量

变量	(1)	(2)
	解释变量	被解释变量
	FERROR	FERROR2
QUA		−0.012^***
		(−4.33)
QUA2	−1.746^***
	(−3.22)
Constant	10.181^***	0.251^***
	(10.45)	(26.12)
Controls	Yes	Yes
Year	Yes	Yes
IND	Yes	Yes
N	20,727	20,728
Adj.R2	0.107	0.386

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

5. 进一步分析

5.1. 作用机制检验

根据前文的分析和实证，网络平台互动具有信息效应和治理效应，因此本文选取信息透明度和内控质量作为中介变量进行机制检验。

5.1.1. 信息透明度的机制检验

首先，在信息供给方面。在互动过程中，网络平台互动为资本市场提供了增量信息。管理层通过网络互动平台可以主动释放各种内部信息，有效丰富了企业的公开信息供给，由此降低了外部利益相关者的信息获取成本[27]。而高质量的网络平台互动包含更多的公司特质信息，进一步缓解了上市公司与外部利益相关者之间的信息不对称程度，提高了上市公司的信息透明度。其次，在信息需求方面，网络平台互动改变了过去的信息获取模式，抑制了外部利益相关者主动搜寻私有信息的动机，进而降低了外部人员之间的信息不对称[28]。这一机制进一步强化了网络平台互动质量对信息透明度的促进作用。

当企业的信息透明度上升时，分析师可获得的信息集扩大，由此分析师可以基于更多的信息进行盈余预测决策，直接降低了分析师的预测难度，降低预测偏差，已有文献实证检验了信息透明度与分析师盈余预测准确性的正向关系[13]。借鉴白晓宇[29]的研究，本文利用沪交所和深交所的信息披露考评结果衡量信息透明度(PER)，将优秀、良好、及格与不及格的分别定义为4、3、2、1，该值越高表明信息透明度越高。结合模型(1)，构建如下模型检验信息透明度的作用机制。

${\text{PER}}_{i,t}={\beta }_0+{\beta }_1\text{QUA}+{\beta }_2{\text{Controls}}_{i,t}+\text{YEAR}+\text{IND}+\epsilon$ (5)

${\text{FERROR}}_{i,t}={\beta }_0+{\beta }_1\text{QUA}+{\beta }_2{\text{PER}}_{i,t}+{\beta }_3{\text{Controls}}_{i,t}+\text{YEAR}+\text{IND}+\epsilon$ (6)

表8汇报了回归结果。表8第1列显示QUA的系数在1%水平显著为正，表8第2列显示PER的系数在1%水平显著为负，表明网络平台互动质量作用于企业信息透明度，信息透明度增加，分析师预测偏差降低。

Table 8. Mechanism testing—Information transparency

表8. 机制检验——信息透明度

变量	(1)	(2)
	PER	FERROR
QUA	0.553^***	−1.404^***
	(12.96)	(−4.33)
PER		−0.701^***
		(−10.76)
Controls	Yes	Yes
Constant	−1.286^***	9.430^***
	(−10.21)	(9.62)
Year	Yes	Yes
IND	Yes	Yes
N	18,037	18,037
Adj.R2	0.228	0.117

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

5.1.2. 内控质量的机制检验

在治理效应层面，高质量的互动构成了强有力的外部监督与声誉约束。首先，网络互动平台的公开性对上市公司形成了持续的公众关注，散户投资者不仅会与上市公司直接进行沟通，还会查看其他互动信息，有效改善了投资者的信息弱势地位并提高了投资者的监管能力和监管积极性[30]。其次，投资者与上市公司的互动会吸引新闻媒体的关注[23]，在新闻媒体的监管下，上市公司会面临更大的声誉压力和市场压力。最后，高质量的网络平台互动提高了证交所对上市公司的了解程度，进而增加了证交所的监管能力。因此，为了增加投资者信息、新闻媒体和证交所的审查风险，上市公司管理层会主动提高内部控制质量以提高公司合规性。

当企业的内部控制质量上升时，信息披露机制会得到进一步完善，信息披露的数量和质量也会提升，降低分析师盈余预测的难度，已有文献实证检验了内部控制质量与分析师盈余预测准确性的正向关系[12]。借鉴陈红等[31]的研究，本文使用迪博内部控制指数的自然对数衡量内控质量(ICQ)，该值越高表明内控质量越高。结合模型(1)，构建如下模型检验内部控制质量的作用机制。

${\text{ICQ}}_{i,t}={\beta }_0+{\beta }_1\text{QUA}+{\beta }_2{\text{Controls}}_{i,t}+\text{YEAR}+\text{IND}+\epsilon$

${\text{FERROR}}_{i,t}={\beta }_0+{\beta }_1\text{QUA}+{\beta }_2{\text{ICQ}}_{i,t}+{\beta }_3{\text{Controls}}_{i,t}+\text{YEAR}+\text{IND}+\epsilon$

表9汇报了回归结果。表9第1列显示QUA的系数在1%水平显著为正，表9第2列显示ICQ的系数在1%水平显著为负，表明网络平台互动质量作用于企业内部控制质量，内部控制质量提高，分析师预测偏差降低。

Table 9. Mechanism testing—Internal control quality

表9. 机制检验——内部控制质量

变量	(1)	(2)
	ICQ	FERROR
QUA	0.034^***	−1.267^***
	(4.53)	(−4.64)
ICQ		−3.184^***
		(−9.48)
Constant	5.952^***	29.003^***
	(217.80)	(13.17)
Controls	Yes	Yes
Year	Yes	Yes
IND	Yes	Yes
N	20,289	20,289
Adj.R2	0.204	0.127

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

5.2. 异质性分析

5.2.1. 盈利波动性的异质性作用

当企业的盈利波动性较高时，分析师进行盈余预测决策时所依赖的历史财务数据在此时充满“噪音”，由此导致分析师可使用的信息数量较少且质量较低，其进行盈余预测决策的不确定性和难度更高。此时，高质量的网络平台互动具有更高的价值，可以增加分析师进行盈余预测决策的信息依据。因此，当企业的盈利波动性较高时，网络平台互动质量对分析师盈余预测准确性的提升作用更强。

借鉴陆正飞等[32]的研究，本文使用企业的息税前利润与总资产比值的三年波动率作为盈利波动性的代理变量，再按照样本的年度–行业中位数将其分成高低两组。回归结果如表10的列(1)和列(2)所示，在高盈利波动性的组中，网络平台互动质量的作用更强，假设得到验证。

5.2.2. 业务复杂度的异质性作用

当企业涉及更多的业务领域和行业时，其经营情况和财务报表的复杂性会显著提高。这种复杂性导致信息透明度降低，使得分析师难以全面、准确地掌握企业的真实经营状况。并且对于分析师而言，企业的特定收益信息处理成本更高，盈余预测难度更高。因此，当业务复杂度较高时，高质量的网络平台互动具有更高的价值，可以帮助分析师了解企业当前的经营状况及各项细节。

借鉴董小红等[33]的研究，本文使用资产负债表日至审计报告披露日间隔的自然对数衡量业务复杂度，再按照样本的年度–行业中位数将其分成高低两组。回归结果如表10的列(3)和列(4)所示，在高业务复杂度的组中，网络平台互动质量的作用更强，假设得到验证。

Table 10. Heterogeneity analysis

表10. 异质性分析

变量	(1)	(2)	(3)	(4)
	FERROR	FERROR	FERROR	FERROR
	低波动性	高波动性	低复杂度	高复杂度
QUA	−0.635^**	−1.609^***	−1.107^***	−1.484^***
	(−2.20)	(−3.39)	(−3.00)	(−3.50)
Constant	12.336^***	9.763^***	11.152^***	8.869^***
	(9.88)	(6.55)	(8.63)	(6.44)
Controls	Yes	Yes	Yes	Yes
Year	Yes	Yes	Yes	Yes
IND	Yes	Yes	Yes	Yes
N	10,286	10,431	9982	10,737
Adj.R2	0.165	0.106	0.129	0.0904
Chow检验	197.12 (0.000)		14.79 (0.000)

注：^***、^***、^*分别表示在p < 0.01、p < 0.05、p < 0.1有统计学意义。

6. 结论与启示

6.1. 结论

首先，网络平台互动质量显著提高了分析师盈余预测的准确性，经过稳健性检验后假设依旧成立。其次，企业的信息透明度和内部控制质量成为网络平台互动质量影响分析师盈余预测性的中介机制。最后，当企业的盈利波动性越高、业务复杂度越高时，网络平台互动质量对分析师盈余预测准确性的正面影响更强。

6.2. 政策建议

网络平台互动质量所引发的一系列经济后果，不仅会影响企业的生存发展，还会对资本市场中的各利益相关者产生影响。因此，当证交所评判上市公司在网络互动平台上表现时，不仅需要考虑回复率，还需要将回复质量纳入考评体系之中，督促上市公司管理层主动提高回复质量。其次，分析师需要提高信息筛选能力和信息处理能力，在采用网络互动平台上的信息时尽可能地避免噪声信息的干扰，采用质量较高的互动信息以提高盈余预测准确性。最后，上市公司应注重投资者关系管理，安排了解公司情况的管理层对投资者在网络互动平台上的问题进行有效答复，不应当采取“避而不答”的回复策略对回复内容进行策略性操纵。

6.3. 研究不足与展望

首先，在指标选取上，本文采用问答软余弦相似度来测算互动质量，测算的角度相对单一，缺乏对投资者与上市公司沟通过程的综合性考虑，如上市公司回复的专业性、上市公司回复的语调等其他方面，在后续的研究过程中，可以加入这些维度进而构建综合性指标。

其次，在机制检验方面，本文主要探讨了信息透明度和内部控制质量在网络平台互动质量对分析师行为影响中发挥的中介作用。但是网络平台互动质量可能产生其他的经济后果而在其中发挥中介作用，因此在后续研究的过程中，可以进一步完善相关机制检验的设计。